Tesis Data Warehouse

FACULTAD DE CIENCIAS DE GESTIN
ESCUELA DE INGENIERA DE SISTEMAS
TESIS
DESARROLLO DE BUSINESS INTELLIGENCE, BASADO EN LA METODOLOGA

DE RALPH KIMBALL, PARA MEJORAR EL PROCESO DE TOMA DE DECISIONES
EN EL REA DE ADMISIN DE LA UNIVERSIDAD AUTNOMA DEL PER
AUTOR:
CASTAEDA VSQUEZ, ALBERTO
PARA OPTAR EL TTULO PROFESIONAL DE INGENIERO DE SISTEMAS
LIMA PER
2015
DEDICATORIA
Dedico el presente trabajo de graduacin a Dios por darme la fuerza que

necesite en los momentos ms difciles de mi vida, a mis padres que con su
sacrificio me apoyaron siempre en cada una de mis metas, a mis hermanos que a
su modo me apoyaron y a todas las personas que ayudaron a culminar con este
proyecto.
ALBERTO CASTAEDA VSQUEZ
-i-
AGRADECIMIENTOS
A DIOS:
Por ser mi creador, el motor de mi vida, por no haber dejado que me rinda en ningn
momento e iluminarme para salir adelante, porque todo lo que tengo, lo que puedo y lo
que recibo es regalo que l me ha dado.
A MIS PADRES:
A m madre, Sra. Marina Vsquez Balczar, por apoyarme siempre y estar junto a m
cuando la necesita, adems por sus sabios consejos que hacen que sea una excelente
madre.
A m padre, Sr. Merardo Castaeda Aguilar, por ser el mejor del mundo y que con la
inmensidad de su gran amor guan mi camino.
A MIS HERMANOS:
Luis y Csar, por el apoyo brindado, por su comprensin y cario.
A MI TUTOR:
Al Dr. Javier Gamboa Cruzado, por ser la persona que ha tenido la gran tarea de dirigir,
explicar y revisar cada una de las hojas de esta tesis de graduacin.
.
ALBERTO CASTAEDA VSQUEZ
-ii-
RESUMEN
DESARROLLO DE BUSINESS INTELLIGENCE, BASADO EN LA METODOLOGA

DE RALPH KIMBALL, PARA MEJORAR EL PROCESO DE TOMA DE DECISIONES
EN EL REA DE ADMISIN DE LA UNIVERSIDAD AUTNOMA DEL PER
Castaeda V. Alberto
[email protected]
La presente investigacin trata sobre la mejora de un proceso de negocios,
especficamente sobre el pobre desempeo del Proceso de Toma de Decisiones del rea
de Admisin de la Universidad Autnoma del Per, en lo que corresponde a: Porcentaje
de exactitud de informacin, tiempo en realizar los reportes, porcentaje de malas
decisiones tomadas, nmero de reportes solicitados por ciclo, comprensin de los
reportes, utilizando Business Intelligence.
Para darle una solucin al problema se propone realizar un Business Intelligence
que nos permite almacenar slo la informacin requerida e ir eliminando aquellos datos
que obstaculizan la labor del anlisis y entregando la informacin que se requiera en
la forma ms apropiada, facilitando as el proceso de gestin de la misma.
Business Intelligence surge con la promesa del manejo y control de la informacin,
asegura una vista nica de los datos, que pueden provenir de diversas fuentes.
Existen diferentes herramientas BI tanto software libre como propietario, para esta
solucin de la Universidad se us software con licencia y despus de un anlisis en
cuanto a herramientas de este tipo se utiliz SQL Server 2014.
Palabras Clave: Indicadores, Metodologa de Ralph Kimball, Toma de Decisiones,

Estrategias, Business Intelligence, Software con Licencia, SQL Server 2014.
-iii-
ABSTRACT
DEVELOPMENT OF BUSINESS INTELLIGENCE, BASED ON THE

METHODOLOGY OF RALPH KIMBALL, TO IMPROVE THE PROCESS OF TOMA
OF DECISIONS IN THE AREA OF ADMISSION OF THE UNIVERSIDAD
AUTONOMA OF PERU
Castaeda V. Alberto
[email protected]
This research is about improving a business process, specifically on the poor performance
of the Decision Making Process Area Admission of the University of Peru, which
corresponds to: Percentage of accuracy of information, time to complete reports,
percentage of bad decisions, number of requested per cycle, understanding reports reports
using Business Intelligence
To give a solution to problem intends to undertake a Business Intelligence that
allows us to store only the information required e go eliminating those data impeding the
work of the analysis and delivering the information required in the most appropriate form,
thus facilitating the management process thereof.
Business Intelligence arises with the promise of the handling and control of the
information, assure a unique view of the data, which may come from various sources.
There are different tools BI both free software as owner, for this solution by the
University will be used licensed software and after an analysis as regards tools of this type
was used SQL Server 2014.
Keywords: Indicators, methodology of Ralph Kimball, Decisions, Strategies, Business

Intelligence, Software License, SQL Server 2014.
-iv-
INTRODUCCIN
El presente trabajo de investigacin tiene como objetivo principal desarrollar un Business

Intelligence, basado en la Metodologa de Ralph Kimball, para mejorar el Proceso de
Toma de Decisiones en el rea de Admisin de la Universidad Autnoma del Per.
Hoy en da, las organizaciones estn comprendiendo la importancia de la gestin de
la informacin y las ventajas competitivas que implica su uso. Este proceso de gestin
consiste en lograr de una manera eficiente el anlisis de distintos tipos de datos de la
Empresa y su entorno, a travs de la explotacin de la informacin por medio de las
tecnologas de la informacin (TI), facilitando la adaptacin de aplicaciones para la
Inteligencia de Negocios. El xito de una organizacin, depende fundamentalmente de las
acertadas decisiones por parte de la administracin, la cual, si es competente, es probable
que alcance los objetivos trazados, ya que sobre ella recae la responsabilidad de gestionar
todos los recursos tantos humanos, econmicos y materiales.
Tambin es un apoyo primordial al momento de tomar decisiones con la
informacin obtenida, en el momento y lugar correcto, lo que les permite aumentar la
efectividad de la organizacin, incrementando su progreso y bienestar.
La hiptesis que se quiere demostrar es, si se implementa Business Intelligence,
utilizando la Metodologa de Ralph Kimball, entonces mejorar el Proceso de Tomas de
Decisiones en el rea de Admisin de la Universidad Autnoma del Per.
La metodologa utilizada para el desarrollo de Business Intelligence conduce a una
solucin completa en una cantidad de tiempo relativamente pequea. Adems, debido a la
gran cantidad de documentacin que se puede encontrar y a los numerosos ejemplos
aportados en diferentes entornos, permite encontrar una respuesta a casi todas las preguntas
que puedan surgir, sobre todo cuando no se dispone de la experiencia previa necesaria.
Las limitaciones encontradas en la fase de desarrollo de la solucin de Business
Intelligence fue el tiempo en la limpieza de base de datos y el tiempo limitado de la Alta
Gerencia por eso hubo un retraso en la realizacin de las entrevistas.
Con el propsito de hacer ms entendible la presente tesis, se ha dividido la misma
en cinco captulos, cuyos contenidos son los siguientes:
En el Captulo I: Planteamiento Metodolgico.- Se describe todo lo referente al
planteamiento del problema, tipo de investigacin, nivel de investigacin, justificacin,
-v-
importancia, objetivos, hiptesis, variables e indicadores, limitaciones, diseo de

investigacin y tcnicas e instrumentos de recoleccin de informacin.
En el Captulo II: Marco Referencial.- Se describe los antecedentes, teniendo
como referencias tesis, libros, artculo cientficos, monogrficas, y la parte terica de la
tesis, la validacin del marco terico relacionado con la metodologa y modelos que se
estn usando para el desarrollo de la tesis.
En el Captulo III: Desarrollo de Business Intelligence.- Esta es la parte ms
importante de la tesis, ya que, se describe la parte del desarrollo de Business Intelligence
usando la Metodologa de Ralph Kimball.
En el Captulo IV: Anlisis de Resultados y Contrastacin de Hiptesis.- Se
realiza la prueba emprica para la recopilacin, anlisis e interpretacin de los resultados
obtenidos. En primer lugar se describe la poblacin y muestra, luego el tipo de muestra y
nivel de confianza. Tambin se muestra el anlisis de la Post-Prueba (Gc) y Post-Prueba
(Ge). Los datos se visualizan en tablas, las cuales al trmino de este captulo, sern
analizados para la contrastacin de la hiptesis.
Y para culminar, el Captulo V: Conclusiones y Recomendaciones.- Se muestra
las conclusiones y recomendaciones.
Al final, se presenta las referencias bibliogrficas, apndices y un glosario de
trminos.
El Autor.
-vi-
NDICE
DEDICATORIA ..................................................................................................................... i
AGRADECIMIENTOS .........................................................................................................ii
RESUMEN ...........................................................................................................................iii
ABSTRACT.......................................................................................................................... iv
INTRODUCCIN ................................................................................................................. v
NDICE ................................................................................................................................ vii
NDICE DE FIGURAS ........................................................................................................ xi
NDICE DE TABLAS ........................................................................................................ xiv
CAPTULO I
PLANTEAMIENTO METODOLGICO
1.1
PLANTEAMIENTO DEL PROBLEMA

1.1.1 Realidad Problemtica ...................................................................................... 2
1.1.2 Definicin del Problema ................................................................................... 3
1.1.3 Enunciado del Problema ................................................................................... 6
1.2
TIPO Y NIVEL DE LA INVESTIGACIN

1.2.1 Tipo de Investigacin ....................................................................................... 6
1.2.2 Nivel de Investigacin ...................................................................................... 7
1.3
JUSTIFICACIN E IMPORTANCIA .................................................................... 7
1.4
OBJETIVOS DE LA INVESTIGACIN
1.4.1 Objetivo General............................................................................................... 8
1.4.2 Objetivos Especficos ....................................................................................... 8
1.5
HIPTESIS ................................................................................................................ 8
1.6
VARIABLES E INDICADORES
1.6.1 Variables ........................................................................................................... 8
1.6.2 Indicadores........................................................................................................ 9
1.7
LIMITACIONES DE LA INVESTIGACIN....................................................... 10
1.8
DISEO DE LA INVESTIGACIN ...................................................................... 10
1.9
TCNICAS
INSTRUMENTOS
PARA
RECOLECCIN
DE
INFORMACIN ...................................................................................................... 12
-vii-
CAPTULO II
MARCO REFERENCIAL
2.1
ANTECEDENTES DE LA INVESTIGACIN .................................................... 14
2.2
MARCO TERICO................................................................................................. 20
CAPTULO III
DESARROLLO DE BUSINESS INTELLIGENCE
3.1
GENERALIDADES ................................................................................................. 40
3.2
ESTUDIO DE FACTIBILIDAD
3.2.1 Factibilidad Tcnica ....................................................................................... 40
3.2.2 Factibilidad Operativa .................................................................................... 41
3.2.3 Factibilidad Econmica .................................................................................. 41
3.3
PLANIFICACIN DEL PROYECTO

3.3.1 El Negocio ......................................................................................................... 42
3.3.2 Alcance del Proyecto ......................................................................................... 51
3.3.3 Justificacin del Proyecto .................................................................................. 52
3.3.4 Beneficios del Proyecto ..................................................................................... 52
3.3.5 Cronograma de Actividades .............................................................................. 53
3.3.6 Equipo de Trabajo ............................................................................................. 53
3.3.7 Hardware y software ......................................................................................... 54
3.3.8 Riesgos del Proyecto ......................................................................................... 57
3.4
DEFINICIN DE LOS REQUERIMIENTOS DEL NEGOCIO

3.4.1 Entrevistas ......................................................................................................... 57
3.4.2 Analizar Entrevistas .......................................................................................... 59
3.4.3 Requerimientos .................................................................................................. 60
3.5
DISEO DE LA ARQUITECTURA TCNICA

3.7.1 Diseo de la Arquitectura Tecnolgica de la UA.............................................. 61
3.7.2 Flujo Tcnico de la Arquitectura: BACK ROOM, FRONTROOM ................. 62
3.6
SELECCIN DE PRODUCTOS E INSTALACIN ........................................... 64
3.7
MODELO DIMENSIONAL
3.7.1 Seleccin del Business Intelligence .................................................................. 65
3.7.2 Antigedad de la Data ....................................................................................... 65
-viii-
3.7.3 Calidad de la Data ............................................................................................. 65

3.7.4 Definir las Dimensiones .................................................................................... 65
3.7.5 Mapeando las dimensiones del negocio en las tablas de dimensin ................. 66
3.7.6 Agregando las claves primarias a cada dimensin ............................................ 69
3.7.7 Identificando las jerarquas analticas ............................................................... 69
3.7.8 Agregar las claves a cada atributo jerrquico .................................................... 70
3.7.9 Determinar la granularidad de cada dimensin ................................................. 72
3.7.10 Definir la tabla de hechos ............................................................................... 74
3.7.11 Granularidad de la tabla de hecho ................................................................... 75
3.7.12 Definir las claves primarias y las relaciones entre tabla de hecho y
dimensiones. ................................................................................................... 75
3.7.13 Definiendo el Modelo en Estrella ................................................................... 76
3.8
DISEO FSICO
3.8.1 Trasladar el Modelo Dimensional al Modelo Fsico ........................................ 77
3.8.2 Sentencias SQL para crear el modelo ............................................................... 80
3.9
DISEO Y DESARROLLO DE PRESENTACIN DE DATOS

3.9.1 Identificar fuentes y destinos detallados ........................................................... 89
3.9.2 Cargar inicial .................................................................................................... 90
3.9.3 Cargar tabla dimensin ...................................................................................... 93
3.9.5 Cargar tabla de hechos ...................................................................................... 95
3.9.6 Carga de dimensiones y tabla de hechos ........................................................... 94
3.9.7 Gestionar Cubos ................................................................................................ 98
3.10 ESPECIFICACIONES DE LAS APLICACIONES DEL USUARIO FINAL . 107

3.11 DESARROLLO DE APLICACIN DEL USUARIO FINAL........................... 107
3.12 IMPLEMENTACIN............................................................................................ 114
CAPTULO IV
ANLISIS DE RESULTADOS Y CONTRASTACIN DE LA HIPTESIS
4.1
POBLACIN Y MUESTRA
4.1.1 Poblacin ......................................................................................................... 118
4.1.2 Muestra ............................................................................................................ 118
4.2
NIVEL DE CONFIANZA...................................................................................... 118
-ix-
4.3
ANLISIS E INTERPRETACIN DE RESULTADOS

4.3.1 Resultados Genricos ...................................................................................... 118
4.3.2 Resultados Especficos .................................................................................... 120
4.3.3 Resultados Numricos ..................................................................................... 122
4.4
CONTRASTACIN DE LA HIPTESIS ........................................................... 132
CAPTULO V
CONCLUSIONES Y RECOMENDACIONES
5.1
CONCLUSIONES .................................................................................................. 143
5.2
RECOMENDACIONES ........................................................................................ 144
REFERENCIAS BIBLIOGRFICAS .............................................................................. 145

APNDICES ..................................................................................................................... 149
GLOSARIO DE TRMINOS ........................................................................................... 160
-x-
NDICE DE FIGURAS
Figura 01.Ubicacin de la Universidad Autnoma del Per. ................................................ 3
Figura 02. Flujograma del Proceso Transaccional en el rea de Admisin de la
Universidad Autnoma del Per. .......................................................................... 4
Figura 03. Flujograma del Proceso de Toma de Decisiones para el Jefe del rea de
Admisin de la Universidad Autnoma del Per. (AS-IS) ................................... 5
Figura 04. Inteligencia de Negocios (antes y despus). ....................................................... 21
Figura 05. Componentes de la Arquitectura de Inteligencia de Negocios. .......................... 21
Figura 06. Estructura de los datos de un Data Warehouse. ................................................. 24
Figura 07. Estructura de los datos de un Datamart. ............................................................. 25
Figura 08. Esquema del modelo estrella. ............................................................................. 26
Figura 09. Ejemplo de Drill-Up y Drill-Down. ................................................................... 31
Figura 10. Ciclo de vida del Business Intelligence. ............................................................. 38
Figura 11. Universidad Autnoma del Per. ....................................................................... 43
Figura 12. Organigrama de la Universidad Autnoma del Per.......................................... 44
Figura 13. Servicio de Educacin de la Universidad Autnoma del Per. .......................... 45
Figura 14. Stakeholders Internos y Externos. ...................................................................... 47
Figura 15. Cadena de Valor de la Universidad Autnoma del Per Educacin
Universitaria. ....................................................................................................... 48
Figura 16. Identificacin de Procesos de Negocios Transaccionales de la Cadena de Valor
Educacin Universitaria. .................................................................................. 49
Figura 17. Procesos de Negocio Transaccionales de la Universidad Autnoma del Per
Educacin Universitaria. ..................................................................................... 50
Figura 18. Diagrama de Contexto. ....................................................................................... 51
Figura 19. Flujograma del Proceso Propuesto de Toma de Decisiones (TO-BE). ............. 51
Figura 20. Cronograma de Actividades. .............................................................................. 53
Figura 21. Servidor HP ProLiant DL380 G7. ...................................................................... 54
Figura 22. Pcs de Usuarios. ................................................................................................ 55
Figura 23. Diseo de la Arquitectura Tecnolgica de la UAP. ........................................... 61
Figura 24. Back Room. ........................................................................................................ 62
Figura 25. Front Room......................................................................................................... 63
Figura 26. Mapeo de datos Postulante_dim. ........................................................................ 66
Figura 27. Mapeo de datos Nivel_Academico_dim. ........................................................... 66
-xi-
Figura 28. Mapeo de datos Modalidad_dim. ....................................................................... 67

Figura 29. Mapeo de datos Tiempo_dim. ............................................................................ 67
Figura 30. Mapeo de datos Zona_dim. ................................................................................ 68
Figura 31. Mapeo de datos Colegio_dim. ............................................................................ 68
Figura 32. Dimensiones con atributos Jerrquicos. ............................................................. 72
Figura 33. Granularidad de las Dimensiones. ...................................................................... 74
Figura 34. Modelado de la tabla hechos. ............................................................................. 74
Figura 35. Granularidad de la tabla de hecho. ..................................................................... 75
Figura 36. Relaciones entre dimensiones y Hechos. ........................................................... 75
Figura 37. Modelo en estrella. ............................................................................................. 76
Figura 38. Modelo Lgico Dimensional. ............................................................................. 79
Figura 39. Fuentes y Destinos (Persona Postulante_dim). ............................................... 89
Figura 40. Fuentes y Destinos (Pecarrera, Perfacultad Nivel_Academico_dim). ............ 89
Figura 41. Fuentes y Destinos (Interface Modalidad _dim). ............................................ 90
Figura 42. Fuentes y Destinos (Peradmision Tiempo_dim). ............................................ 90
Figura 43. Fuentes y Destinos (Provincia, Distrito Zona_dim). ....................................... 91
Figura 44. Fuentes y Destinos (Pertipocolegio, Percolegio Colegio_dim)....................... 91
Figura 45. Limpieza del Poblamiento PROYECTO_UA. ................................................... 90
Figura 46. Carga de Datos de Postulante_dim. .................................................................... 93
Figura 47. Carga de Datos de Nivel_Academico_dim. ....................................................... 93
Figura 48. Carga de Datos de Zona_dim. ............................................................................ 93
Figura 49. Carga de Datos de Tiempo_dim. ........................................................................ 94
Figura 50. Carga de Datos de Modalidad_dim. ................................................................... 94
Figura 51. Carga de Datos de Colegio_dim. ........................................................................ 94
Figura 52. Prueba correcta de Carga de Datos. .................................................................... 94
Figura 53. Creando un Proyecto de Analysis Services Business Intelligence. ................. 98
Figura 54. Creando Orgenes de datos. ................................................................................ 98
Figura 55. Estableciendo conexin con PROYECTO_UA. ................................................ 99
Figura 56. Finalizacin del Asistente. ................................................................................ 99
Figura 57. Asistente para vistas del origen de datos. ........................................................ 100
Figura 58. Seleccin de tablas para la solucin analtica. ................................................. 100
Figura 59. Interfaz de Analysis Services. .......................................................................... 101
Figura 60. Tablas de grupo de medida. .............................................................................. 101
-xii-
Figura 61. Seleccin de medidas para mostrar en el cubo. ................................................ 102

Figura 62. Seleccin de dimensiones para mostrar en el cubo. ........................................ 102
Figura 63. Estructura de un cubo en Analysis Services. .................................................... 103
Figura 64. Editor de Dimensiones para TIEMPO_DIM. ................................................... 103
Figura 65. Editor de Dimensiones para NIVEL_ACADEMICO_DIM. ........................... 104
Figura 66. Editor de Dimensiones para ZONA_DIM........................................................ 104
Figura 67. Editor de Dimensiones para COLEGIO_DIM. ................................................ 104
Figura 68. Ficha de Clculos del Diseador de cubos. ...................................................... 105
Figura 69. Visualizacin de KPI. ....................................................................................... 106
Figura 70. Visualizacin de informacin del cubo. ........................................................... 107
Figura 71. Herramienta de Aplicacin para el Usuario: Microsoft Office Excel 2010. .... 108
Figura 72. Cantidad de postulantes y ingresantes por modalidad...................................... 111
Figura 73. Cantidad de Postulantes por Sexo. ................................................................... 111
Figura 74. Cantidad de postulantes e ingresantes por facultad y escuela. ......................... 111
Figura 75. Reporte de Postulantes y Monto por Facultad.................................................. 112
Figura 76. Reporte de Postulantes e Ingresantes por Modalidad. ..................................... 113
Figura 77. Reporte General. ............................................................................................... 113
Figura 78. Pantalla de acceso al sistema del aplicativo de Business Intelligence. ............ 114
Figura 79. Pantalla del Men Principal. ............................................................................ 115
Figura 80. Pantalla de Reporte de Postulantes y Monto por Facultad. .............................. 115
Figura 81. Pantalla de KPI: reporte de ingresantes por postulantes al ao. ....................... 116
Figura 82. Pantalla de Reporte General. ........................................................................... 116
Figura 83. Distribucin de Probabilidad del KPI1. ............................................................ 134
Figura 84. Ingreso de datos para realizar la prueba t a dos muestras del KPI1. ................. 134
-xiii-
NDICE DE TABLAS
Tabla 01. Datos actuales de los indicadores. ......................................................................... 6
Tabla 02. Diferencias entre las bases de datos transaccionales y los almacenes de datos. .. 23
Tabla 03. Diferencia entre Esquema de Estrella y Esquema de Copo de Nieve. ................ 27
Tabla 04. Ventajas y Desventajas de Tipo de Almacenamiento. ......................................... 30
Tabla 05. Comparativa de herramientas de Inteligencia de Negocios. ................................ 32
Tabla 06. Recursos de TI. .................................................................................................... 40
Tabla 07. Presupuesto. ......................................................................................................... 41
Tabla 08. Equipo de Trabajo................................................................................................ 53
Tabla 09. Funciones Especficas del Equipo de Trabajo. .................................................... 54
Tabla 10. Especificaciones Tcnicas del Servidor HP ProLiant DL380 G7. ...................... 54
Tabla 11. Especificaciones Tcnicas de las Pcs de Usuarios. ............................................ 55
Tabla 12. Modelo Dimensional Postulante. ......................................................................... 77
Tabla 13. Modelo Dimensional Colegio. ............................................................................. 77
Tabla 14. Modelo Dimensional Nivel Acadmico. ............................................................. 77
Tabla 15. Modelo Dimensional Zona. ................................................................................. 78
Tabla 16. Modelo Dimensional Tiempo. ............................................................................. 78
Tabla 17. Modelo Dimensional Admisin. .......................................................................... 78
Tabla 18. Cantidad de postulantes e ingresantes por facultad y escuela. .......................... 108
Tabla 19. Cantidad de postulantes, ingresantes y monto por Modalidad. ......................... 108
Tabla 19. Cantidad de postulantes e ingresantes por distrito y sexo. ................................ 109
Tabla 20. Cantidad de postulantes, ingresantes y monto por tipo de colegio. ................... 110
Tabla 22. Resultados de Post-Prueba (Gc) y Post-Prueba (Ge) para los KPI1, KPI2, KPI3,
KPI4, KPI5. ........................................................................................................ 117
Tabla 23. Promedio de los indicadores de la Post-Prueba (Gc) y Post-Prueba (Ge). ........ 122
Tabla 24. Resultados de Post-Prueba (Gc) y Post-Prueba (Ge) para el KPI1. ................. 123
Tabla 25. Resultados de Post-Prueba (Gc) y Post-Prueba (Ge) para el KPI2. .................. 125
-xiv-
CAPTULO I
PLANTEAMIENTO
METODOLGICO
El sabio no dice nunca todo lo que piensa,

pero siempre piensa todo lo que dice.
Aristteles
CAP. I: PLANTEAMIENTO METODOLGICO
1.1
A. Castaeda
PLANTEAMIENTO DEL PROBLEMA

1.1.1 Realidad Problemtica
MUNDIAL
En las grandes Empresas se maneja una gran cantidad de informacin y el reto es
saber administrarla. Por ejemplo, el director general, necesita informacin para
tomar una decisin, por lo que solicita al asistente un informe y este a su vez
solicita al director de rea el informe y este al rea de sistemas, realizar este
proceso toma mucho tiempo ya que la mayor parte del anlisis se lo realiza de
forma manual, usar una herramienta que nos permita minimizar el flujo de trabajo
para obtener una fuente dinmica y obtener as un reporte gerencial, permite
optimizar tiempos obteniendo como resultado informacin mejor administrada y
fcil de usar.
PER
En las Universidades se maneja gran cantidad de datos de las distintas reas que
existen de los cuales se puede obtener buenos Business Intelligence, usndolos para
generar reportes e indicadores que permitan un manejo y toma de decisiones que
ayuden en reas donde se busca la reduccin de costos, tiempos y esfuerzos.
Entregar soluciones a los consumidores de informacin en forma simple y
entendible sin necesidad de realizar anlisis complicados que toman mucho
tiempo, implicando un desarrollo flexible y un diseo ajustado a cada necesidad,
es decir justo a la medida de cada uno de los usuarios.
UNIVERSIDAD AUTONMA DEL PER
La Universidad Autnoma del Per se dedica a la calidad de enseanza a los
alumnos con su Sistema de Instruccin Modular Avanzada, Sistema nico y
exclusivo de la Universidad, el cual involucra una educacin interactiva entre
docentes y alumnos a travs de la utilizacin de equipos multimedia en el 100% de
las aulas y laboratorios de clase.
La Universidad Autnoma del Per quiere mejorar tecnolgicamente, en la
actualidad mejorar este desempeo organizacional desde la parte operativa hasta la
etapa gerencial para la Toma de Decisiones de las cuales depende toda la
organizacin para la ayuda de Toma de Decisiones de manera proactiva.
-2-
A. Castaeda
Es por ello que se desarrolla una solucin de Business Intelligence para el rea de
Admisin, que cada da son ms complejos y su gestin se convierte ms difcil por
diversas razones.
La Investigacin, se realiza en la Universidad Autnoma del Per, ubicada en la
Antigua Panamericana Sur Km 16.3 Mz A Lote 6 Urb. La Concordia, Villa El
Salvador, Lima Per. (Ver Figura 01).
Figura 01.Ubicacin de la Universidad Autnoma del Per.

1.1.2 Definicin del Problema
Actualmente la Universidad Autnoma del Per consolida su problemtica en el
rea de Admisin; debido a que el Sistema actual no les permite saber ciertos
indicadores sobre los postulantes para la evaluacin, de qu distrito, colegio,
modalidad y escuela postulan en distintos periodos del tiempo, el manejo de la gran
cantidad de datos es la problemtica ya que en la actualidad no se cuenta con las
herramientas necesarias para que esto se lo haga de forma automtica, actualmente
se despliegan en documentos de Excel creados de forma manual, lo que logra
prdida tiempo y manejo de la informacin. (Ver Figura 03).
-3-
-4A. Castaeda
Figura 02. Flujograma del Proceso Transaccional en el rea de Admisin de la Universidad Autnoma del Per.
A. Castaeda
En los reportes estadsticos por postulantes inscritos en cada Admisin, el sistema no

filtra comparaciones con periodos anteriores de cada modalidad de ingreso.
Por ejemplo, cuando se necesita saber el total de inscritos por cada Pre, no hay un
histrico de los postulantes que se inscriben por cada fecha de inicio de la Pre.
La Universidad Autnoma del Per tiene cantidades de registros de datos en el rea de
Admisin, actualmente desequilibra a los directivos de registros acadmicos pues los
encargados presentan los mismos resultados de informacin pero con diferentes
nmeros y los ejecutivos lo que buscan es visualizar estos datos de manera clara y
concisa para poder tomar decisiones eficientes para el desarrollo y fortalecimiento de la
Universidad. (Ver Figura 03).
Figura 03. Flujograma del Proceso de Toma de Decisiones para el Jefe del rea de
Admisin de la Universidad Autnoma del Per. (AS-IS)
-5-
A. Castaeda
El Proceso muestra problemas en:
Mala utilizacin del sistema a la hora de ingresar la informacin.
Demora en el rea de Admisin a la hora de realizar los reportes, ya que algunos

de ellos no se encuentran en el sistema y lo tienen que realizar en Excel y eso
demora a la hora de enviar la informacin al Jefe de Admisin.
Faltan agregar reportes importantes para la toma de decisiones.
Sistema lento a la hora de ejecutar los reportes por ciclo.
Comprensin de los reportes generados.
Tabla 01. Datos actuales de los indicadores.
INDICADORES
DATOS DE POST-PRUEBA(GC)
(Promedio)
Porcentaje de exactitud de la informacin

Tiempo en realizar los reportes
46,68%
25,63 Minutos
Porcentaje de malas decisiones tomadas
20,33%
Nmero de reportes solicitados por ciclo
4 reportes/ciclo
Comprensin de los reportes
Difcil
1.1.3 Enunciado del Problema

De qu manera el desarrollo de Business Intelligence, basado en la Metodologa de
Ralph Kimball, influir el Proceso de Toma de Decisiones en el rea de Admisin de
la Universidad Autnoma del Per?
1.2
TIPO Y NIVEL DE LA INVESTIGACIN

1.2.1 Tipo de Investigacin
Aplicada, porque se analiza como la variable independiente de la investigacin,
afecta al Proceso de Admisin en la Universidad Autnoma del Per que este caso es
la falta de la organizacin de la informacin, fuentes pobres de consulta, que
provocan problemas en la toma gil de decisiones, control y organizacin de la
informacin en el Proceso de Admisin. Razn por la cual se automatiz el control
de la informacin, centralizando en Business Intelligence y creando Reportes e
-6-
A. Castaeda
Indicadores Estratgicos que facilite el anlisis y consulta a los distintos usuarios de

la aplicacin.
1.2.2 Nivel de Investigacin
a) Descriptiva: Permite describir todos los datos, caractersticas que permite conocer
el Proceso de Admisin de la Universidad Autnoma del Per y poder as desarrollar
la Herramienta de Business Intelligence que permite mediante la manipulacin de
datos obtener informacin que sirva de apoyo al rea de Admisin, y conocer en qu
condiciones se encuentra el manejo de la informacin, as como tambin poder
determinar las mejores prcticas que se podran aplicar para el Proceso tcnico.
b) Correlacional: Se mide la influencia de la variable independiente sobre la
variable dependiente, para un modelo de control para la toma de decisiones
gerenciales tomando como solucin el Business Intelligence para mejorar el Proceso
de Admisin en la Universidad Autnoma del Per para la creacin de reportes e
Indicadores de Control.
1.3
JUSTIFICACIN E IMPORTANCIA
En la actualidad, la informacin de las empresas es una herramienta clave para poder

sobrevivir en un mercado cambiante.
Aprender a competir con esta informacin generando conocimiento es fundamental para la
toma de decisiones, que se ha vuelto un potencial de ventaja competitiva para las empresas
en el futuro.
Relevancia Social: La finalidad de este proyecto es beneficiar y automatizar todo el
Proceso de Admisin de la Universidad Autnoma del Per; que beneficia en el servicio de
calidad con una herramienta que cumpla las expectativas del rea de Admisin, con ello
eliminar las deficiencias en tiempo en el entorno administrativo y tcnico con un manejo
rpido y eficaz de la informacin que puedan mejorar en la toma de decisiones.
Implicaciones Prcticas: Actualmente las universidades tienen y proporcionan gran
cantidad de informacin dentro del aspecto acadmico de manera transaccional, la cual no
es aprovechada de una manera eficiente y cae en el problema de no tomar una buena
decisin oportuna estratgica.
La informacin debe manifestarse de manera estructurada con el fin de transformarla en
conocimientos, para lo cual inteligencia de negocios es una solucin, tratando de englobar
-7-
A. Castaeda
todo el sistema de informacin de la Institucin para la toma de decisiones, Proceso

necesario en el logro de la organizacin de una ventaja competitiva.
Conveniencia: Tiene la funcionalidad de colocar los datos al alcance de los responsables
de la toma de decisiones, utilizando herramientas que extraigan los datos de la mejor
manera para posteriormente almacenarlos en un repositorio optimizando la entrega de
informacin de forma rpida y resumida que haga posible un anlisis detallado y completo
de los indicadores referente al mbito acadmico del Proceso de Admisin.
1.4
OBJETIVOS DE LA INVESTIGACIN
1.4.1 Objetivo General
Desarrollar Business Intelligence, basado en la Metodologa de Ralph Kimball, para
mejorar el Proceso de Toma de Decisiones en el rea de Admisin de la Universidad
Autnoma del Per.
1.4.2 Objetivos Especficos
a) Realizar un diagnstico de la naturaleza del negocio.
b) Identificar los requerimientos de anlisis de informacin del Proceso de Admisin
de la Universidad Autnoma del Per.
c) Analizar las diferentes fuentes de informacin para determinar la creacin del
modelo de base de datos multidimensional.
d) Realizar de manera eficiente el Proceso de ETL (Extraccin, Transformacin y
Carga de Datos).
e) Elaborar cubos, reportes e indicadores que sea fcil de generar, mantener y
desplegar para la toma de decisiones en el rea de Admisin.
1.5
HIPTESIS
Si se desarrolla Business Intelligence, utilizando la Metodologa de Ralph Kimball,

entonces mejorar el Proceso de Tomas de Decisiones en el rea de Admisin de la
Universidad Autnoma del Per.
1.6
VARIABLES E INDICADORES
1.6.1 Variables
A) Variable Independiente: Business Intelligence.
B) Variable Dependiente: Proceso de Toma de Decisiones en el rea de Admisin
de la Universidad Autnoma del Per.
-8-
A. Castaeda
1.6.2 Indicadores
A. Conceptualizacin
Variable Independiente: Business Intelligence.
Indicador: Presencia Ausencia
Descripcin: Cuando es No, es porque no existe el Business Intelligence en la
Universidad Autnoma del Per y an nos encontramos en la situacin actual del
problema. Cuando es SI, es cuando se aplic el Business Intelligence en la
Universidad Autnoma del Per, esperando obtener mejores resultados.
Variable Dependiente: Proceso de Toma de Decisiones en el rea de Admisin de

la Universidad Autnoma del Per.
Indicadores
Porcentaje
de
Descripcin
exactitud
de
la Es el porcentaje de exactitud de la
informacin
informacin en los reportes.
Tiempo en realizar los reportes
Es el tiempo que se utiliza para realizar

los reportes.
Porcentaje
de
malas
decisiones Es el porcentaje de malas decisiones
tomadas
tomadas por el Jefe de Admisin.
Nmero de reportes solicitados por Es el nmero de reportes solicitados por

ciclo
el Jefe de Admisin.
Comprensin de los reportes
Es el entendimiento de los reportes.
B. Operacionalizacin
Variable Independiente: Business Intelligence.
Indicador
ndice
Presencia- Ausencia
No , S
-9-
A. Castaeda
Variable Dependiente: Proceso de Toma de Decisiones en el rea de Admisin de

Indicadores
ndice
Unidad de Medida
Unidad de
Observacin
Porcentaje
exactitud
de
de
[40 - 55]
% de exactitud de los Reportes
la
datos
informacin
Tiempo en realizar
[20 - 30]
Minutos
[10 - 30]
Reloj
los reportes
Porcentaje
malas
de
decisiones
de
malas
de Jefe de Admisin
decisiones tomadas.
tomadas
Nmero
de
[3 - 5]
reportes solicitados
de
reportes Jefe de Admisin
solicitados /ciclo
por ciclo
Comprensin
de
los reportes
1.7
Fcil, Normal,
Jefe de Admisin
Difcil
LIMITACIONES DE LA INVESTIGACIN
La presente investigacin no cuenta con mucho acceso a la informacin sobre el
Proceso de Toma de Decisiones en el rea de Admisin de la Universidad
Autnoma del Per.
El tiempo para la limpieza de la base de datos del rea de Admisin.
1.8
DISEO DE LA INVESTIGACIN
Diseo de Post-Prueba con grupo de control:

La manipulacin de la variable independiente alcanza 2 niveles, presencia y ausencia.
Ge
O1
Gc
--
O2
-10-
A. Castaeda
Dnde:
Ge = Grupo Experimental: Grupo de estudio al que se le aplica el estmulo

(Business Intelligence).
Gc = Grupo de Control: Grupo de estudio al que no se le aplica el estmulo

(Business Intelligence).
O1 = Datos de la Post-Prueba para los indicadores de la variable dependiente:

Mediciones Post-Prueba del grupo experimental.
O2 = Datos de la Post-Prueba para los indicadores de la variable dependiente:

Mediciones Post-Prueba del grupo de control.
X = Business Intelligence = Estmulo o condicin experimental.
-- = Es la falta de estmulo o condicin experimental.
Descripcin:
Se trata de la confrontacin de forma intencional de un grupo Ge conformado por las
personas que toman decisiones en el proceso de Admisin en la Universidad Autnoma del
Per, al que le aplic un estmulo Business Intelligence (X), luego del cual se le aplica una
prueba posterior a los indicadores de la variable dependiente (O1). A un segundo grupo
(Gc), tambin conformado intencionalmente por las personas que toman decisiones en el
proceso de Admisin en la Universidad Autnoma del Per, al que no se le administra
estmulo alguno, sirviendo slo como grupo de control; en forma simultnea se le aplica
una prueba a los indicadores de la variable dependiente (O2), se espera que los valores O1
sean mejores que los valores O2.
Los dos grupos estn constituidos de forma intencional pero representadas estadsticamente
tanto en ausencia como en presencia del Business Intelligence propuesto.
-11-
1.9
TCNICAS
A. Castaeda
INSTRUMENTOS
PARA
RECOLECCIN
DE
INFORMACIN
A) Tcnicas e Instrumentos de la Investigacin de Campo
TCNICAS
INSTRUMENTOS
1. Observacin Directa
Jefe de Admisin
Reporte de Admisin
2. Realizacin de Entrevistas
Estructurada
Formato de entrevistas
Dirigidas
Grabaciones
3. Aplicacin de Cuestionarios
Abierto
Cuestionario(documento)
Cerrado
B) Tcnicas e Instrumentos de la Investigacin Experimental
TCNICAS
INSTRUMENTOS
Uso de grupos experimentales y de control
Fichas de Benchmarking
Seguimientos de Estrategias de mejora de Herramientas de explotacin de datos

Toma de Decisiones del rea de Admisin (Software)
C) Tcnicas e Instrumentos de la Investigacin Documental

TCNICAS
INSTRUMENTOS
Revisin de:
Libros
Impresiones
Revistas
Fotocopias
Tesis
Computadora
Monografas: Virtuales
Libreta de apuntes
-12-
CAPTULO II
MARCO REFERENCIAL
Vale ms saber alguna cosa de todo,

que saberlo todo de una sola cosa.
Blaise Pascal
CAP. II: MARCO REFERENCIAL
2.1
A. Castaeda
ANTECEDENTES DE LA INVESTIGACIN
A. Tesis
1) Autores: Gabriela Paola Basantes Espinoza.
Daniel Eduardo Lpez Galarza.
Ttulo: Estudio de la Aplicacin de Inteligencia de Negocios en los Procesos Acadmicos
Caso de Estudio Universidad Politcnica Salesiana.
Resumen:
La presente tesis: Estudio de la aplicacin de Inteligencia de Negocios en los Procesos
Acadmicos. Caso de estudio: Universidad Politcnica Salesiana, es creada como apoyo a
la toma de decisiones de la Universidad Politcnica Salesiana a travs de una aplicacin
web, la construccin de la aplicacin implica la implantacin de un Data Warehouse de los
Procesos acadmicos.
Inicialmente, y dentro del alcance del proyecto de la tesis, dicha construccin se encuentra
comprendida dentro del mismo. Este trabajo es fundamental para el Proceso de desarrollo
de aplicaciones en el rea de inteligencia de negocios de la universidad.
El objetivo principal es proveer una aplicacin software del tipo de inteligencia de
negocios, que brinde el soporte a las necesidades de informacin como apoyo en la
generacin de conocimiento para la universidad ya que esta mueve un mercado altamente
competitiva donde cubrir las necesidades es primordial; siendo directamente proporcional a
la capacidad de la universidad de crear, capturar, manejar y generar conocimiento e
incorporar las mejores prcticas , con el fin de aadir valor a cada eslabn de su
productividad.
Fue desarrollado en un ambiente Web por medio de ASP.net para la vinculacin de los
Servicios de Anlisis y Servicios de Reportes cuenta con una interfaz amigable y dinmica
que ayuda al usuario un fcil entendimiento y manejo del mismo permitiendo as su fcil
capacitacin del rea acadmica.
-14-
A. Castaeda
2) Autores: Melvin Gilberto Campos Meja.

Cecilia Elizabeth Guevara Ayala.
Ana Lissette Rosales Inestroza.
Ttulo: Data Warehouse del Registro Acadmico de la Universidad Centroamericana Jos
Simen Caas.
Resumen:
El presente trabajo de tesis aplica la tecnologa de Data Warehouse a la unidad de Registro
Acadmico de la Universidad Centroamericana Jos Simen Caas (UCA).
La idea de la implementacin de un Data Warehouse para la unidad de Registro
Acadmico, surge a partir de las necesidades de informacin que presentan los Decanos
y Coordinadores de Carrera de la Universidad, para evaluar y observar el rendimiento
y la poblacin acadmica de los estudiantes de cada una de las carreras que dirigen.
Cuenta con un Sistema de Informacin Acadmica que registra las labores acadmicas
que se desarrollan en la Universidad, entre estas: registro de nuevos alumnos,
inscripcin de materias, rendimiento de los estudiantes, etc. Este sistema adems,
proporciona a los usuarios reportes que reflejan la situacin de las actividades
anteriormente descritas.
Con estos reportes, los Decanos y Coordinadores de Carrera realizan sus propios
informes para poder analizar la situacin actual de la Facultad o Carrera que dirigen y,
en base a estos, tomar decisiones importantes para el mejor funcionamiento de su unidad.
Los anlisis y reportes que se elaboran actualmente no permiten realizar comparativas con
datos histricos, pues no se cuenta con las herramientas necesarias para hacerlo y la
informacin almacenada no es suficiente.
Se requiere de un sistema que integre la informacin acadmica de manera que facilite,
agilice y mejore la elaboracin de reportes para realizar un mejor anlisis que ayude a la
toma de decisiones, por ello se propuso desarrollar un Data Warehouse para el Registro
Acadmico.
A partir del trabajo realizado se logr determinar que existe poco conocimiento acerca de
los sistemas de soporte a la toma de decisiones, sin embargo, se pudo comprobar las
ventajas que estos pueden proporcionar a las empresas u organizaciones, por tanto, la
implementacin de un Sistema de Data Warehouse dentro de la Universidad le permite
estar a la vanguardia en el rea de Inteligencia de Negocios.
-15-
A. Castaeda
B. Libros
3) Autor: Jonathan David Nima Ramos.
Ttulo: Soluciones de Inteligencia de Negocios a su alcance: Fundamentos y Casos de
Aplicacin.
Resumen:
El presente libro presenta las ventajas significativas de utilizar sistemas de inteligencia de
negocios teniendo como base fundamental las bodegas de datos; detalla los pasos
necesarios para disear un Data Warehouse que es la herramienta fundamental de los
sistemas de procesamiento analtico y concluye con un caso de aplicacin desarrollado por
el autor que afianza los conceptos explicados.
El principal problema dentro de una empresa es que existen muchos datos y muy poca
informacin. Eso significa un alto volumen de datos y necesidades de respuesta rpida que
exige un anlisis complejo con consultas imposibles de prever y un ambiente de negocio en
cambio constante.
El soporte a las decisiones en el modelo tradicional ha generado un impacto negativo sobre
los sistemas operacionales y los analistas de negocios se vuelven PROGRAMADORES,
originando que las reglas de negocio no sean compartidas y los datos no estn disponibles.
En lugar de construir sistemas para el apoyo del negocio, se dedican muchas veces slo a
resolver problemas operacionales del mismo y operar sus sistemas con ms eficiencia,
soportando ms usuarios concurrentes, sin pensar en los sistemas y datos como importantes
activos de la empresa que podran ayudarla a ser ms competitiva en el mercado mediante
la explotacin de los mismos.
Es importante acotar la importancia de la forma en que se visualizacin los datos pues es
una gran ayuda para las personas que toman las decisiones en la Organizacin tener
reportes que engloben informacin relevante, consistente y fcil de entender.
-16-
A. Castaeda
4) Autor: Josep Curto.

Ttulo: Introduccin al Business Intelligence.
Resumen:
El presente libro introduce los principales conceptos de la inteligencia de negocio a travs
de las fases de diseo de un proyecto de este tipo y constituir una slida base de
adquisicin de conocimientos ms profundos.
Business Intelligence (o Inteligencia de Negocio) es un concepto complejo. No por su
definicin, que es sencilla de enunciar y comprender, sino principalmente por el hecho que
en el mismo confluyen una gran cantidad de tecnologas, metodologas, Procesos y
estrategia que complican sobremanera la iniciacin al nefito.
Adems, a lo largo del ciclo de vida de estos sistemas de informacin, se incrementa la
complejidad de la arquitectura as como las necesidades de negocio y las tecnologas que
las soportan.
Sin embargo, la gran mayora de organizaciones necesitan actualmente de este tipo de
sistemas de informacin para tomar mejores decisiones y ser ms competitivas y han
identificado al Business Intelligence como una de las principales necesidades.
Y es por ello, que es necesario poder construir soluciones slidas a partir de conocimientos
profundamente asentados.
El objetivo de este libro es introducirse en el mundo de la inteligencia de negocio, que
explican los principales conceptos, tcnicas y tecnologas utilizadas en los Procesos de BI.
Por lo tanto se centra en cmo crear un Data Warehouse para almacenar los datos de una
empresa en una representacin que facilite la extraccin de informacin, en cmo
identificar, transformar y cargar los datos de las bases de datos de la empresa en el data
Warehouse creado en el Proceso anterior, en como extraer informacin a partir de los datos
almacenados en el Data Warehouse y en como presentar la informacin obtenida por los
sistemas OLAP para facilitar su lectura y rpida comprensin.
Finalmente nos presenta claramente cules son los factores que durante estos ltimos aos
estn dirigiendo la evolucin de los sistemas de inteligencia de negocio y las tendencias
que esos sistemas estn tomando.
-17-
A. Castaeda
C. Artculos
5) Autores: Luis Fuentes Tapia.
Ricardo Valdivia Pinto.
Ttulo: Incorporacin de Elementos de Inteligencia de Negocios en el Proceso de
Admisin y Matrcula de una Universidad Chilena.
Resumen:
El presente artculo describe un Proceso orientado a la incorporacin de elementos de
Inteligencia de Negocios (Business Intelligence) en la Universidad de Tarapac (UTA),
Arica, Chile. Con este fin, se implement un Data Mart (DM) centrado en el rea de
Admisin y Matrcula de la Vicerrectora Acadmica.
Su desarrollo requiri de la realizacin de actividades tales como la obtencin de los
requerimientos del negocio, la investigacin del indicador clave de rendimiento (KPI) del
rea, el anlisis de las distintas fuentes de informacin interna y el desarrollo de un
modelado Dimensional basado en el esquema estrella de Kimball.
Para la correcta implementacin e integracin de este repositorio de datos se debi realizar
un Proceso de extraccin, transformacin y carga (ETL) a partir de dos fuentes de datos.
La creacin de este DM permiti que los usuarios de la Vicerrectora Acadmica pudieran
visualizar la informacin que requeran a travs de herramientas de procesamiento analtico
en lnea (OLAP).
Complementndose, adems, con herramientas para la generacin de reportes y
herramientas para la creacin de dashboards.
La integracin de estos elementos conform una plataforma de inteligencia de negocios,
que permite dar soporte a los requerimientos de informacin y anlisis asociados al
Proceso de admisin y matrcula.
Finalmente, se espera que el Proceso de toma de decisiones del rea de admisin mejore
con el uso de esta herramienta BI. Los usuarios asociados a Procesos de toma de decisiones
podrn contar con una herramienta que mejora la visualizacin y anlisis de la informacin
ms relevante.
-18-
A. Castaeda
6) Autores: Noel Juipa Camp.

Pedro C. Trujillo Natividad.
Marco A. Canales Aguirre.
Ttulo: Diseo e Implementacin de Inteligencia de Negocios en la FIIS UNAS para
mejorar los Servicios de Atencin a los Usuarios.
Resumen:
El presente artculo describe sobre la Inteligencia de Negocios que hoy en da tiene una
influencia directa y positiva en el rendimiento de las organizaciones ya que mejoran
sustancialmente en su capacidad para cumplir con la misin de tomar decisiones ms
inteligentes en cada nivel de la organizacin, desde la estrategia institucional hasta los
Procesos operacionales.
En la Universidad Nacional Agraria de la Selva (UNAS), que es una organizacin pblica
educativa que busca cumplir sus objetivos tanto en el mbito de la formacin de
profesionales competitivos en la investigacin as como el promover el desarrollo de
nuestra sociedad partiendo desde s misma por este motivo tiene la obligacin de tomar
decisiones adecuadas de manera oportuna para mejorar los servicios de atencin a los
usuarios, siendo uno de ellos los alumnos. Es as que el presente trabajo de investigacin
pretende dar la iniciativa del uso de la Inteligencia de Negocios en la UNAS partiendo de
Facultad de Ingeniera en Informtica y Sistemas (FIIS) con la finalidad de mejorar los
servicios de atencin a sus alumnos entre los que podemos mencionar disminuir el tiempo
de respuesta a solicitudes de los alumnos, consultas del rendimiento acadmico y horario;
lo cual trae como consecuencia la mejora del rendimiento acadmico ya que se puede
conocer de manera integral al alumno adems de permitir la gestin adecuada de la FIIS.
En la Facultad de Ingeniara en Informtica y Sistemas de la UNAS, se dise e
implemento la Inteligencia de Negocios, la cual en la primera parte se realiza la bsqueda
de informacin para establecer los parmetros de la investigacin as como la eleccin
adecuada de las herramientas a utilizar para la implementacin de Inteligencia de negocios;
en la segunda parte se realiza el anlisis, diseo del Datamart, Proceso de extraccin,
transformacin y carga de datos, creacin del cubo para la implementacin de Inteligencia
de negocios; en la tercera parte se trata sobre la explotacin de cubo y la interpretacin de
los grficos arrojados por la herramienta Excel para mejorar los servicios de atencin a los
usuarios de la FIIS-UNAS.
-19-
2.2
A. Castaeda
MARCO TERICO
A) Inteligencia de Negocios
Es el Proceso mediante el cual las organizaciones segmentan, unifican, jerarquizan y
definen contextos sobre la informacin, con la finalidad de identificar la informacin ms
relevante y representativa para la organizacin.
Inteligencia de Negocios es una disciplina que, junto con sus correspondientes
herramientas, hacen centro en el anlisis de la informacin para la correcta toma de
decisiones que le permita a la organizacin cumplir con los objetivos de negocios.1
Ventajas de Inteligencia de Negocios

Crear escenarios favorables tendientes a lograr una ptima toma de decisiones.
Ayuda a mejorar la eficiencia operacional. Al reestructurar la informacin con esta
herramienta se reducen los tiempos de procesamiento y respuesta de las base de datos,
ya que todo est en un solo punto y organizado para cada rea con los datos ms
representativos que el negocios requiere.
El usuario final no necesita tener conocimientos para la generacin de nuevos informes.
Evita los largos tiempos de respuesta en las consultas de datos complejos que implican
la unin de tablas operacionales de gran tamao, lo que a su vez representa un tiempo de
espera que obstruye la fluidez del trabajo.
Evita datos errneos, obsoletos, ya que stos han sido previamente analizados y
depurados, lo que garantiza calidad y fiabilidad de la informacin obtenida.
Desventajas de Inteligencia de Negocios:

Saturacin en los Data Warehouse ya que crecen los datos de manera desproporcionada
porque los tcnicos del rea no consiguen decir no a las excesivas demandas de los
usuarios.
Extraccin, transformacin y carga de la informacin cuando los datos de origen no
estn limpios, existe duplicidad, caracteres errneos, lo cual implica un Proceso ms
costoso, de mayor tamao y con menor rendimiento.2
1
2
Nima, J., Soluciones de Inteligencia de Negocios: Fundamentos y Casos de Aplicacin, Ed.Eumed, 2009, p. 84.
dem, p. 128.
-20-
A. Castaeda
Figura 04. Inteligencia de Negocios (antes y despus).
Componentes y Arquitectura del BI

La arquitectura de Inteligencia de Negocios est compuesta de diferentes tecnologas que
se integran para formar una solucin empresarial. Los componentes estn orientados a la
transformacin de los datos en informacin oportuna y confiable para el usuario final.3
Figura 05. Componentes de la Arquitectura de Inteligencia de Negocios.
Curto, J., Introduccin al Business Intelligence, Ed. UOC, 2010, pp. 24-26.
-21-
A. Castaeda
Funciones de la base de datos Relacional

Son base de datos que almacena la informacin en forma de tabla en dos Dimensiones,
creando en forma de uniones, relaciones entre estas tablas; tambin llamada simplemente
relacional.
Se encarga de realizar la depuracin y homogenizacin de los datos.
Almacenamiento de datos (hasta el nivel de detalle mximo y recogiendo datos actuales
e histricos).4
Funciones de la Base de Datos Multidimensional

Son bases de datos ideadas para desarrollar aplicaciones muy concretas, como creacin de
cubos OLAP (Procesamiento Analtico en Lnea). La diferencia entre las bases de datos
relacionales es a nivel conceptual; en las bases de datos multidimensionales los campos o
atributos de una tabla pueden ser de dos tipos, o bien representan Dimensiones de la tabla,
o bien representan mtricas que se desean estudiar:
Velocidad de acceso y consulta.
Capacidad de anlisis desde varios puntos de vista (Dimensiones de anlisis).
ANLISIS DE LOS COMPONENTES DE INTELIGENCIA DE NEGOCIOS

Fuentes de Informacin
Hay diferentes fuentes de informacin a las que se permite acceder y con las que se puede
alimentar a un Data Warehouse, y son las que se detallan a continuacin:
Los sistemas operacionales o transaccionales, que incluyen aplicaciones desarrolladas a
medida, ERP (planificacin de recursos empresariales), CRM (la administracin basada
en la relacin con los clientes), SCM (administracin de la cadena de suministros).
Fuentes de informacin externa, facilitadas por terceros que son fundamentales para
enriquecer la base de datos que tenemos de nuestros clientes.5
Proceso de Extraccin, Transformacin y Carga (ETL)

Este Proceso est encargado de recuperar los datos de las fuentes de informacin y
alimentar al Data Warehouse, por lo que se convierte en un Proceso primordial en la
gnesis de todo proyecto. Por ello requiere de ingentes recursos, estrategias, y tecnologas
4
5
dem, p. 50.
dem, p. 54.
-22-
A. Castaeda
para lograrlo (Proceso ETL). El tiempo que ocupa realizar todo este Proceso, representa
entre el 60% y el 80% de un proyecto de inteligencia de negocios. El Proceso ETL se
divide en 5 subprocesos:
Extraccin: Este procedimiento consiste en realizar la recuperacin de los datos
fsicamente de las distintas fuentes de informacin.
Limpieza: Permite la recuperacin de los datos en bruto y comprobacin de su calidad,
eliminando los duplicados y, cuando sea posible, corrigiendo los valores errneos y
completando los datos inexistentes.
Transformacin: Este Proceso se encarga de realizar la recuperacin de los datos
limpios y de alta calidad en las distintas etapas del anlisis. El resultado es la obtencin
de datos limpios, consistentes, sumarizados y tiles.
Integracin: Este Proceso consiste en verificar si los datos que ingresan en el Data
Warehouse son consistentes con las definiciones y formatos. Si es as, los integra en los
modelos de las distintas reas de negocios que hemos definido en el mismo. Estos
Procesos pueden ser complejos.
Actualizacin: Este Proceso es el que nos permite aadir los nuevos datos al Data
Warehouse.6
Data Warehouse o Almacn de Datos

Un Data Warehouse es una coleccin de informacin creada para soportar las aplicaciones
de toma de decisiones.
Tabla 02. Diferencias entre las bases de datos transaccionales y los almacenes de datos.
PARMETROS
Propsito
BASE DE DATOS
Operaciones
diarias.
TRANSACCIONAL
Soporte
a las aplicaciones.
ALMACN DE DATOS
Recuperacin
de
informacin,
informes, anlisis y minera de datos.
Tipo De Datos
Datos de funcionamiento de
la organizacin.
Datos tiles para el anlisis, la

sumarizacin, etc.
Caractersticas
de los Datos.
Datos de funcionamiento,
cambiantes, internos.
Datos histricos, datos internos y

externos, datos descriptivos.
Modelo de Datos
Datos normalizados.
Datos en estrella, en copo de nieve,

parcialmente desnormalizados.
Multidimensionales.
Basantes, G. et al., Estudio de la Aplicacin de Inteligencia de Negocios en los Procesos Acadmicos, 2010, p. 40.
-23-
Nmero y Tipo
de Usuarios
Acceso
A. Castaeda
Cientos/miles: aplicaciones, Directores, ejecutivos, analistas.

operarios, administrador de
la base de datos.
SQL. Lectura y escritura.
SQL y herramientas propias (slice &
dice, drill, roll, pivot). Lectura.
Caractersticas del Data Warehouse:

Orientado a un rea: significa que cada parte del Data Warehouse est construida para
resolver un problema de negocios, que ha sido definido por los tomadores de
decisiones. Para poder analizar un problema de negocios necesitamos informacin que
proviene de distintos sistemas y la organizamos entorno a las diferentes reas.
Integrado: La informacin debe ser transformada en medidas comunes, cdigos comunes
y formatos comunes para que pueda ser til. La integracin permite a las organizaciones
implementar la estandarizacin de sus definiciones.
Indexado en el tiempo: significa que se mantiene la informacin histrica y se almacena
referida a determinadas unidades de tiempo, tales como horas, das, semanas, meses,
trimestres o aos.
No voltil: significa que los usuarios no la mantienen, como lo haran en los entornos
transaccionales comunes. La informacin se almacena para la toma de decisiones. No se
va actualizando continuamente, sino peridicamente, de forma preestablecida.7
Estructura del Data Warehouse

Los Data Warehouse tienen una estructura distinta. Hay niveles diferentes de
esquematizacin y detalles que limitan al Data Warehouse.
Figura 06. Estructura de los datos de un Data Warehouse.

7
dem, pp. 79-80.
-24-
A. Castaeda
Ventajas del Data Warehouse

Se puede ejecutar o procesar una gran cantidad de informacin. Rapidez y flexibilidad
al momento de acceder a la informacin.
Mejora la toma de decisiones y el aumento de la productividad en una empresa, puesto
que permite conocer los resultados, sean estos positivos o negativos, evaluando de esta
forma los tiempos de respuesta y los costos de operaciones.
Es fiable la comunicacin entre los diferentes departamentos de la empresa.8
Desventajas del Data Warehouse

El Data Warehouse realiza una restructuracin de los sistemas operacionales, lo que
implica altos costos.
Es necesario de aplicaciones, sistemas, y almacenamientos especficos.
Presenta revisiones continuas de los modelos de datos, objetos, transacciones, lo que
provoca que el diseo sea complejo.9
Datamart
Un Datamart es una base de datos departamental, especializada en el almacenamiento de
los datos de un rea de negocios especfica. Se caracteriza por disponer la estructura
ptima de datos para analizar la informacin al detalle desde todas las perspectivas que
afecten a los Procesos de un departamento. Un Datamart puede ser alimentado desde los
datos de un Data Warehouse o integrar por s mismo un compendio de distintas fuentes de
informacin.
Un Datamart es considerado un elemento de un Data Warehouse, pero con informacin de
un rea en especfico de la organizacin.10
Figura 07. Estructura de los datos de un Datamart.

8
http://www.usmp.edu.pe/publicaciones/boletin/fia/info46/sistemas/articulo6.htm.
Campos, M., Data Warehouse del Registro Acadmico de la Universidad Centroamericana, 2006, pp. 30-32.
10
dem, p. 36.
9
-25-
A. Castaeda
Ventajas del Datamart

Un Datamart soporta menos usuarios que un Data Warehouse, dado esto se puede
optimizar para recuperar ms rpidamente los datos que necesitan los usuarios.
Menores cantidades de datos implican que se procesen antes, tanto las cargas de datos
como las consultas.
La aplicacin cliente, que pide la consulta es independiente del servidor que la
procesa y del servidor de bases de datos que almacenan la informacin.
Los costos que implica la construccin de un Datamart son mucho menores a los de la
implementacin de un Data Warehouse.
Desventajas del Datamart

No permite el manejo de grandes volmenes de informacin por lo que muchas veces
se debe recurrir a un conjunto de Datamart para cubrir todas las necesidades de
informacin de la empresa.11
Esquema de Estrella
Para facilitar el anlisis, el Datamart organiza los datos en una estructura llamada
Esquema de Estrella. Esta estructura est compuesta por una tabla central (tabla de
hechos) y un conjunto de tablas organizadas alrededor de sta (tabla de dimensiones).
En las puntas de la estrella se encuentran las tablas de dimensin que contiene los
atributos de las aperturas que interesan al negocio que se pueden utilizar como criterios de
filtro y son relativamente pequeas. Cada tabla de dimensin se vincula con la tabla de
hechos por un identificador.12
Figura 08. Esquema del modelo estrella.
11
12
dem, p. 38.
Fuentes, L. et al., Incorporacin de Inteligencia de Negocios, en Art. Sist. de Informacin Cientfica (2010) pp. 383-394.
-26-
A. Castaeda
Las caractersticas de un esquema de estrella son:

El centro de la estrella es la tabla de hecho.
Los puntos de la estrella son las tablas de dimensiones.
Cada esquema est compuesto por una sola tabla de hechos.
Generalmente es un esquema totalmente des normalizado, pudiendo estar
parcialmente normalizado en las tablas de dimensiones.
Diferencia entre Esquema de Estrella y el Copo de Nieve

En la siguiente tabla se detalla las diferencias entre un Esquema de Estrella y Esquema de
copo de nieve:13
Tabla 03. Diferencia entre Esquema de Estrella y Esquema de Copo de Nieve.

Esquema de Estrella
Copo de Nieve
Almacenamiento
Aumenta el espacio
Ahorra el espacio
Consultas
Mejora el rendimiento
Aumenta la cantidad de uniones

entre tabla provocando bajo
rendimiento.
Cantidad de Tablas
Menor
Mayor
ESTRUCTURA DEL DATAMART

Tabla de Hechos
La tabla de hechos es la tabla primaria del modelo dimensional, y contiene los
valores del negocio que se desea analizar, cada tabla de hechos contiene las claves
externas que se relacionan con sus respectivas tablas de dimensiones.
El modelo dimensional divide el mundo de los datos en dos grandes tipos: las medidas y
las dimensiones de estas medidas. Las medidas, siempre son numricas, se almacenan en
las tablas de hechos y las dimensiones que son textuales se almacenan en las tablas de
dimensiones.
Un hecho es un concepto de inters primario para el Proceso de toma de decisiones,
corresponde a eventos que ocurren dinmicamente en el negocio de la empresa.14
13
14
dem, p. 40.
Curto, J., Introduccin al Business Intelligence, Ed. UOC, 2010, pp. 180-190.
-27-
A. Castaeda
Dimensin
Las dimensiones son las que organizan los datos en funcin de un rea de inters para
los usuarios, cada dimensin describe un aspecto del negocio y proporciona el acceso
intuitivo y simple a datos, una dimensin provee al usuario de un gran nmero de
combinaciones e intersecciones.
Las tablas de dimensiones son las compaeras de las tablas de hechos, cada dimensin se
define por su clave primaria que sirve para mantener la integridad referencial en la tabla
de hechos a la que se relaciona. Un cubo requiere que se defina al menos una dimensin
en su empresa.
Medidas
Las medidas dentro de la construccin de un Datamart son los valores de datos que se
analizan. Estas medidas pueden ser cuantitativas o numricas, dentro de la tabla de hechos,
permitiendo analizarlos ya que estos valores son la base de las cuales el usuario puede
realizar clculos.
Las medidas representan los valores que son analizados, como por ejemplo: cantidad de
pacientes admitidos o llamadas efectuadas.15
Tecnologas OLTP y OLAP
Sistemas OLTP
Estos tipos de sistemas de Procesamiento Transaccional en Lnea son los sistemas
operacionales que capturan las transacciones de los Procesos de una empresa, y las
persisten en estructuras relacionales llamadas base de datos.
Caractersticas de OLTP
Realizar transacciones en tiempo real del Proceso de un negocio.
Estos sistemas son los responsables del mantenimiento de los datos, ya sea agregando,
realizando, actualizaciones o bien eliminndolos.
Las estructuras de datos deben estar depuradas para validar la entrada de los mismos, y
rechazarlos si no cumplen con determinadas reglas.16
15
16
http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/Cutro_trabajo_adsc_DAD_2010.pdf.
Juipa, N. et al., Diseo e Implementacin de Inteligencia de Negocios FIIS, en Art. Int. de Negocios (2011) pp. 1-20.
-28-
A. Castaeda
Usos Comunes de OLTP

Toda organizacin o empresa, lleva adelante sus objetivos diarios realizando un conjunto
de tareas que se encuentran cuidadosamente agrupadas dentro de Procesos. Un sistema
OLTP es utilizado en: Sistemas Bancarios, Procesamiento de pedidos, Comercio
electrnico, Sistemas de facturacin, Sistemas de stock.17
Sistemas OLAP
Los sistemas de Procesamiento Analtico en Lnea proporcionan una alternativa a los
sistemas transaccionales, ofreciendo una visin de los datos orientada hacia el anlisis y
una rpida y flexible navegacin de estos.
Caractersticas de OLAP
Los cubos de OLAP almacenan varios niveles de datos conformados por estructuras
altamente optimizadas que responden a las expectativas de negocios de la empresa.
Los sistemas OLAP estn preparado para realizar informes complejos de una manera
simple.
Los usuarios pueden cambiar fcilmente las filas, las columnas, y las pginas en
informes de OLAP, pudiendo leer la informacin de la manera que se crea ms
conveniente para el anlisis.
Usos Comunes de OLAP

Los sistemas OLAP, son utilizados por las empresas para conocer la historia del
negocio y poder realizar la toma de decisiones. Un sistema OLTP es utilizado en: Sistemas
de informacin ejecutivos (EIS).18
Tipos de Sistemas OLAP

Este sistema se clasifica segn las siguientes categoras que se detallan a continuacin:
Proceso de Anlisis en Lnea Relacional (ROLAP)
Implementacin que almacena los datos en un motor relacional. Tpicamente, los datos
son detallados, evitando las agregaciones y las tablas se encuentran normalizadas.
17
18
Basantes, G. et al., Estudio de la Aplicacin de Inteligencia de Negocios en los Procesos Acadmicos, 2010, p. 80.
dem, p. 90.
-29-
A. Castaeda
Proceso de Anlisis en Lnea Multidimensional (MOLAP)

Esta implementacin almacena los datos en una base de datos multidimensional. Para
optimizar los tiempos de respuesta, el resumen de la informacin es usualmente
calculado por adelantado.
Proceso de Anlisis en lnea Hbrido (HOLAP)
Almacena algunos datos en un motor relacional y otros en una base de datos
multidimensional. Los cubos al ser almacenados dentro de este modelo son ms
pequeos que en los modelos MOLAP y su respuesta es ms rpida que los ROLAP.19
Tabla 04. Ventajas y Desventajas de Tipo de Almacenamiento.

TIPO
VENTAJAS
DESVENTAJAS
Mejor performance en los tiempos de

MOLAP respuesta.
Duplica el almacenamiento de
datos
(ocupa
ms
espacio).
Tiempo de Latencia.
ROLAP
Ahorra espacio de almacenamiento. til
El
tiempo
de
cuando se trabaja con muy grandes
consultas es mayor.
respuesta
conjuntos de datos.
Buen tiempo de respuesta slo para
HOLAP informacin sumarizada.
Volmenes de datos ms grandes

en la base de datos relacional.
Movimientos en la Jerarqua de una Dimensin (Drill-Up, Drill-Down)

Una de las caractersticas del acceso a la informacin es la posibilidad de representarla a
diferentes niveles de agregacin. Esto se logra mediante las caractersticas conocidas como
Drill Down y Roll Up. Estas son tcnicas para navegar a travs de distintos niveles de
detalle de una jerarqua de datos, desde los de mayor nivel de agregacin (tambin
llamados datos sumarizados) hasta los ms detallados.
Drill Down explora los hechos hacia los niveles ms detallados de la jerarqua de
dimensiones, mientras que Roll Up explora los hechos iterativamente hacia el nivel ms
alto de agregacin.20
19
http://www.usmp.edu.pe/publicaciones/boletin/fia/info46/sistemas/articulo6.htm.
-30-
A. Castaeda
Figura 09. Ejemplo de Drill-Up y Drill-Down.
Software de Inteligencia de Negocios

Microsoft SQL Server 2014: Es un sistema de administracin y anlisis de bases de
datos relacionales de Microsoft para soluciones de comercio electrnico, lnea de
negocio y almacenamiento de datos.
Microsoft Integration Services: Es una plataforma para la creacin de soluciones
empresariales de transformaciones de datos e integracin de datos. Integration Services
sirve para resolver complejos problemas empresariales mediante la actualizacin de
almacenamientos de datos, la limpieza y minera de datos, y la administracin de
objetos y datos de SQL Server.Integration Services puede extraer y transformar datos de
muchos orgenes distintos, como archivos de datos XML, archivos planos y orgenes de
datos relacionales, y, posteriormente, cargarlos en uno o varios destinos.21
Microsoft Analysis Services: Ofrece funciones de procesamiento analtico en lnea
(OLAP) y minera de datos para aplicaciones de Business Intelligence. Analysis
Services admite OLAP y permite disear, crear y administrar estructuras
multidimensionales que contienen datos agregados desde otros orgenes de datos, como
bases de datos relacionales.
PowerPivot para Excel: Es un complemento de Excel 2010 que se utiliza para agregar
e integrar grandes cantidades de datos en libros de Excel. Los datos que agregue al libro
se almacenan internamente, como una base de datos incrustada PowerPivot dentro del
archivo .xlsx.
20
21
http://msdn.microsoft.com/es-es/library/ms141026.aspx.
-31-
Caractersticas de la Herramienta
Forma
parte
de
una
plataforma
integrada de Inteligencia de Negocios?
Si
No
Si
Si
Si
No
Si
Si
No
Si
Si
No
Si
No
Si
Si
Si
Si
No
Si
Si
No
Si
Si
Si
Si
No
Si
Tabla 05. Comparativa de herramientas de Inteligencia de Negocios.
La herramienta de extraccin posee

una interface grfica de uso?
Soporta diversos tipos de bases de
-32-
datos?
Permite cargas desde ficheros Excel,
XML y planos?
Requiere una fcil instalacin de la
herramienta?
La plataforma posee una herramienta
de
explotacin,
herramientas
de
reporting, herramientas de consultas y

anlisis?
sistemas para la herramienta?
-32-
A. Castaeda
Se encuentra fcilmente consultoras de
A. Castaeda
B) Proceso de Toma de Decisiones del rea de Admisin

La admisin es un procedimiento mediante el cual la Universidad decide quienes sern
beneficiados con la educacin y define su situacin de partida. Esto quiere decir que es
ms que un examen de seleccin, porque implica un conocimiento exhaustivo del aspirante
en cuanto a sus potencialidades, limitaciones, reas de mejora y posibilidades de xito en
su trayectoria universitaria.
Esta informacin permitir a la Institucin orientar al estudiante de nuevo ingreso en su
trayectoria dentro de la Universidad y proponerle estrategias para culminar su formacin
profesional satisfactoriamente. Sabemos que los alumnos que ahora ingresan a cualquier
Universidad egresarn de ella el prximo siglo en un entorno social diferente, con
escenarios sumamente cambiantes, por lo que se requiere una formacin slida que parta
de un perfil inicial conocido. Adems, es importante tomar en cuenta que existe una
tendencia creciente en el sentido de que las instituciones tendrn que adaptar cada vez ms
sus Procesos al estudiante, en lugar de elegir estudiantes para un conjunto de Procesos
preexistentes.
Debe retomarse la idea de considerar a la Admisin como un Proceso que abarca un doble
fin: por una parte, que la seleccin de los alumnos de nuevo ingreso a la Universidad se
realice con ms y mejores elementos de juicio y, por otra, conocer su perfil de partida de
manera individual y global. Slo as se logra saber con certeza cules son las
caractersticas fundamentales de los estudiantes, con la finalidad de incrementar aquellas
que puedan tener un efecto positivo en su desempeo acadmico, es decir, que les permitan
afrontar el estudio con ms posibilidades de xito y minimizar o manejar,
convenientemente las que tengan un efecto negativo.
Es importante conocer las caractersticas del futuro universitario con el propsito no slo
de seleccionarlo, sino de adquirir tambin informacin precisa que haga posible, en cada
facultad, orientar al alumno durante el Proceso educativo y disear, junto con otros
elementos, su propio currculum en condiciones que sean las ms favorables para ambos.
Esto significa que el alumno, en relacin con su trayectoria previa, sus conocimientos, sus
potencialidades y limitaciones, tenga la posibilidad de ir decidiendo, apoyado por su tutor,
cmo transitar por la universidad. Por lo tanto, la valoracin del aspirante no debe
depender slo de un examen de conocimientos y habilidades, que dado en un nico
momento, como ocurre actualmente, puede estar influido por diferentes circunstancias;
-33-
A. Castaeda
sino de un Proceso que involucre varias etapas donde se obtenga ms informacin sobre el
aspirante, por ejemplo su estado de salud, sus valores y sus actitudes. 22
Elementos fundamentales de la Gestin del rea de Admisin:
Propuesta del cronograma del Proceso de Admisin.
Presentacin del presupuesto para el Proceso de Admisin.
Elaboracin del prospecto de Admisin.
Publicidad del Proceso.
Inscripcin del postulante.
Elaboracin de los reportes y prueba de Admisin.
Publicacin de los resultados de Admisin.
C) Metodologa de Ralph Kimball

Ralph Kimball, es reconocido como uno de los padres del concepto de Data Warehouse, la
metodologa de Ralph Kimball se enfoca principalmente en el diseo de la base de datos
que almacenar la informacin para la toma de decisiones.
El diseo se basa en la creacin de tablas de hechos, es decir, tablas que contengan la
informacin numrica de los indicadores a analizar, o sea la parte cuantitativa de la
informacin para la toma de decisiones.
Las tablas anteriores se relacionan con tablas de dimensiones, las cuales contienen la
informacin cualitativa, de los indicadores, es decir, toda aquella informacin que
clasifique la informacin requerida.
A ste modelo de datos se le conoce como "diseo estrella", existen variaciones de ste,
llamados "copo de nieve" y "diseo flat". Todos estos diseos tienen la caracterstica de
preparar la informacin de acuerdo a la necesidad de tomar decisiones y no a los
argumentos tcnicos de espacio de almacenamiento.23
Porqu usar la Metodologa de Ralph Kimball: Conduce a una solucin completa en

una cantidad de tiempo relativamente pequea. Adems, debido a la gran cantidad de
documentacin que se puede encontrar y a los numerosos ejemplos aportados en diferentes
entornos, permite encontrar una respuesta a casi todas las preguntas que puedan surgir,
sobre todo cuando no se dispone de la experiencia previa necesaria.
22
23
http://www.uv.mx/universidad/doctosofi/nme/proc-admis.htm.
Campos, M., Data Warehouse del Registro Acadmico de la Universidad Centroamericana, 2006, pp. 120-122.
-34-
A. Castaeda
Etapas de su ciclo de vida:

Planificacin del Proyecto: El ciclo de vida comienza con la planificacin del proyecto.
Esta, se centra en la definicin y el alcance del Data Warehouse, incluyendo la valoracin
y la justificacin de los Procesos de negocios. Estas, son tareas crticas, debido a la alta
visibilidad y a los costos asociados con la mayora de proyectos de este tipo. Por ello, la
planificacin del proyecto se enfoca, en los recursos de la organizacin y en los requisitos
de las habilidades del personal, asociadas con la asignacin, duracin y seguimiento de las
tareas. El resultado integrado del plan del proyecto, identifica todas las tareas asociadas
con el Ciclo de Vida dimensional del Negocio y las partes involucradas. Esto, sirve como
primer paso para la administracin de un proyecto de Data Warehouse.
Definicin de los Requerimientos del Negocio: Para que el Data Warehouse tenga xito,
deben entenderse los negocios y requerimientos de los usuarios finales. Las tcnicas
utilizadas para obtener los requerimientos analticos difieren significativamente de las
utilizadas tradicionalmente. Los diseadores de Data Warehouse deben entender los
factores claves que guan el negocio para determinar efectivamente los requerimientos, y
as traducirlos en las propuestas de diseo.24
Diseo de la Arquitectura Tcnica: El medio ambiente del Data Warehouse requiere de

la integracin de numerosas tecnologas. Se necesitan considerar simultneamente, tres
factores los requerimientos del negocio, el ambiente tcnico actual y las estrategias
tcnicas planeadas para establecer el diseo de la arquitectura tcnica.
Seleccin de Productos e Instalacin: Usando el diseo de la arquitectura tcnica como

estructura de soporte, se necesita evaluar y seleccionar componentes especficos, tales
como: plataforma de hardware, sistema administrador de base de datos y las herramientas
de carga y de acceso a datos. Un Proceso de evaluacin tcnico, es realizado junto con la
evaluacin de factores especficos para cada uno de los componentes de la arquitectura.
Modelado dimensional: La definicin de los requerimientos del negocio, determina las

necesidades de datos de los usuarios. Para disear modelos de datos que soporten estos
anlisis, se necesita una aproximacin diferente a la utilizada en el diseo de sistemas
24
-35-
A. Castaeda
operacionales. Se inicia construyendo una matriz que representa los puntos o Procesos
claves del negocio y su dimensionalidad. Partiendo de esto se dirigir un anlisis ms
detallado de los datos en los sistemas operacionales ms relevantes. A partir de este
anlisis y junto con el entendimiento de los requerimientos obtenidos, se desarrolla un
modelo dimensional. Este modelo identifica la granularidad de la tabla de hechos (fact
table), las dimensiones asociadas, los atributos, jerarquas y datos. El diseo lgico de la
base de datos es completado con las estructuras de las tablas y las relaciones entre stas
(llaves primarias y forneas). Este grupo de actividades concluye con el desarrollo del
mapeo de datos, desde las fuentes de origen hacia las fuentes destino.
Diseo Fsico: El diseo fsico de la base de datos se enfoca en definir las estructuras
fsicas necesarias para soportar su diseo lgico. Los elementos principales de este Proceso
incluyen: definir los estndares de nombres y configurar el medio ambiente de la base de
datos. Las estrategias preliminares de indexamiento y particionamiento son tambin
determinadas.
Diseo y Desarrollo del Data Staging: Este Proceso es, tpicamente, la tarea de Data
Warehousing ms subestimada. El Proceso de data staging tiene tres pasos principales:
extraccin, transformacin y carga (ETL).
El Proceso de extraccin siempre expone problemas relacionados con la calidad de los
datos, estas inconsistencias se han encontrado ocultas dentro de los sistemas operacionales.
La calidad de los datos tiene un impacto significativo en la credibilidad del Data
Warehouse, por eso se necesita tratar estos problemas durante el Proceso del data staging.
Se necesita disear y construir dos Procesos de carga, uno para la poblacin inicial del
Data Warehouse y el otro para las cargas regulares e incrementales.
Especificaciones de las Aplicaciones del Usuario Final: Se recomienda definir un grupo

estndar de aplicaciones de usuario final ya que no todos los usuarios del negocio necesitan
tener un acceso particular (a la medida), al Data Warehouse. Las especificaciones de la
aplicacin describen la plantilla de los reportes, los parmetros de los usuarios y los
clculos requeridos. Estas especificaciones aseguran que el equipo de desarrollo y los
usuarios del negocio tienen un entendimiento comn de la aplicacin que se desarrolla.
-36-
A. Castaeda
Desarrollo de las Aplicaciones del Usuario Final: Siguiendo las especificaciones

anteriores, se inicia el desarrollo de las aplicaciones del usuario final, esta etapa, involucra
la configuracin de la herramienta de metadatos y la construccin de los reportes. Estas
aplicaciones deben ser construidas utilizando una herramienta avanzada de acceso a datos
que provea una productividad significativa al equipo de desarrollo. Adicionalmente, la
aplicacin debe proveer un mecanismo poderoso para que los usuarios puedan modificar
fcilmente las plantillas de los reportes ya existentes.
Implementacin: En esta etapa, se unifican los resultados de las tareas realizadas

anteriormente, para que el Data Warehouse sea accesible desde las computadoras de los
usuarios finales. La planificacin extensiva de este Proceso, es requerida para asegurar que
las piezas encajen apropiadamente. As mismo, la capacitacin de los usuarios debe
integrar todos los aspectos del desarrollo y los productos entregados. La comunicacin con
los usuarios, o las estrategias de retroalimentacin y soporte, deben ser establecidas antes
de que cualquier usuario tenga acceso al Data Warehouse.
Mantenimiento y Crecimiento: Despus de la implementacin inicial del Data

Warehouse, es necesario, continuar dando soporte y capacitacin a los usuarios del
negocio. Tambin se debe prestar atencin a los Procesos internos, asegurndose que
trabajen efectivamente en el Data Warehouse. Los niveles de aceptacin y de rendimiento
del Data Warehouse deben ser medidos y registrados todo el tiempo. Finalmente, el plan de
mantenimiento debe incluir una estrategia amplia de comunicacin, basada en el
acercamiento con los usuarios.
Administracin del Proyecto: Asegura que las actividades del ciclo de vida dimensional
se mantengan en la va correcta y en sintona. Las actividades de la administracin del
proyecto ocurren a travs de todo el ciclo de vida. Estas actividades se enfocan en
monitorear el estado de los proyectos, llevar un control de errores y un control de cambios
para preservar los objetivos del proyecto. Finalmente, la administracin del proyecto,
incluye el desarrollo de un plan de comunicacin, que se centra tanto en el negocio como
en la organizacin de los sistemas de informacin.25
25
Nima, J., Soluciones de Inteligencia de Negocios: Fundamentos y Casos de Aplicacin, Ed.Eumed, 2009, pp. 100-110.
-37-
A. Castaeda
Figura 10. Ciclo de vida del Business Intelligence.
-38-
CAPTULO III
DESARROLLO DE BUSINESS
INTELLIGENCE
El xito es fcil de obtener, lo difcil es merecerlo.

Albert Camus
CAP. III: DESARROLLO DE BUSINESS INTELLIGENCE
3.1
A. Castaeda
GENERALIDADES
Despus de definir la problemtica presente y establecer las causas que ameritan de un

nuevo sistema, es pertinente realizar un estudio de factibilidad para determinar la
infraestructura tecnolgica y la capacidad tcnica que implica la implantacin del sistema
en cuestin, as como los costos, beneficios y el grado de aceptacin que la propuesta
genera en la Institucin. Este anlisis permiti determinar las posibilidades de disear el
sistema propuesto y su puesta en marcha, los aspectos tomados en cuenta para este estudio
fueron clasificados en tres reas, las cuales se describen a continuacin:
3.2
ESTUDIO DE FACTIBILIDAD
3.2.1 Factibilidad Tcnica
La Factibilidad Tcnica consisti en realizar una evaluacin de la tecnologa
existente en la organizacin, este estudio estuvo destinado a recolectar informacin
sobre los componentes tcnicos que posee la organizacin y la posibilidad de hacer
uso de los mismos en el desarrollo e implementacin del sistema propuesto y de ser
necesario, los requerimientos tecnolgicos que deben ser adquiridos para el
desarrollo y puesta en marcha del sistema.
En tal caso, los recursos tecnolgicos requeridos para el desarrollo e implementacin
del Business Intelligence son:
Tabla 06. Recursos de TI.

Recursos de TI
(HW-SW)
Microsoft Office 2010
Windows Server 2012
Motor de Base de Datos SQL Server 2014
Microsoft Visual .NET 2010
PC
Servidor
Por lo cual, es factible tcnicamente, con el apoyo de la Universidad Autnoma del

Per con disponibilidad y accesibilidad a los recursos requeridos para su realizacin
as como los recursos de hardware y software.
-40-
A. Castaeda
3.2.2 Factibilidad Operativa

La Factibilidad operativa tendr un profundo impacto en el funcionamiento de la
organizacin, debido a que una vez implementado, es un elemento estratgico de la
empresa pues disminuye el grado de inseguridad con la que se toman las decisiones.
Algunas de las ventajas obtenidas del uso de Business Intelligence en la organizacin
son:
Contar con una fuente confiable de informacin que presenta una visin
consistente de los datos e informacin de la empresa y su entorno.
Agiliza la gestin de datos e informacin relevante.
Pone a la disposicin de los niveles gerenciales la habilidad de hacer reportes de
manera improvisada para satisfacer sus necesidades de informacin.
3.2.3 Factibilidad Econmica

La factibilidad econmica cuenta con los recursos financieros, y apoyo del Jefe del
rea de Admisin de la Universidad Autnoma del Per que estn dispuestos a tener
una solucin de Businnes Intelligence en la organizacin para mejorar el Proceso de
Toma de Decisiones en el rea de Admisin en funcin a sus reportes y ayuda al
Proceso de toma de decisiones.
De tal manera, se muestra los recursos necesarios para la implementacin del
proyecto.
Tabla 07. Presupuesto.
UNIDAD
DE
MEDIDA
PRECIO
UNITARIO
(S/.)
CANTIDAD
TOTAL
(S/.)
Persona
3,500.00
3,500.00
Papel
Millar
20.00
40.00
Lapicero
Global
0.50
10
5.00
Informacin de Internet
Global
50.00
400.00
Flder
Global
0.50
15
7.50
Engrapador
Global
10.00
10.00
CONCEPTO
1. Recursos Humanos
Alberto Castaeda Vsquez
2. Recursos Materiales
-41-
A. Castaeda
CDs
Global
1.50
10
15.00
Copias
Global
1000
0.10
100.00
Perforador
Global
10.00
10.00
Fster
Global
0.30
15
4.50
Global
1.50
100
150.00
Computadora
Global
3,000.00
3,000.00
Impresora con sistema
Global
150.00
150.00
USB
Global
20.00
20.00
Scanner
Global
50.00
50.00
Windows 7 Professional
Global
5.00
5.00
Microsoft Office 2010
Global
5.00
5.00
SQL Server 2014
Global
5.00
5.00
Visual Studio 2010
Global
5.00
5.00
Minitab
Global
5.00
5.00
Bizagi Process Modeler
Global
5.00
5.00
Otros gastos
Global
200.00
200.00
3. Recursos Tcnicos
Movilidad
Hardware
continuo
Software
9,492.00
Total
3.3
PLANIFICACIN DEL PROYECTO

3.3.1 El Negocio
La Universidad Autnoma del Per: se crea por la gestin de su Promotora,
Asociacin Civil Intelectus, en mrito a un proyecto concebido y elaborado en
cumplimiento de las normas establecidas por el Consejo Nacional para la
Autorizacin de Funcionamiento de Universidades CONAFU.
El proyecto se present en enero de 2006 y luego de un riguroso proceso de
evaluacin, se emite la Resolucin N 335 2007 CONAFU que autoriza por
unanimidad el funcionamiento de nuestra Universidad, para formar profesionales en
-42-
A. Castaeda
las carreras de Administracin, Contabilidad, Derecho, Ingeniera de Sistemas y

Psicologa.
La Universidad Autnoma del Per se dise para atender la formacin de
profesionales en el mbito geogrfico pluricultural de Lima Metropolitana. Tiene
como perspectiva la Acreditacin Universitaria sobre la base de una elevada cultura
de calidad, teniendo como eje la inclusin acadmica, cientfica y profesional, para
constituirse en valioso referente del desarrollo del talento humano.
Direccin y ubicacin:
Antigua Panamericana Sur Km 16.3 Mz. A Lote 6 Urb. La Concordia VES.
Misin:
Formar a personas y profesionales ntegros, responsables y competitivos, capaces
de resolver problemas en un entorno globalizado, participando activamente en el
desarrollo de la sociedad y de la ciencia, contribuyendo a una sociedad justa y
equitativa a travs de una educacin de calidad basada en propuestas innovadoras
en el marco de principios y valores universales y en la generacin de recursos
propios.
Visin
La Universidad Autnoma del Per ser reconocida en la formacin de personas y
profesionales ntegros, lderes, competitivos e innovadores, segn los estndares
internacionales de calidad, para contribuir al desarrollo sostenido.
Figura 11. Universidad Autnoma del Per.
-43-
-44Dentro de Marketing est el rea

de Admisin donde se realiz el
Business Intelligence.
A. Castaeda
Figura 12. Organigrama de la Universidad Autnoma del Per.
-44-
A. Castaeda
Servicios, Competidores y Clientes:

Servicios: Educacin
Garantizar la calidad de enseanza a los alumnos por medio de su Sistema de
instruccin modular avanzada, Sistema nico y exclusivo de la Universidad
Autnoma del Per, el cual involucra una educacin interactiva entre docentes y
alumnos a travs de la utilizacin de equipos multimedia en el 100% de las aulas
y laboratorios de clase.
Figura 13. Servicio de Educacin de la Universidad Autnoma del Per.
-45-
A. Castaeda
Competidores:
Universidad Cientfica del Sur, UNTECS, UPIG, Universidad Ricardo Palma.
Clientes:
Personas que han terminado la secundaria, por segunda profesin, por
convalidacin, por traslado externo, por centro pre.
-46-
Stakeholders Internos y Externos:
-47A. Castaeda
Figura 14. Stakeholders Internos y Externos.

-47-
Cadena de Valor
-48-48-
A. Castaeda
Figura 15. Cadena de Valor de la Universidad Autnoma del Per Educacin Universitaria.
-49-
Procesos de Negocio
-49-
A. Castaeda
Figura 16. Identificacin de Procesos de Negocios Transaccionales de la Cadena de Valor Educacin Universitaria.
A. Castaeda
Figura 17. Procesos de Negocio Transaccionales de la Universidad Autnoma del Per

Educacin Universitaria.
-50-
A. Castaeda
Figura 18. Diagrama de Contexto.

La presente investigacin se realiza para el jefe de este proceso. El proceso actual de la
toma de decisiones se muestra en la pgina 05.
A continuacin se muestra el proceso propuesto para la toma de decisiones:
Figura 19. Flujograma del Proceso Propuesto de Toma de Decisiones (TO-BE).

3.3.2 Alcance del Proyecto
En el presente proyecto se va a desarrollar e implementar un Sistema como Soporte
de Toma de Decisiones para la Gestin del Proceso de Admisin en la Universidad
-51-
A. Castaeda
Autnoma del Per, utilizando el anlisis de dimensiones y medidas mediante

herramientas de software, que permite brindar una interface amigable para el usuario.
Geogrfico:
Beneficia al proceso de extraccin de informacin pertinente a las Admisiones
realizadas en el rea de Admisin de la Universidad Autnoma del Per.
Organizacional:
Mejora el proceso de extraccin de informacin del rea funcional de Admisin de
Funcional:
Dar mayor respaldo a la obtencin de informacin del rea de Admisin de manera
rpida, precisa y eficiente, para mayor entendimiento al Jefe del rea de Admisin
de la Universidad, de modo que la toma de decisiones sea adecuada y precisa.
Asimismo, cumple las funciones en cuanto a los reportes por modalidad, escuela,
sexo, distrito que se realiza cada periodo (6 meses).
3.3.3 Justificacin del Proyecto

Actualmente uno de los valores ms importantes de una organizacin es la
informacin y la Universidad Autnoma del Per tiene cantidades de registros de
datos de la rea de admisin, actualmente enloquece a los directivos de registros
acadmicos pues los encargados presentan los mismos resultados de informacin
pero con diferentes nmeros y los ejecutivos lo que buscan es visualizar estos datos
de manera clara y concisa para poder tomar decisiones eficientes para el desarrollo y
fortalecimiento de la Universidad.
3.3.4 Beneficios del Proyecto

En el rea de Admisin de la Universidad Autnoma del Per usa herramientas
automatizadas que ayuda a profundizar el nivel de conocimiento de la
informacin para maximizar el rendimiento del negocio.
Cuenta con un completo e eficiente soporte de respaldo para apoyar el proceso de
toma de decisiones gerenciales.
Reduce el tiempo, tanto para generar consultas de gran tamao como para la
entrega de respuestas.
-52-
A. Castaeda
Visualiza una plataforma en la que se pudiera interactuar con la informacin

histrica.
3.3.5 Cronograma de Actividades
Figura 20. Cronograma de Actividades.

3.3.6 Equipo de Trabajo
Tabla 08. Equipo de Trabajo.
Nombre
Castaeda
Vsquez, Alberto
Cargo
Business Executive
Sponsor
Experto en Procesos
de Negocios
Gerente de
Proyectos
Especialista de
Datos
Funcin
Tiene a su cargo el soporte gerencial del
proyecto.
Experto en el Dominio permite al Equipo de
Desarrollo aprender sobre el negocio para el
cual est siendo construida la aplicacin.
Tiene a su cargo la planificacin del
proyecto, a lo largo de todo el ciclo de vida.
Verificar los requerimientos del usuario
mediante casos de prueba.
-53-
A. Castaeda
Funciones Especficas:
Tabla 09. Funciones Especficas del Equipo de Trabajo.
Nombre
Castaeda Vsquez,
Alberto
Cargo
Funcin
Lder Tecnolgico
Coordinador General del Proyecto
Analista Dimensional
Analista las dimensiones y medidas
Experto en ETL
Se encarga de la creacin del DataMart.
Experto en Cubos
Se encargar de realizar los reportes en

forma dinmica.
Especialista en Datos
Mantiene actualizada la integridad de la

BD transaccional (OLTP).
3.3.7 Hardware y software

A) Hardware
Servidor:
Figura 21. Servidor HP ProLiant DL380 G7.
Tabla 10. Especificaciones Tcnicas del Servidor HP ProLiant DL380 G7.

Especificaciones tcnicas
Nmero de procesadores
Processor core available
Memoria, estndar
12 GB
Ranuras de memoria
18 ranuras DIMM
Tipo de memoria
PC3-10600R (RDIMM)
Ranuras de expansin
Controlador de red
(2) 2 puertos 1 GbE NC382i multifuncin
Tipo de fuente de alimentacin
(2) 750 W conexin en caliente

-54-
A. Castaeda
Controlador de almacenamiento
(1) Smart Array P410i/FBWC de 1 GB
Software de gestin
HP Insight Control (incluido)
Tipo de unidad ptica
SATA DVD-RW fino
Pcs de Usuarios:
Figura 22. Pcs de Usuarios.

Tabla 11. Especificaciones Tcnicas de las Pcs de Usuarios.
Caractersticas del sistema
Procesador
Intel Core i5-2120 con Intel HD Graphics 2000 (3,30 GHz,

3 MB de cach, 2 ncleos)
Sistema operativo
Windows 7 Profesional x64
Chipset
Intel Q65 Express
Factor de forma
Microtorre
|Memoria
Memoria,
SDRAM DDR3 de 4 GB x 2, 1333 MHz
estndar
Ranuras de
4 DIMM
memoria
Almacenamiento de datos
Descripcin del
SATA 6.0 Gb/s NCQ de 500 GB y 7200 rpm, Smart IV
disco duro
Grficos
Grficos
Grficos Intel HD 2000

Caractersticas de expansin
Puertos
10 USB 2.0
-55-
A. Castaeda
1 en serie
1 teclado PS/2
1 mouse PS/2
1 VGA
1 conector para micrfono/audfono
1 entrada de lnea
1 salida de lnea
1 RJ-45
Dispositivos multimedia
Cdec de audio Realtek ALC261, altavoz interno y puertos para
Audio
micrfono y audfono frontales

Caractersticas de comunicacin
Interfaz de red
Conexin de red Intel 82579M GbE integrada

Requisitos de energa y operacin
Alimentacin
Fuente de alimentacin de 320 W, PFC activo; Fuente de

alimentacin de 320 W con 90% de eficiencia energtica, PFC
activo
B) Software
Software
Fundamento
Base de datos
SQL Server Management Studio 2014
Ayuda en el modelamiento de datos.

ETL
Permite el poblamiento de datos.
SQL Server Integration Services
Cubos
Permite realizar procesamiento analtico
SQL Server Analysis Services
y minera de datos.
Aplicacin
Permite
Visual Studio 2010
el
desarrollo
mediante
interfaces web hacia los cubos.

Reportes
SQL Server Reporting Services y
Muestra informacin en forma grfica y
Microsoft Office Excel 2010
tabular.
-56-
A. Castaeda
3.3.8 Riesgos del Proyecto

Riesgo
Descripcin
Presupuesto Establecido
El presupuesto vara el plan del proyecto.
Recursos Humanos
La planificacin se ha basado en la
utilizacin de personas especficas, pero
estas personas no estn disponibles.
Horizonte de tiempo Establecido
Los informes a nivel de directiva necesitan

ms tiempo del previsto.
Error en la contratacin
Los requisitos no se han definido

correctamente y su redefinicin aumenta el
mbito del proyecto.
Implementacin de tecnologas
Las herramientas de desarrollo no estn

disponibles en el momento deseado.
3.4
DEFINICIN DE LOS REQUERIMIENTOS DEL NEGOCIO
Para comprender de mejor manera los requerimientos de la Universidad Autnoma del

Per, y en particular de su rea de Admisin, se realiz un anlisis e investigacin de su
entorno. Este proceso permiti adquirir los requerimientos del negocio y su indicador clave
de rendimiento. Adems se definieron las distintas fuentes de informacin que fueron
utilizadas. Todas estas tareas tuvieron como fin el comprender el mbito del negocio para
la correcta implementacin del esquema Dimensional.
3.4.1 Entrevistas
A) Seleccionar Entrevistas
Los entrevistados seleccionados son las personas que toman decisiones del rea Admisin
en la Universidad Autnoma del Per, los cuales:
Juan Carlos Alfaro Acua
Gerente de Marketing
Pilar Llerena
Jefe de Admisin
Raquel Navarrete
Asistente de Admisin
Oliver Bayona
Promotor Educativo
Rocio Limaco
Promotor Educativo
Cristina Suarez
Promotor Educativo
-57-
A. Castaeda
B) Entrevista
ENTREVISTA PERSONAL - REA DE ADMISIN
Entrevistada: Pilar Llerena
Cargo: Jefe de Admisin
1. Quines son sus clientes?
Mis clientes potenciales son los interesados en estudiar una carrera superior en cualquiera
de las 5 carreras que ofrecemos: Administracin, Derecho, Psicologa, Ing. de Sistemas y
Contabilidad, y de acuerdo a las modalidades de ingreso: Pre autnoma, examen de
admisin, examen extraordinario y tu primera opcin. Especialmente son los alumnos que
han terminado su 5to ao de secundaria.
2. En qu consiste t trabajo en el rea?
La funcin principal es la de brindar informacin precisa y pertinente acerca de los
beneficios de estudiar en nuestra Universidad.
3. Cules son los objetivos del rea?
El objetivo principal es de captar la mayor cantidad de postulantes inscritos segn las
modalidades de ingreso.
4. Qu retos se tienen que cumplir en el rea?
El reto es cumplir con las metas propuestas por la direccin de Marketing y que cada
postulante sea matriculado en la carrera de su eleccin de acuerdo a las vacantes que
tenemos disponibles.
5. Qu decisiones se toman en el Proceso de Admisin?
Cada postulante debe cumplir con los requisitos exigidos para su postulacin, para ser
considerado alumno de la Universidad. Cerrar las inscripciones en el plazo de fecha.
6. Tu sistema de informacin actual te ayuda a tomar decisiones?
En trminos de registro de postulantes, el sistema si me ayuda a obtener la informacin que
necesito para la inscripcin de cada postulante, y luego procesarla para un reporte final a
gerencia.
7. Qu es lo que requieres en el sistema de informacin para que te ayude en el
Proceso de Toma de Decisiones del rea de Admisin?
Para que el sistema de bsqueda sea ms gil, se podra implementar un registro histrico
de los postulantes segn su modalidad de ingreso por ejemplo, los postulantes que se
inscriben a la Pre Autnoma y no ingresan se les cambia su modalidad por examen de
admisin, pero el sistema no contabiliza todo su historial de ingreso, solamente el ltimo
-58-
A. Castaeda
registro. Tambin, que se pueda tener estadsticas por nombres de los colegios que
provienen los postulantes. Agregar un canal de inscripcin ms, es decir, se pueda realizar
una inscripcin va internet y los pagos On-line o que acepten otras formas de pago, no
slo en efectivo sino con tarjetas de crdito.
8. Tienes algn problema o dificultad en el proceso de Admisin?
El problema del rea de Admisin son las vacantes limitadas que tenemos para cada
carrera.
9. Cules son las limitaciones del sistema de informacin?
Las limitaciones se presentan cuando queremos hacer reportes estadsticos por postulantes
inscritos en cada admisin, el sistema no filtra comparaciones con periodos anteriores de
cada modalidad de ingreso. Por ejemplo, cuando se necesita saber el total de inscritos por
cada PRE, no hay un histrico de los postulantes que se inscriben por cada fecha de inicio
de la PRE.
3.4.2 Analizar Entrevistas

Al realizar las entrevistas con los jefes del rea de Admisin de la Universidad Autnoma
del Per se ha reconocido que existe un problema en el rea de Admisin, para la
implementacin de la solucin se seleccion sta rea ya que es la encargada de inscribir a
los postulantes para el ingreso e ingresos de dinero por inscripciones, el problema es que la
alta directiva no tiene disponibilidad en tiempo real de la informacin consolidada de los
indicadores que evalan la gestin, originando que los jefes no puedan tomar decisiones
rpidas y oportunas.
Tambin se pudo determinar grupos sobre las cuales se desean basar sus perspectivas de
anlisis.
Postulantes
Se requiere conocer la cantidad de postulantes por sexo y el monto segn las
inscripciones por periodo acadmico.
Nivel Acadmico
Se requiere conocer la cantidad de postulantes por Escuela (Administracin, Ing. de
Sistemas, Psicologa, Contabilidad, Derecho) y el monto segn las inscripciones
por Escuela.
-59-
A. Castaeda
Modalidad
Se requiere conocer la cantidad de postulantes por modalidad (Examen Ordinario,
Examen Extraordinario, Centro Pre, tu primera opcin) y el monto.
Colegio
Se requiere conocer la cantidad de postulantes segn el tipo de colegio.
Zona
Se requiere conocer la cantidad de postulantes segn su distrito.
Tiempo
Se requiere mostrar la informacin por aos, semestres, meses.
3.4.3 Requerimientos
A) Requerimientos de Negocio:
Reducir el tiempo de evaluacin de Toma de Decisiones del rea de Admisin en

los reportes estadsticos.
Incrementar la etapa gerencial del rea de Admisin en un 30%.
B) Requerimientos de Stakeholder:
Comparar la cantidad de postulantes e ingresantes en periodos.
Realizar un seguimiento histrico de cantidad de postulantes e ingresantes.
Realizar un detalle de monto de postulantes por Escuela y modalidad.
C) Requerimientos de la Solucin:
Requerimientos Funcionales:
Reportes de Cantidad de postulantes e ingresantes en un periodo de tiempo.
Reportes de Cantidad de postulantes e ingresantes por sexo.
Reportes de Cantidad de postulantes e ingresantes por modalidad.
Reportes de Cantidad de postulantes e ingresantes por Facultad y Escuela.
Reportes de Cantidad de postulantes e ingresantes por colegio.
Reportes de Cantidad de postulantes e ingresantes por distrito
Reportes de Monto de postulantes de inscripcin por sexo.
Reportes de Monto de postulantes por modalidad.
Reportes de Monto de postulantes por Facultad y Escuela.
Requerimientos no Funcionales:
Acceso a toda el rea de Admisin.
Sistema de Toma de Decisiones para el rea de Admisin.

-60-
3.5
A. Castaeda
DISEO DE LA ARQUITECTURA TCNICA

3.7.1 Diseo de la Arquitectura Tecnolgica de la UA
Figura 23. Diseo de la Arquitectura Tecnolgica de la UAP.
-61-
A. Castaeda
3.7.2 Flujo Tcnico de la Arquitectura: BACK ROOM, FRONTROOM

A) BACK ROOM
Tablas de la Base de Datos PROYECTOBI
PERADMISION
PROVINCIA
PERTIPOCOLEGIO
PERFACULTAD
PERSONA
PERCARRERA
PERMODALIDAD
DISTRITO
PERCOLEGIO
Limpiar
Concatenar Apellidos y
nombres
Postulante_dim
Tiempo_dim
Nivel_Academico_dim
Zona_dim
Colegio_dim
Figura 24. Back Room.
-62-
Metadatos
Modalidad_dim
A. Castaeda
B) FRONTROOM
Postulante_dim
Tiempo_dim
Nivel_Academico_dim
Modalidad_dim
Zona_dim
Colegio_dim
Admision_facts
REPORTES EN EXCEL 2010
SQL SERVER REPORTING SERVICES
Figura 25. Front Room.
-63-
3.6
A. Castaeda
SELECCIN DE PRODUCTOS E INSTALACIN
Para la extraccin y filtracin de los datos de la base de datos transaccional a la base de

datos analtica, as como la administracin y gestin de datos se us la herramienta
Microsoft SQL Server 2014 por las siguientes razones:
Permite hacer copias de seguridad activas en lnea de alto rendimiento con impacto
mnimo en los sistemas en funcionamiento.
Cuenta con un optimizador de consultas con mltiples fases, permitiendo buscar de esta
manera el plan ptimo para consultas facilitando la creacin de consultas.
Permite realizar importaciones y transformaciones de datos mediante una herramienta
llamada SQL Server Integration Services, obteniendo para ello los datos de diversos tipos
de datos de origen mltiples y heterogneos, tanto de manera interactiva como automtica.
Por ser un producto de mayor difusin y conocimiento en el mercado que hace posible su
menor costo a comparacin con otros productos licenciados.
Permite crear, gestionar y personalizar cubos multidimensionales mediante una
herramienta llamada SQL Server Analysis Services.
Los productos a utilizar son:
NOMBRE DEL PRODUCTO
ROL DEL PRODUCTO
Microsoft SQL Server 2014
Base de Datos
SQL Server Integration Services
Poblamiento de datos
SQL Server Analysis Services
Cubos OLAP
SQL Server Reporting Services
Reportes
Microsoft Excel 2010
Reportes
Visual Studio 2010
Reportes Web
-64-
3.7
A. Castaeda
MODELO DIMENSIONAL
3.7.1 Seleccin del Business Intelligence
Para el desarrollo de la construccin del Business Intelligence se sigue la
Metodologa estudiada de Ralph Kimball, dado que establece claros procesos para
todo el ciclo del desarrollo del proyecto y garantiza la calidad y eficiencia de la
solucin de inteligencia de negocios.
El modelo utilizado para soportar el Business Intelligence se bas en un esquema
estrella. En general, un esquema estrella est constituido por un conjunto de tablas
que representan dimensiones y una tabla de hechos. Las dimensiones sirven para
detallar los valores que se encuentran asociados a la tabla de hechos que registran las
medidas o los estados sobre un acontecimiento o una situacin.
3.7.2 Antigedad de la Data
La antigedad que tiene el funcionamiento de la Base de Datos es de 5 aos.
3.7.3 Calidad de la Data
La data a travs del tiempo se ha ido mejorando y actualmente contamos con una
base de datos consistente que es eficaz en la hora de hacer nuestros reportes o
consultas.
3.7.4 Definir las Dimensiones
DIMENSIONES
TIEMPO_DIM
DESCRIPCIN
Contiene la informacin de los periodos que existe
en el ao, los semestres y meses.
NIVEL_ACADEMICO_DIM Contiene la informacin de las Facultades y Escuelas
de la Universidad.
POSTULANTE_DIM
Contiene la informacin de los postulantes.
MODALIDAD_DIM
Contiene la informacin de las modalidades de

ingreso a la Universidad: examen de admisin, Pre,
examen extraordinario, etc.
ZONA_DIM
Contiene la informacin de las provincias y distritos

de donde provienen los postulantes.
COLEGIO_DIM
Contiene la informacin de los colegios y tipo de

colegio: Estatal o Privado de donde provienen los
postulantes.
-65-
A. Castaeda
3.7.5 Mapeando las dimensiones del negocio en las tablas de dimensin
POSTULANTE_DIM
Tabla de Base de Datos Autnoma del Per

Figura 26. Mapeo de datos Postulante_dim.
NIVEL_ACADEMICO_DIM

Figura 27. Mapeo de datos Nivel_Academico_dim.
-66-
A. Castaeda
MODALIDAD_DIM

Figura 28. Mapeo de datos Modalidad_dim.
TIEMPO_DIM

Figura 29. Mapeo de datos Tiempo_dim.
-67-
A. Castaeda
ZONA_DIM

Figura 30. Mapeo de datos Zona_dim.
COLEGIO_DIM

Figura 31. Mapeo de datos Colegio_dim.
-68-
A. Castaeda
3.7.6 Agregando las claves primarias a cada dimensin

DIMENSIONES
CLAVE PRIMARIA
TIEMPO_DIM
TiempoKey(PK)
NIVEL_ACADEMICO_DIM
NivelAcademicoKey(PK)
POSTULANTE_DIM
PostulanteKey(PK)
MODALIDAD_DIM
ModalidadKey(PK)
ZONA_DIM
ZonaKey(PK)
COLEGIO_DIM
ColegioKey(PK)
3.7.7 Identificando las jerarquas analticas
DIMENSIN TIEMPO_DIM
Contiene el ao, semestre y mes en el periodo de Admisin
Nivel
Nivel 1
Nivel 2
Nivel 3
Atributos
Ao
Semestre
Mes
DIMENSIN POSTULANTE_DIM
Contiene los datos del postulante y sexo.
Nivel
Nivel 1
Nivel 2
Nivel 2
Atributos
PostulanteID
Postulante
Sexo
DIMENSIN MODALIDAD_DIM
Contiene las modalidades de ingreso en la parte de Admisin.
Nivel
Nivel 1
Nivel 2
Atributos
ModalidadID
Modalidad
-69-
A. Castaeda
DIMENSIN ZONA_DIM
Contiene las provincias y sus distritos que provienen los postulantes.
Nivel
Nivel 1
Nivel 2
Nivel 3
Atributos
ZonaID
Provincia
Distrito
DIMENSIN NIVEL_ACADEMICO_DIM
Contiene la descripcin de las Facultades y sus Escuelas de la Universidad.
Nivel
Nivel 1
Nivel 2
Nivel 3
Atributos
NivelAcademicoID
Facultad
Escuela
DIMENSIN COLEGIO_DIM
Contiene el tipo de colegio y sus colegios que provienen los postulantes.
Nivel
Nivel 1
Nivel 2
Nivel 3
Atributos
ColegioID
TipoColegio
Colegio
3.7.8 Agregar las claves a cada atributo jerrquico
DIMENSIN TIEMPO_DIM
Nombre
Atributo
Contenido
Formato
Descripcin
Valor por defecto
TiempoKey
Llave primaria de la dimensin Nmero entero

tiempo.
Ninguno
Fecha
Contiene la fecha de Admisin
Datetime
Ninguno
Ao
Contiene el ao.
Nmero entero
Ninguno
Semestre
Contiene el nombre del semestre.
Cadena
Caracteres
de Ninguno
Mes
Contiene el nombre del mes
Cadena
Caracteres
de Ninguno
-70-
A. Castaeda
Contenido
Nombre
Atributo
PostulanteKey
Postulante
Sexo
PostulanteID
Descripcin
Formato
Llave primaria de la dimensin

postulante.
Contiene
el
nombre
del
postulante
Contiene el gnero de sexo del
postulante.
Contiene
el
cdigo
del
postulante
Numero entero
Cadena
Caracteres
Cadena
Caracteres
Cadena
Caracteres
Valor por
defecto
Ninguno
de Ninguno
de Ninguno
de Ninguno
Contenido
Nombre
Atributo
ColegioKey
ColegioID
Colegio
TipoColegio
Descripcin
Valor por
defecto
Formato

Colegio.
Contiene el cdigo del colegio
Contiene la descripcin del
colegio
Contiene el tipo de colegio
Numero entero
Ninguno
Numero entero
Ninguno
Cadena
de Ninguno
caracteres
Cadena
de Ninguno
caracteres
Contenido
Nombre
Atributo
Descripcin
NivelAcademicoKey Llave
primaria
de
la
dimensin Nivel Acadmico.
NivelAcademicoID
Contiene el cdigo de la
Escuela.
Facultad
Contiene la descripcin de la
Facultad
Escuela
Contiene la descripcin de la
Escuela
-71-
Formato
Valor por
defecto
Numero entero
Ninguno
Numero entero
Ninguno
Cadena
caracteres
Cadena
caracteres
de Ninguno
de Ninguno
A. Castaeda
Contenido
Nombre Atributo
Descripcin
ModalidadKey
Llave
primaria
Formato
de
la Numero entero
Valor por
defecto
Ninguno
de Numero entero
Ninguno
dimensin modalidad.
ModalidadID
Contigo
el
cdigo
modalidad.
Modalidad
Contiene la descripcin de Cadena

la modalidad de ingreso.
de Ninguno
caracteres
DIMENSIN ZONA_DIM
Contenido
Nombre Atributo
Descripcin
ZonaKey
Llave
de
la Numero entero
Valor por
defecto
Ninguno
cdigo
de Numero entero
Ninguno
primaria
Formato
dimensin zona.
ZonaID
Contigo
el
distrito.
Distrito
Contiene la descripcin del Cadena

distrito
que
vive
de Ninguno
el caracteres
postulante.
Provincia
Contiene la descripcin de Cadena
de Ninguno
la provincia que vive el caracteres

postulante
Figura 32. Dimensiones con atributos Jerrquicos.
3.7.9 Determinar la granularidad de cada dimensin

La granularidad significa especificar el nivel de detalle. La eleccin de la granularidad
depende de los requerimientos del negocio y lo que es posible a partir de los datos actuales.
La sugerencia general es comenzar a disear el Business Intelligence al mayor nivel de
detalle posible, ya que se podra luego realizar agrupamientos al nivel deseado.
-72-
A. Castaeda
DIMENSIN TIEMPO_DIM
Nombre del nivel
TiempoKey
Fecha
Ao
Semestre
Mes
Descripcin
Llave Primaria
Llave primaria de la dimensin tiempo.

Contiene la fecha de admisin.
Contiene el ao.
Contiene el semestre.
Contiene el mes.
SI
NO
NO
NO
NO
Nombre del nivel
PostulanteKey
Postulante
PostulanteID
Sexo
Descripcin
Llave Primaria

postulante.
Contiene el nombre del postulante
Contiene el cdigo del postulante
Contiene el sexo del postulante
SI
NO
NO
NO
Nombre del nivel
Descripcin
Llave
Primaria
NivelAcademicoKey
Llave primaria de la dimensin nivel
SI
academico.
NivelAcademicoID
Contiene el cdigo de la Facultad
NO
Facultad
Contiene la descripcin de la Facultad
NO
Escuela
Contiene la descripcin de la Escuela.
NO
DIMENSIN ZONA_DIM
Nombre del nivel
Descripcin
Llave Primaria
ZonaKey
Llave primaria de la dimensin zona.
SI
ZonaID
Contiene el cdigo del distrito.
NO
Provincia
Contiene
la
descripcin
de
la
NO
provincia.
Distrito
Contiene la descripcin del distrito.
-73-
NO
Nombre del nivel
A. Castaeda
Descripcin
de
Llave Primaria
ModalidadKey
Llave primaria
modalidad.
la
dimensin
SI
ModalidadID
Contigo el cdigo de modalidad.
NO
Modalidad
Contiene el nombre de la modalidad

como: examen extraordinario, ordinario,
etc.
NO
Nombre del nivel
Descripcin
Llave Primaria
ColegioKey
Llave primaria de la dimensin colegio.
SI
Colegioid
Contigo el cdigo del colegio.
NO
Colegio
Contiene el nombre del colegio como:

Repblica de Bolivia, etc.
NO
TipoColegio
Contiene el tipo de colegio como:

Nacional, Privado.
NO
Figura 33. Granularidad de las Dimensiones.
3.7.10 Definir la tabla de hechos

Contiene las llaves de las Dimensiones y las medidas que fueron levantadas en las etapas
anteriores del proyecto de acuerdo a las especificaciones del equipo de requerimiento.
Postulante_dim
ADMISION_FACTS
TiempoKey(FK)
NivelAcademicoKey (FK)
ModalidadKey(FK)
PostulanteKey(FK)
ZonaKey(FK)
ColegioKey(FK)
Cantidad_postulantes
Monto
Cantidad_ingresantes
Tiempo_dim
Figura 34. Modelado de la tabla hechos.

-74-
Modalidad_dim
m
A. Castaeda
3.7.11 Granularidad de la tabla de hecho

Nombre de la Dimensin
Descripcin
Llave Primaria
Periodo en que se realiz el

proceso de admisin.
Postulante al que se dio el
POSTULANTE_DIM
servicio de admisin.
NIVEL_ACADEMICO_DIM Facultad y Escuela disponible de
la Universidad.
Tipos de ingreso en la Admisin.
MODALIDAD_DIM
Provincia y Distrito que pertenece
ZONA_DIM
el postulante.
Colegio y tipo que pertenece el
COLEGIO_DIM
postulante.
Figura 35. Granularidad de la tabla de hecho.
Si
TIEMPO_DIM
Si
Si
Si
Si
Si
3.7.12 Definir las claves primarias y las relaciones entre tabla de hecho y dimensiones.
Colegio_DIM
Tiempo_DIM
ColegioKey(PK)
ModalidadKey(PK)
TiempoKey(PK)
NIVEL_ACADEMICO_DIM
NivelAcademicoKey (PK)
Modalidad_DIM
ADMISION_FACTS
TiempoKey(FK)
NivelAcademicoKey(FK)
ModalidadKey(FK)
PostulanteKey(FK)
ColegioKey(PK)
ZonaKey(FK)
Postulante_DIM
PostulanteKey(PK)
Zona_DIM
ZonaKey(PK)
Figura 36. Relaciones entre dimensiones y Hechos.
-75-
3.7.13 Definiendo el Modelo en Estrella
-76A. Castaeda
Figura 37. Modelo en estrella.

-76-
3.8
A. Castaeda
DISEO FSICO
3.8.1 Trasladar el Modelo Dimensional al Modelo Fsico

Tabla 12. Modelo Dimensional Postulante.
Tabla
POSTULANTE_DIM
Columna
Tipo de dato
Permitir
Nulos
No
PK
PostulanteKey
int
Si
Postulante
Varchar(200)
No
No
PostulanteID
Char(10)
No
No
Sexo
Char(1)
No
No
Permitir
Nulos
PK
Tabla 13. Modelo Dimensional Colegio.

Tabla
COLEGIO_DIM
Columna
Tipo de dato
ColegioKey
Int
No
Si
ColegioID
Int
No
No
Colegio
Nvarchar(150)
No
No
TipoColegio
Nvarchar(150)
No
No
Tabla 14. Modelo Dimensional Nivel Acadmico.

Tabla
NIVEL_
ACADEMICO_DIM
Columna
Tipo de dato
Permitir
Nulos
PK
NivelAcademicoKey
Int
No
Si
NivelAcademicoID
Int
No
No
Facultad
Nvarchar(150)
No
No
Escuela
Nvarchar(150)
No
No
-77-
A. Castaeda
Tabla 15. Modelo Dimensional Zona.
Tabla
ZONA_DIM
Columna
Tipo de dato
Permitir Nulos
PK
ZonaKey
Int
No
Si
ZonaID
Int
No
No
Distrito
Nvarchar(150)
No
No
Provincia
Nvarchar(150)
No
No
Tipo de dato
Permitir Nulos
PK
Tabla 16. Modelo Dimensional Tiempo.
Tabla
TIEMPO_DIM
Columna
TiempoKey
Int
No
Si
Fecha
Datetime
No
No
Semestre
Varchar(15)
No
No
Ao
Int
No
No
Mes
Nvarchar(30)
No
No
Tabla 17. Modelo Dimensional Admisin.

Tabla
Columna
Tipo de dato
Permitir
PK
Nulos
ADMISION_FACTS
PostulanteKey
Int
No
Si
NivelAcademicoKey
Int
No
Si
ModalidadKey
Int
No
Si
ColegioKey
Int
No
Si
TiempoKey
Int
No
Si
ZonaKey
Int
No
Si
Cantidad_postulantes
Int
No
No
Monto
Float
No
No
Cantidad_ingresantes
Int
No
No
-78-
-79-
-79-
A. Castaeda
Figura 38. Modelo Lgico Dimensional.
A. Castaeda
3.8.2 Sentencias SQL para crear el modelo

/* Usando la tabla del Data PROYECTO_UA*/
USE [PROYECTO_UA]
GO
/****** Object: Table [dbo].[ADMISION_FACTS]
Script Date: 08/12/2013 12:57:20
******/
SET ANSI_NULLS ON
GO
SET QUOTED_IDENTIFIER ON
GO
CREATE TABLE [dbo].[ADMISION_FACTS](
[NivelAcademicoKey] [int] NOT NULL,
[ColegioKey] [int] NOT NULL,
[PostulanteKey] [int] NOT NULL,
[ModalidadKey] [int] NOT NULL,
[TiempoKey] [int] NOT NULL,
[ZonaKey] [int] NOT NULL,
[Cantidad_postulantes] [int] NOT NULL,
[Monto] [float] NOT NULL,
[Cantidad_ingresantes] [int] NOT NULL,
CONSTRAINT [PK_ADMISION_FACTS] PRIMARY KEY CLUSTERED
(
[NivelAcademicoKey] ASC,
[ColegioKey] ASC,
[PostulanteKey] ASC,
[ModalidadKey] ASC,
[TiempoKey] ASC,
[ZonaKey] ASC
)WITH
(PAD_INDEX
OFF,
STATISTICS_NORECOMPUTE
OFF,
IGNORE_DUP_KEY = OFF, ALLOW_ROW_LOCKS = ON, ALLOW_PAGE_LOCKS

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
-80-
/****** Object:
A. Castaeda
Table [dbo].[COLEGIO_DIM]
Script Date: 08/12/2013 12:57:20
******/
SET ANSI_NULLS ON
GO
GO
CREATE TABLE [dbo].[COLEGIO_DIM](
[ColegioKey] [int] IDENTITY(1,1) NOT NULL,
[ColegioID] [int] NOT NULL,
[Colegio] [nvarchar](150) NOT NULL,
[TipoColegio] [nvarchar](150) NULL,
CONSTRAINT [PK_COLEGIO_DIM] PRIMARY KEY CLUSTERED
(
[ColegioKey] ASC
)WITH
(PAD_INDEX
OFF,
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
/****** Object: Table [dbo].[MODALIDAD_DIM]
Script Date: 08/12/2013 12:57:20
******/
SET ANSI_NULLS ON
GO
GO
CREATE TABLE [dbo].[MODALIDAD_DIM](
[ModalidadKey] [int] IDENTITY(1,1) NOT NULL,
[ModalidadID] [int] NOT NULL,
[Modalidad] [nvarchar](150) NOT NULL,
CONSTRAINT
[PK__TIEMPO_I__2E6FF8607F60ED59]
CLUSTERED
(
[ModalidadKey] ASC
-81-
PRIMARY
KEY
)WITH
(PAD_INDEX
OFF,
A. Castaeda
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
/****** Object: Table [dbo].[NIVEL_ACADEMICO_DIM]
Script Date: 08/12/2013
12:57:20 ******/
SET ANSI_NULLS ON
GO
GO
CREATE TABLE [dbo].[NIVEL_ACADEMICO_DIM](
[NivelAcademicoKey] [int] IDENTITY(1,1) NOT NULL,
[NivelAcademicoID] [int] NOT NULL,
[Escuela] [nvarchar](150) NOT NULL,
[Facultad] [nvarchar](150) NOT NULL,
CONSTRAINT
[PK__ESCUELA___D0D534670AD2A005]
PRIMARY
KEY
CLUSTERED
(
[NivelAcademicoKey] ASC
)WITH
(PAD_INDEX
OFF,
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
/****** Object: Table [dbo].[POSTULANTE_DIM]
******/
SET ANSI_NULLS ON
GO
GO
SET ANSI_PADDING ON
GO
CREATE TABLE [dbo].[POSTULANTE_DIM](
-82-
Script Date: 08/12/2013 12:57:20
A. Castaeda
[PostulanteKey] [int] IDENTITY(1,1) NOT NULL,

[Postulante] [varchar](200) NOT NULL,
[PostulanteID] [char](10) NOT NULL,
[Sexo] [char](1) NOT NULL,
CONSTRAINT
[PK__POSTULAN__55433F9407020F21]
PRIMARY
KEY
CLUSTERED
(
[PostulanteKey] ASC
)WITH
(PAD_INDEX
OFF,
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
SET ANSI_PADDING OFF
GO
/****** Object:
Table [dbo].[TIEMPO_DIM]
Script Date: 08/12/2013 12:57:20
******/
SET ANSI_NULLS ON
GO
GO
SET ANSI_PADDING ON
GO
CREATE TABLE [dbo].[TIEMPO_DIM](
[TiempoKey] [int] IDENTITY(1,1) NOT NULL,
[Semestre] [varchar](2) NOT NULL,
[Mes] [nvarchar](30) NOT NULL,
[Ao] [int] NOT NULL,
[Fecha] [datetime] NOT NULL,
CONSTRAINT [PK__TIEMPO_F__CCA2B0B703317E3D] PRIMARY KEY
CLUSTERED
(
[TiempoKey] ASC
-83-
)WITH
(PAD_INDEX
OFF,
A. Castaeda
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
SET ANSI_PADDING OFF
GO
/****** Object: Table [dbo].[ZONA_DIM]
Script Date: 08/12/2013 12:57:20 ******/
SET ANSI_NULLS ON
GO
GO
CREATE TABLE [dbo].[ZONA_DIM](
[ZonaKey] [int] IDENTITY(1,1) NOT NULL,
[ZonaID] [int] NOT NULL,
[Distrito] [nvarchar](150) NOT NULL,
[Provincia] [nvarchar](150) NOT NULL,
CONSTRAINT [PK_ZONA_DIM] PRIMARY KEY CLUSTERED
(
[ZonaKey] ASC
)WITH
(PAD_INDEX
OFF,
OFF,

= ON) ON [PRIMARY]
) ON [PRIMARY]
GO
ALTER TABLE [dbo].[ADMISION_FACTS]
WITH CHECK ADD
CONSTRAINT
[FK_ADMISION_FACTS_ NIVEL_ACADEMICO_DIM FOREIGN

KEY([NivelAcademicoKey])
REFERENCES [dbo].[NIVEL_ACADEMICO_DIM] ([NivelAcademicoKey])
GO
ALTER
TABLE
[dbo].[ADMISION_FACTS]
[FK_ADMISION_FACTS_ NIVEL_ACADEMICO_DIM]
GO
-84-
CHECK
CONSTRAINT
A. Castaeda
WITH CHECK ADD
CONSTRAINT
[FK_ADMISION_FACTS_COLEGIO_DIM1] FOREIGN KEY([ColegioKey])

REFERENCES [dbo].[COLEGIO_DIM] ([ColegioKey])
GO
ALTER
TABLE
CHECK
CONSTRAINT
[FK_ADMISION_FACTS_COLEGIO_DIM1]
GO
WITH CHECK ADD
CONSTRAINT
[FK_ADMISION_FACTS_MODALIDAD_DIM] FOREIGN KEY([ModalidadKey])

REFERENCES [dbo].[MODALIDAD_DIM] ([ModalidadKey])
GO
ALTER
TABLE
CHECK
CONSTRAINT
[FK_ADMISION_FACTS_MODALIDAD_DIM]
GO
WITH CHECK ADD
CONSTRAINT
[FK_ADMISION_FACTS_POSTULANTE_DIM] FOREIGN KEY([PostulanteKey])

REFERENCES [dbo].[POSTULANTE_DIM] ([PostulanteKey])
GO
ALTER
TABLE
CHECK
CONSTRAINT
[FK_ADMISION_FACTS_POSTULANTE_DIM]
GO
WITH CHECK ADD
CONSTRAINT
[FK_ADMISION_FACTS_TIEMPO_DIM] FOREIGN KEY([TiempoKey])

REFERENCES [dbo].[TIEMPO_DIM] ([TiempoKey])
GO
ALTER
TABLE
CHECK
CONSTRAINT
[FK_ADMISION_FACTS_TIEMPO_DIM]
GO
WITH CHECK ADD
[FK_ADMISION_FACTS_ZONA_DIM] FOREIGN KEY([ZonaKey])

REFERENCES [dbo].[ZONA_DIM] ([ZonaKey])
GO
-85-
CONSTRAINT
ALTER
TABLE
A. Castaeda
CHECK
CONSTRAINT
[FK_ADMISION_FACTS_ZONA_DIM]
GO
/* Creacion de Indices */
CREATE INDEX IDX_PostulanteID
on Postulante_Dim(PostulanteID)
CREATE INDEX IDX_Nivel_Academico
on NIVEL_ACADEMICO_DIM (Facultad, Escuela)
CREATE INDEX IDX_Colegio
on Colegio_Dim(TipoColegio, Colegio)
CREATE INDEX IDX_Modalidad
on Modalidad_Dim(Modalidad)
CREATE INDEX IDX_Tiempo
on Tiempo_Dim(Semestre,Ao,Mes,Dia)
CREATE INDEX IDX_Zona
on Zona_Dim(Provincia, Distrito)
3.9
DISEO Y DESARROLLO DE PRESENTACIN DE DATOS
La herramienta ETL que se us es Integration Services del entorno de SQL Server Data
Tools para lo cual se desarrolla los paquetes para la extraccin, transformacin y carga de
los datos con origen en el OLTP y con destino en el OLAP.
Ingreso al Entorno del SQL Server Integration Services:
Para comenzar nuestro trabajo en la creacin de paquetes ETL, hacer clic en SQL Server
Data Tools y crear un nuevo proyecto.
-86-
A. Castaeda
Luego aparece el entorno de desarrollo de Microsoft Visual Studio para generar un nuevo
proyecto, seleccionar la opcin Archivo/Nuevo/Proyecto.
Aparece la pantalla de plantillas hacer clic en Integration Services luego en Proyecto de

Integration Services y se le asigna un nombre al proyecto en este caso
POBLAMIENTOUA.
-87-
A. Castaeda
A continuacin se muestra el entorno de desarrollo de los paquetes de ETL.
Administracin de Conexiones:
Lo primero es realizar la conexin de la base de datos de origen PROYECTOBI de la cual
se va extraer la data y crear la conexin de la base de datos de destino PROYECTO_UA.
Verificar en el explorador de soluciones que se haya creado la conexin correcta.
-88-
A. Castaeda
3.9.1 Identificar fuentes y destinos detallados

ORIGEN: TABLA PERSONA
DESTINO: TABLA POSTULANTE_DIM
Figura 39. Fuentes y Destinos (Persona Postulante_dim).
ORIGEN: TABLA PERCARRERA Y PERFACULTAD

DESTINO: TABLA NIVEL_ACADEMICO_DIM
Figura 40. Fuentes y Destinos (Pecarrera, Perfacultad Nivel_Academico_dim).

-89-
A. Castaeda
ORIGEN: TABLA PERMODALIDAD

DESTINO: TABLA MODALIDAD_DIM
Figura 41. Fuentes y Destinos (Interface Modalidad _dim).
ORIGEN: TABLA PERADMISION

DESTINO: TABLA TIEMPO_DIM
Figura 42. Fuentes y Destinos (Peradmision Tiempo_dim).
-90-
A. Castaeda
ORIGEN: TABLA PROVINCIA, DISTRITO

DESTINO: TABLA ZONA_DIM
Figura 43. Fuentes y Destinos (Provincia, Distrito Zona_dim).
ORIGEN: TABLA PERTIPOCOLEGIO, PERCOLEGIO

DESTINO: TABLA COLEGIO_DIM
Figura 44. Fuentes y Destinos (Pertipocolegio, Percolegio Colegio_dim).

-91-
-92-
/* Comando SQL */
TRUNCATETABLE ADMISION_FACTS
DELETE ADMISION_FACTS
DELETEFROM MODALIDAD_DIM
DBCC CHECKIDENT('MODALIDAD_DIM', reseed, 0)
DELETEFROM NIVEL_ACADEMICO_DIM
DBCC CHECKIDENT('NIVEL_ACADEMICO_DIM', reseed, 0)
DELETEFROM POSTULANTE_DIM
DBCC CHECKIDENT('POSTULANTE_DIM', reseed, 0)
DELETEFROM TIEMPO_DIM
DBCC CHECKIDENT('TIEMPO_DIM', reseed, 0)
DELETEFROM ZONA_DIM
DBCC CHECKIDENT('ZONA_DIM', reseed, 0)
DELETEFROM COLEGIO_DIM
DBCC CHECKIDENT('COLEGIO_DIM', reseed, 0)
A. Castaeda
Figura 45. Limpieza del Poblamiento PROYECTO_UA.
3.9.2 Cargar inicial
-90-
A. Castaeda
3.9.3 Cargar tabla dimensin

POSTULANTE_DIM
Comando SQL:
SELECT DISTINCT dbo.Persona.cPerCodigo, dbo.Persona.cPerNombre + '
' +
dbo.Persona.cPerApellidos as NombresApellidos, dbo.Persona.sexo

FROM dbo.Persona
Figura 46. Carga de Datos de Postulante_dim.
NIVEL_ACADEMICO_DIM
Comando SQL:
select a.nUniOrgCodigo, a.cUniOrgNombre, b.nUniFacudescrip from PerCarrera a
inner join PerFacultad b on a.nUniFacultad=b.nUnifacultad
where nIntTipo='1026'
and nUniOrgCodigo in (91015,91016,91017,91018,91019)
Figura 47. Carga de Datos de Nivel_Academico_dim.
ZONA_DIM
Comando SQL:
SELECT a.idDistrito,a.cdistrito ,b.cprovincia FROM DISTRITO a inner join provincia b
on a.idprovincia=b.idprovincia
Figura 48. Carga de Datos de Zona_dim.

-93-
A. Castaeda
TIEMPO_DIM
Comando SQL:
select distinct pa.dperadmfecha as FECHA,
Datename(month, pa.dPerAdmFecha) AS MES,DatePart(yy, pa.dPerAdmFecha) AS AO,
CASE WHEN datepart(month,pa.dPerAdmFecha) between 1 and 6 THEN 'semestre '+'I'
WHEN datepart(month,pa.dPerAdmFecha) between 7 and 12 THEN 'semestre '+'II'
END AS SEMESTRE from PerAdmision pa WHERE pa.dPerAdmFecha IS NOT NULL
Figura 49. Carga de Datos de Tiempo_dim.
MODALIDAD_DIM
Comando SQL:
SELECT DISTINCT modalidad, intDescrip
FROM PerModalidad
where modalidad in (40,89,10,20)
Figura 50. Carga de Datos de Modalidad_dim.
COLEGIO_DIM
Comando SQL:
select a.cColegioCodigo,a.descripcion,b.pertiponomre from PerColegio a
inner join pertipocolegio b on a.pertipocolegio=b.pertipocolegio
Figura 51. Carga de Datos de Colegio_dim.
-94-
A. Castaeda
3.9.5 Cargar tabla de hechos

ADMISION_FACTS
Comando SQL:
select distinct PROYECTO_UA.dbo.POSTULANTE_DIM.postulanteKey,
PROYECTO_UA.dbo.ZONA_DIM.ZonaKey,
PROYECTO_UA.dbo.MODALIDAD_DIM.ModalidadKey,
PROYECTO_UA.dbo.NIVEL_ACADEMICO_dim.NivelAcademicoKey,
PROYECTO_UA.dbo.TIEMPO_DIM.TiempoKey,
PROYECTO_UA.DBO.COLEGIO_DIM.ColegioKey,
(select(COUNT(Persona.cPerCodigo)) from Persona
where Persona.cPerCodigo=PROYECTO_UA.dbo.POSTULANTE_DIM.PostulanteID) as
CantidadPostulantes,
SUM(PA.pago) as monto, (select (COUNT(PerAdmision.cPerCodigo)) from PerAdmision
where
PerAdmision.cPerCodigo=PROYECTO_UA.dbo.POSTULANTE_DIM.PostulanteID and
PerAdmision.condicion='INGRESO') as CantidadIngresantes
from Persona P inner join PROYECTO_UA.dbo.POSTULANTE_DIM
ON P.cPerCodigo=PROYECTO_UA.dbo.POSTULANTE_DIM.PostulanteID
inner join Distrito D
ON P.idDistrito=D.idDistrito
inner join PROYECTO_UA.dbo.ZONA_DIM
ON D.idDistrito=PROYECTO_UA.dbo.ZONA_DIM.ZonaID
inner join PerAdmision PA
ON P.cPerCodigo=PA.cPerCodigo
inner join PerModalidad M
ON PA.nPerAdmTipo=M.modalidad
inner join PROYECTO_UA.dbo.MODALIDAD_DIM
ON m.modalidad=PROYECTO_UA.dbo.MODALIDAD_DIM.ModalidadID
inner join PerCarrera C
ON Pa.nUniOrgCodigo=C.nUniOrgCodigo
inner join PROYECTO_UA.dbo.NIVEL_ACADEMICO_dim
ON C.nUniOrgCodigo=
PROYECTO_UA.dbo.NIVEL_ACADEMICO_dim.NivelAcademicoID
-95-
A. Castaeda
inner join PROYECTO_UA.dbo.TIEMPO_DIM

ON PROYECTO_UA.dbo.TIEMPO_DIM.Fecha=PA.dPerAdmFecha
inner join PerColegio CO
ON Pa.cColegioCodigo=CO.cColegioCodigo
inner join PROYECTO_UA.DBO.COLEGIO_DIM
ON PROYECTO_UA.DBO.COLEGIO_DIM.ColegioID=CO.cColegioCodigo
GROUP BY
PROYECTO_UA.dbo.POSTULANTE_DIM.postulanteKey,
PROYECTO_UA.dbo.ZONA_DIM.ZonaKey,
PROYECTO_UA.dbo.MODALIDAD_DIM.ModalidadKey,
PROYECTO_UA.dbo.NIVEL_ACADEMICO_dim.NivelAcademicoKey,
PROYECTO_UA.dbo.TIEMPO_DIM.TiempoKey,
PROYECTO_UA.DBO.COLEGIO_DIM.ColegioKey,
PROYECTO_UA.dbo.POSTULANTE_DIM.PostulanteID
-96-
3.9.6 Carga de dimensiones y tabla de hechos
-97-
A. Castaeda
Figura 52. Prueba correcta de Carga de Datos.

-94-
A. Castaeda
3.9.7 Gestionar Cubos

A) Crear y Cargar Cubos
Para la creacin y carga del cubo, se ingres al entorno de SQL Server Data Tools para
crear un nuevo proyecto de Analysis Services.
Aparece la pantalla de plantillas hacer clic en Analysis Services luego en Proyecto
multidimensional y de minera de datos y se le asigna un nombre al proyecto en este
caso CUBOFINAL.
Figura 53. Creando un Proyecto de Analysis Services Business Intelligence.
Figura 54. Creando Orgenes de datos.

-98-
A. Castaeda
Creando Orgenes de datos:

Ubicarse en el Explorador de Soluciones, clic derecho sobre Orgenes de datos: Nuevo
Orgenes de datos.
Aparece la Pantalla de Presentacin del Asistente: clic Siguiente.
Clic en Nueva: con lo que se activa y Aceptar:
Figura 55. Estableciendo conexin con PROYECTO_UA.

Clic: Siguiente: seleccione: Utilizar la cuenta de servicio.
Clic: Finalizar
Figura 56. Finalizacin del Asistente.

-99-
A. Castaeda
Creando Vista del Origen de Datos:

Ubicarse en el Explorador de Soluciones, clic derecho sobre Vistas del origen de datos:
Nueva vista del origen de datos.
La Pantalla de Presentacin del Asistente: clic Siguiente.
Clic en Nuevo origen de datos.
Clic siguiente Debe aparecer PROYECTO_UA.
Figura 57. Asistente para vistas del origen de datos.
Figura 58. Seleccin de tablas para la solucin analtica.

-100-
A. Castaeda
Al finalizar obtendr la siguiente interfaz
Figura 59. Interfaz de Analysis Services.
B) Crear el Cubo
En el explorador de soluciones, clic derecho sobre Cubos, y clic en Nuevo Cubo.
En la pgina de bienvenida Clic Siguiente y usar tablas existentes.
Seleccionar tabla de grupo de medida.
Figura 60. Tablas de grupo de medida.

-101-
Luego seleccionar medidas para mostrar en el cubo.
Figura 61. Seleccin de medidas para mostrar en el cubo.

Seleccionar las dimensiones a mostrarse en el cubo.
Figura 62. Seleccin de dimensiones para mostrar en el cubo.

-102-
A. Castaeda
A. Castaeda
Aspecto final del cubo.
Figura 63. Estructura de un cubo en Analysis Services.

C) Personalizar Cubo
Crear Jerarquas en las Dimensiones:
Figura 64. Editor de Dimensiones para TIEMPO_DIM.
-103-
A. Castaeda
Figura 65. Editor de Dimensiones para NIVEL_ACADEMICO_DIM.
Figura 66. Editor de Dimensiones para ZONA_DIM.
Figura 67. Editor de Dimensiones para COLEGIO_DIM.
-104-
A. Castaeda
Crear Miembros Calculados:

Los miembros calculados son miembros de una dimensin o un grupo de medida que se
definen segn una combinacin de datos del cubo.
Figura 68. Ficha de Clculos del Diseador de cubos.

Se realiz tres miembros calculados:
Promedio por postulantes:

CREATE MEMBER CURRENTCUBE.[Measures].[Promedio por Postulantes]
AS [Measures].[Monto]/[Measures].[Cantidad Postulantes],
FORMAT_STRING = "Currency",
NON_EMPTY_BEHAVIOR = { [Cantidad Postulantes] },
VISIBLE = 1;
Promedio por ingresantes:

CREATE MEMBER CURRENTCUBE.[Measures].[Promedio por Ingresantes]
AS [Measures].[Monto]/[Measures].[Cantidad Ingresantes],
FORMAT_STRING = "Currency",
NON_EMPTY_BEHAVIOR = { [Monto], [Cantidad Ingresantes] },
VISIBLE = 1;
-105-
A. Castaeda
Porcentaje de Ingresantes sobre Postulantes:

CREATE MEMBER CURRENTCUBE.[Measures].[Porcentaje Ingresantes sobre
Postulantes]
AS ([Measures].[Cantidad Ingresantes]/[Measures].[Cantidad Postulantes])*100,
FORMAT_STRING = "Percent",
NON_EMPTY_BEHAVIOR = { [Cantidad Postulantes], [Cantidad Ingresantes] },
VISIBLE = 1;
Crear KPI:
Los KPI constituyen un conjunto de mtricas enfocadas en medir aquellos aspectos de
performance organizacional que impactan en mayor forma en el xito actual y futuro de la
empresa.
Figura 69. Visualizacin de KPI.
Visualizacin de la informacin del cubo:

Se muestra el contenido de la pestaa Examinador. Debe arrastrar las dimensiones o
atributos y las medidas necesarias al cubo.
-106-
A. Castaeda
Figura 70. Visualizacin de informacin del cubo.
3.10 ESPECIFICACIONES DE LAS APLICACIONES DEL USUARIO FINAL

Roles y Procesos
Se describe con mayor nivel de detalle los roles y procedimientos del negocio. Es
necesario identificar a los participantes en la toma de decisiones. Esto ayuda a delimitar las
responsabilidades especficas de cada rol y determinar sus necesidades de informacin.
En esta fase se determinan las aplicaciones y qu usuarios tendrn acceso a estos. Para este
proyecto existe un tipo de usuario final:
El Jefe de Admisin: Este usuario tiene un perfil de consulta ms estratgico, para este
usuario se desarroll reportes solicitados segn sus requerimientos, y reportes de KPI
como indicadores.
3.11 DESARROLLO DE APLICACIN DEL USUARIO FINAL

En esta fase se construye la vista de los reportes que sern usados por los usuarios
finales, dichos reportes estn basados en la informacin que ha proporcionado el
equipo de requerimientos.
Para la generacin de reportes se han considerado desarrollar consultas agrupadas y
dentro de cada grupo tener una serie de reportes.
-107-
A. Castaeda
A) Reportes con Microsoft Office Excel 2010

El principal objetivo de Microsoft Office Excel 2010 es crear informes altamente
personalizables y modelos analticos que se pueden actualizar automticamente.
Figura 71. Herramienta de Aplicacin para el Usuario: Microsoft Office Excel 2010.
Tabla 18. Cantidad de postulantes e ingresantes por facultad y escuela.
Facultad
Facultad de Humanidades
DERECHO
PSICOLOGIA
Facultad de Ciencias De Gestin
ADMINISTRACION
CONTABILIDAD
INGENIERIA DE SISTEMAS
Total general
Cantidad ingresantes
2121
1235
886
3647
1360
797
1490
5768
Cantidad postulantes
3295
1895
1400
5892
2153
1267
2472
9187
Tabla 19. Cantidad de postulantes, ingresantes y monto por Modalidad.

Modalidad
CENTRO PRE UNIVERSITARIO
EXAMEN EXTRAORDINARIO
EXAMEN ORDINARIO
TU PRIMERA OPCIN
Total general
Cantidad postulantes
3365
534
4793
495
9187
-108-
Cantidad ingresantes
2166
335
3002
265
5768
Monto
504750
80100
718950
74250
1378050
A. Castaeda
Tabla 20. Cantidad de postulantes e ingresantes por distrito y sexo.

Distrito
LIMA
ATE
BARRANCO
BREA
CHORRILLOS
COMAS
LA MOLINA
LA VICTORIA
LIMA
LINCE
LOS OLIVOS
LURIN
MIRAFLORES
PACHACAMAC
PUCUSANA
PUENTE PIEDRA
PUNTA HERMOSA
PUNTA NEGRA
RIMAC
SAN BARTOLO
SAN BORJA
SAN ISIDRO
SAN JUAN DE
LURIGANCHO
SAN JUAN DE
MIRAFLORES
SAN LUIS
SAN MARTIN DE
PORRES
SAN MIGUEL
SANTA ANITA
SANTIAGO DE
SURCO
SURQUILLO
VILLA EL SALVADOR
VILLA MARIA DEL
TRIUNFO
Total general
Cantidad
ingresantes
F
M
19
24
16
22
9
7
226
241
8
5
15
36
14
12
31
25
12
19
20
21
151
259
24
63
75
192
39
27
10
8
22
25
31
20
11
3
22
71
23
47
17
37
Cantidad
postulantes
F
M
34
40
28
28
13
14
348
391
8
10
29
62
27
26
51
36
24
29
30
30
242
388
52
97
127
272
68
43
13
10
36
36
41
34
12
5
32
111
53
62
38
60
Total cantidad
ingresantes
Total cantidad
postulantes
43
38
16
467
13
51
26
56
31
41
410
87
267
66
18
47
51
14
93
70
54
74
56
27
739
18
91
53
87
53
60
630
149
399
111
23
72
75
17
143
115
98
22
22
34
33
44
67
460
23
744
58
748
33
1109
75
1204
81
1857
108
6
5
33
9
5
49
11
8
45
13
9
58
15
10
82
24
17
103
213
139
402
356
125
368
325
210
741
530
183
613
569
264
770
855
393
1354
280
2378
490
3390
528
3989
791
5198
770
5768
1319
9187
-109-
A. Castaeda
Tabla 21. Cantidad de postulantes, ingresantes y monto por tipo de colegio.

Ao
2008
semestre I
ESTATAL
PARTICULAR
semestre II
ESTATAL
PARTICULAR
2009
semestre I
ESTATAL
PARTICULAR
semestre II
ESTATAL
PARTICULAR
2010
semestre I
ESTATAL
PARTICULAR
semestre II
ESTATAL
PARTICULAR
2011
semestre I
ESTATAL
PARTICULAR
semestre II
ESTATAL
PARTICULAR
2012
semestre I
ESTATAL
PARTICULAR
semestre II
ESTATAL
PARTICULAR
Total general
Cantidad Ingresantes
704
462
219
243
242
126
116
875
536
241
295
339
142
197
1189
729
334
395
460
214
246
1312
802
358
444
510
231
279
1688
1012
475
537
676
317
359
5768
Cantidad Postulantes
1225
814
383
431
411
209
202
1501
940
419
521
561
242
319
1796
1116
506
610
680
306
374
2009
1212
553
659
797
369
428
2656
1536
704
832
1120
518
602
9187
-110-
Monto
183750
122100
57450
64650
61650
31350
30300
225150
141000
62850
78150
84150
36300
47850
269400
167400
75900
91500
102000
45900
56100
301350
181800
82950
98850
119550
55350
64200
398400
230400
105600
124800
168000
77700
90300
1378050
A. Castaeda
Figura 72. Cantidad de postulantes y ingresantes por modalidad.
43%
57%
Figura 73. Cantidad de Postulantes por Sexo.
FACULDAD DE
HUMANIDADES
INGENIERIA DE
SISTEMAS
CONTABILIDAD
ADMINISTRACION
PSICOLOGIA
DERECHO
3000
2500
2000
1500
1000
500
0
Cantidad Ingresantes
Cantidad Postulantes
FACULTAD DE CIENCIAS
DE GESTIN
Figura 74. Cantidad de postulantes e ingresantes por facultad y escuela.

-111-
A. Castaeda
B) Reportes con Reporting Services

El principal objetivo de Reporting Services es organizar los datos de tal forma que
sean presentados de manera efectiva al usuario final.
Figura 75. Reporte de Postulantes y Monto por Facultad.
-112-
A. Castaeda
Figura 76. Reporte de Postulantes e Ingresantes por Modalidad.
Figura 77. Reporte General.
-113-
A. Castaeda
3.12 IMPLEMENTACIN
La implementacin representa la convergencia de la tecnologa, los datos y las
aplicaciones de usuarios finales accesible desde el escritorio del usuario del negocio.
Hay varios factores extras que aseguran el correcto funcionamiento de todas estas
piezas, entre ellos se encuentran la capacitacin, el soporte tcnico, la comunicacin.
Todas estas tareas deben ser tenidas en cuenta antes de que cualquier usuario pueda
tener acceso al Business Intelligence.
Plan de Implementacin.- El plan de implementacin considera las siguientes
actividades:
1. Capacitacin del sistema a los usuarios que disponga la UAP, los mismos que
luego podrn capacitar a los usuarios de las diferentes oficinas involucradas.
2. Capacitacin tcnica de la herramienta al personal de Sistemas, con el propsito
que puedan dar el soporte informtico a los usuarios y el mantenimiento posterior del
mismo.
3. Verificacin Final de los datos antes de inicio de la operacin.
Reportes Generados desde Aplicativo Web
Para que el Jefe de Admisin pueda tomar decisiones se ha creado un Aplicativo
Web en el cual podr generar reportes analticos.
Figura 78. Pantalla de acceso al sistema del aplicativo de Business Intelligence.
-114-
A. Castaeda
Figura 79. Pantalla del Men Principal.
Figura 80. Pantalla de Reporte de Postulantes y Monto por Facultad.

-115-
A. Castaeda
Figura 81. Pantalla de KPI: reporte de ingresantes por postulantes al ao.
Figura 82. Pantalla de Reporte General.
-116-
A. Castaeda
CAPTULO IV
ANLISIS DE RESULTADOS
Y CONTRASTACIN
DE LA HIPTESIS
No hay camino para la verdad, la verdad es el camino.

Mahatma Gandhi
-117-
CAP. IV: ANLISIS DE RESULTADOS Y CONTRASTACIN DE HIPTESIS
4.1
A. Castaeda
POBLACIN Y MUESTRA
4.1.1 Poblacin
Se identifica como unidad de anlisis a las personas que toman decisiones sobre el
rea de Admisin en la Universidad Autnoma del Per.
N=indeterminado
4.1.2 Muestra
Para muestra de investigacin se tomar una muestra con un valor de 30, ya que es
un valor adecuado, estndar y se utilizan en varios procesos de investigacin.26
n=30 Tomas de Decisiones.
4.2
NIVEL DE CONFIANZA
El nivel de confianza ser de 95%, es decir, se tiene un margen de error de 5%.
4.3
ANLISIS E INTERPRETACIN DE RESULTADOS

4.3.1 Resultados Genricos
A) Planteamiento del Proyecto
Descripcin de la Empresa.
Stakeholders Internos y Externos.
Productos y/o Servicios y Clientes de la corporacin.
Cadena de Valor Actual.
Alcance del Proyecto.
Justificacin del Proyecto.
Beneficios del Proyecto.
Cronograma de Actividades.
Equipo de Trabajo.
Hardware y Software.
Riesgos del Proyecto.
B) Definicin de los Requerimientos del Negocio

Entrevistas.
Analizar Entrevistas.
Definicin de los Requerimientos Finales.
26
Pande, P. Las claves Prcticas de SIX SIGMA, 2004, pp. 135-136.
-118-
C) Diseo de la Arquitectura Tcnica

Diseo de la Arquitectura Tecnolgica de la UA.
Flujo Tcnico de la Arquitectura: Back Room, Front Room.
D) Seleccin del Producto e Instalacin
E) Modelo Dimensional
Seleccin del Business Intelligence.
Antigedad de la Data.
Calidad de la Data.
Definicin de dimensiones.
Determinar la granularidad.
Definicin de medidas.
Modelo estrella del Data Mart.
F) Diseo Fsico
Trasladar el Modelo Dimensional al Modelo Fsico.
Sentencias SQL para crear el modelo.
G) Diseo y Desarrollo de Presentacin de datos
Poblar el Data Mart.

Extraer datos.
Cargar datos a tablas dimensionales.
Cargar datos a tabla de hechos.
Gestionar cubos.
Crear y cargar cubos.
Personalizar cubos: crear jerarquas, KPI, etc.
H) Especificacin de las Aplicaciones del Usuario Final
I) Desarrollo de Aplicacin del Usuario Final
Reportes por cubos con Microsoft Excel 2010.
Reportes por cubos con Reporting Services.

-119-
A. Castaeda
A. Castaeda
J) Implementacin
Reportes generados desde el aplicativo web.
Reportes generados desde Microsoft Excel 2010.
K) Mantenimiento y Crecimiento
L) Administracin del Proyecto
4.3.2 Resultados Especficos

A continuacin se muestra los valores de los indicadores de la Post-Prueba (Gc) y
Post-Prueba (Ge).
-120-
-121-
-117-
KP5:Comprensin de
los reportes
Post-Prueba Post-Prueba
(Gc)
(Ge)
Difcil
Normal
Normal
Normal
Difcil
Fcil
Normal
Fcil
Fcil
Fcil
Normal
Fcil
Difcil
Normal
Difcil
Normal
Normal
Fcil
Normal
Fcil
Fcil
Normal
Difcil
Fcil
Difcil
Fcil
Normal
Normal
Fcil
Normal
Normal
Fcil
Normal
Normal
Difcil
Fcil
Fcil
Normal
Fcil
Normal
Normal
Normal
Difcil
Fcil
Difcil
Normal
Difcil
Normal
Normal
Fcil
Normal
Normal
Normal
Fcil
Normal
Fcil
Difcil
Normal
Fcil
Fcil
A. Castaeda
Nmero
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
KP1: Porcentaje de exactitud KP2: Tiempo en realizar KP3: Porcentaje de malas

KP4: Nmero de reportes
de la informacin (%)
los reportes (min)
decisiones tomadas (%) solicitados por ciclo (reportes/ciclo)
Post-Prueba
Post-Prueba Post-Prueba Post-Prueba Post-Prueba Post-Prueba
(Gc)
(Ge)
(Gc)
(Ge)
(Gc)
(Ge)
Post-Prueba (Gc) Post-Prueba (Ge)
42,60
82,46
23
4
29,71
4,7
4
15
50,45
89,90
24
3
10,41
2,2
5
12
46,99
88,12
24
5
13,24
2,4
4
15
51,58
84,90
28
3
15,93
4,7
3
15
47,55
87,60
24
5
26,23
3,6
3
13
41,39
80,80
25
4
22,30
2,5
3
15
48,31
84,70
24
3
18,59
4,1
4
16
44,67
88,50
25
5
12,02
1,6
3
16
54,63
89,10
23
4
19,26
2,7
3
12
48,13
81,40
24
5
20,20
4,31
4
14
53,45
80,40
25
5
21,82
3,7
4
12
52,14
81,60
22
3
19,74
1,7
3
15
45,70
86,60
24
6
21,20
2,2
5
12
49,32
88,60
26
5
11,52
2,5
5
13
51,55
81,50
27
4
12,69
4,8
4
15
43,56
87,40
22
3
15,94
3,7
4
15
42,76
83,70
23
6
25,99
1,4
5
13
41,34
89,00
28
5
26,62
0,8
3
12
48,31
87,12
29
5
16,71
1,6
5
15
46,11
80,30
29
4
29,83
3,1
5
13
50,15
86,90
28
5
15,35
1,9
4
15
51,24
82,50
30
4
20,02
3,6
4
12
52,89
86,00
27
6
21,01
1,8
5
15
46,34
81,00
28
5
23,66
3,5
3
12
46,89
82,12
24
5
10,04
1,6
3
14
51,45
84,40
27
3
24,62
2,3
3
15
53,36
83,20
23
5
27,10
2,8
4
15
54,52
88,90
26
4
24,97
4,6
4
13
42,37
89,20
28
5
29,48
4,5
3
15
47,53
84,00
29
5
23,91
0,98
3
14
Tabla 22. Resultados de Post-Prueba (Gc) y Post-Prueba (Ge) para los KPI1, KPI2, KPI3, KPI4, KPI5.
A. Castaeda
4.3.3 Resultados Numricos

A continuacin se presentan las medias de los KPIs para la Post-Prueba (Gc) y PostPrueba (Ge):
Tabla 23. Promedio de los indicadores de la Post-Prueba (Gc) y Post-Prueba (Ge).
Post-Prueba (Gc)
Post-Prueba (Ge)
Indicador
Porcentaje de exactitud de
Comentario
(Media: X 1)
(Media: X 2)
46,68%
85,06%
25,63 min.
4,47 min.
20,337%
2,86%
4 reportes/ciclo
14 reportes/ciclo
la informacin
Tiempo en realizar los

reportes
Porcentaje
de
malas
decisiones tomadas
Nmero
de
reportes
solicitados por ciclo

No
Comprensin
de
los
-------
reportes
--------
contrastado.
Indicado
Cualitativo
En las siguientes tablas se muestra los resultados de la Post-Prueba (Gc) y PostPrueba (Ge). Adems se resalta los valores de los KPIs medidos, en la Post-Prueba
(Ge), que son mejores (menores o mayores) que los KPIs promedio en la Post-Prueba
(Ge) (fondo verde), los que son menores que la meta planteada (fondo azul), y los
que son menores que los KPIs promedio en la Post-Prueba (Gc) (fondo rojo).
Se realiza, a continuacin, un anlisis detallado de los datos de cada de una de las
tablas.
-122-
A. Castaeda
A. Porcentaje de exactitud de la informacin: KPI1

Tabla 24. Resultados de Post-Prueba (Gc) y Post-Prueba (Ge) para el KPI1.
Promedio
Meta Planteada
N mayor a Promedio
% mayor a Promedio
Post-Prueba (Gc)
42,6
50,45
46,99
51,58
47,55
41,39
48,31
44,67
54,63
48,13
53,45
52,14
45,70
49,32
51,55
43,56
42,76
41,34
48,31
46,11
50,15
51,24
52,89
46,34
46,89
51,45
53,36
54,52
42,37
47,53
46,68
Post-Prueba (Ge)
82,46
82,46
82,46
89,90
89,90
89,90
88,12
88,12
88,12
84,90
84,90
84,90
87,60
87,60
87,60
80,80
80,80
80,80
84,70
84,70
84,70
88,50
88,50
88,50
89,10
89,10
89,10
81,40
81,40
81,40
80,40
80,40
80,40
81,60
81,60
81,60
86,60
86,60
86,60
88,60
88,60
88,60
81,50
81,50
81,50
87,40
87,40
87,40
83,70
83,70
83,70
89,00
89,00
89,00
87,13
87,13
87,13
80,30
80,30
80,30
86,90
86,90
86,90
82,50
82,50
82,50
86,00
86,00
86,00
81,00
81,00
81,00
82,12
82,12
82,12
84,40
84,40
84,40
83,20
83,20
83,20
88,90
88,90
88,90
89,20
89,20
89,20
84,00
84,00
84,00
85,06
87
15
11
30
50,00
36,67
100,00
El 50,00% de los porcentajes de exactitud de la informacin en la Post-Prueba (Ge)

fueron mayores que su exactitud promedio.
fueron mayores que la meta planteada.
fueron mayores que la exactitud promedio en la Post-Prueba (Gc).
-123-
A. Castaeda
Resumen para Porcentaje de exactitud de informacin

P rueba de normalidad de A nderson-Darling
A -cuadrado
V alor P
80
82
84
86
88
90
0,80
0,034
M edia
Desv .E st.
V arianza
A simetra
Kurtosis
N
85,064
3,161
9,992
-0,03777
-1,50603
30
M nimo
1er cuartil
M ediana
3er cuartil
M ximo
80,300
81,990
84,800
88,215
89,900
Interv alo de confianza de 95% para la media

83,884
86,245
Interv alo de confianza de 95% para la mediana

82,660
Intervalos de confianza de 95%
87,338
Interv alo de confianza de 95% para la desv iacin estndar

Media
2,517
4,249
Mediana
83
84
85
86
87
Los datos tienen un comportamiento poco normal debido a que el Valor p

(0,034) < (0,05), pero son valores cercanos, lo cual se confirma al
observarse que los intervalos de confianza de la Media y la Mediana se
traslapan.
La distancia promedio de las observaciones individuales de los porcentajes
de exactitud de la informacin con respecto a la media es de 3,161%.
Alrededor del 95% de los porcentajes de exactitud de la informacin estn
dentro de 2 desviaciones estndar de la media, es decir entre 83,884% y
86,245%.
La Kurtosis= -1,506 indica que hay valores de tiempo con picos muy bajos.
La Asimetra = -0,037 indica que la mayora de los porcentajes de exactitud de
la informacin son altas.
El 1er Cuartil (Q1) =81,990% indica que el 25% de los porcentajes de
exactitud de la informacin es menor que o igual a este valor.
El 3er Cuartil (Q3) =88,215% indica que el 75% de los porcentajes de
exactitud de la informacin es menor que o igual a este valor.
-124-
A. Castaeda
B. Tiempo en realizar los reportes: KPI2

Promedio
Meta Planteada
N menor a Promedio
% menor a Promedio
Post-Prueba
(Gc)
23
24
24
28
24
25
24
25
23
24
25
22
24
26
27
22
23
28
29
29
28
30
27
28
24
27
23
26
28
29
25,63
4
3
5
3
5
4
3
5
4
5
5
3
6
5
4
3
6
5
5
4
5
4
6
5
5
3
5
4
5
5
13
43,33
Post-Prueba (Ge)
4
3
5
3
5
4
3
5
4
5
5
3
6
5
4
3
6
5
5
4
5
4
6
5
5
3
5
4
5
5
4,47
5,00
13
43,33
4
3
5
3
5
4
3
5
4
5
5
3
6
5
4
3
6
5
5
4
5
4
6
5
5
3
5
4
5
5
30
100
El 43,33% de los tiempos en realizar los reportes en la Post-Prueba (Ge) fueron menores
que su tiempo promedio.
El 43,33% de los tiempos en realizar los reportes en la Post-Prueba (Ge) fueron menores
que la meta planteada.
El 100% de los tiempos en realizar los reportes en la Post-Prueba (Ge) fueron menores
que el tiempo promedio en la Post-Prueba (Gc).
-125-
A. Castaeda
Resumen para Tiempo en realizar los reportes

A -cuadrado
V alor P <
1,97
0,005
M edia
Desv .E st.
V arianza
A simetra
Kurtosis
N
4,4667
0,9371
0,8782
-0,300900
-0,817363
30
M nimo
1er cuartil
M ediana
3er cuartil
M ximo
3,0000
4,0000
5,0000
5,0000
6,0000

4,1167
4,8166

4,0000
5,0000
0,7463
1,2598
Media
Mediana
4,00
4,25
4,50
4,75
5,00

(0,005) < (0,05), pero son valores cercanos, lo cual se confirma al observarse
que los intervalos de confianza de la Media y la Mediana se traslapan.
La distancia promedio de las observaciones individuales de los tiempos en
realizar los reportes con respecto a la media es de 0,93%.
Alrededor del 95% de los tiempos en realizar los reportes estn dentro de 2
desviaciones estndar de la media, es decir entre 4,11 y 4,81 minutos.
La Asimetra = -0,30 indica que la mayora de los tiempos en realizar reportes
son altas.
El 1er Cuartil (Q1) = 4 minutos indica que el 25% de los tiempos en realizar
los reportes es menor que o igual a este valor.
El 3er Cuartil (Q3) = 5 minutos indica que el 75% de los tiempos en realizar
los reportes es menor que o igual a este valor.
-126-
A. Castaeda
C. Porcentaje de malas decisiones tomadas: KPI3

Promedio
Meta Planteada
N menor a Promedio
% menor a Promedio
Post-Prueba (Gc)
29,71
10,41
13,24
15,93
26,23
22,3
18,59
12,02
19,26
20,2
21,82
19,74
21,2
11,52
12,69
15,94
25,99
26,62
16,71
29,83
15,35
20,02
21,01
23,66
10,04
24,62
27,1
24,97
29,48
23,91
20,337
Post-Prueba (Ge)
4,7
2,2
2,4
4,7
3,6
2,5
4,1
1,6
2,7
4,31
3,7
1,7
2,2
2,5
4,8
3,7
1,4
0,8
1,6
3,1
1,9
3,6
1,8
3,5
1,6
2,3
2,8
4,6
4,5
0,98
2,86
4
17
23
56,67
76,67
4,7
2,2
2,4
4,7
3,6
2,5
4,1
1,6
2,7
4,31
3,7
1,7
2,2
2,5
4,8
3,7
1,4
0,8
1,6
3,1
1,9
3,6
1,8
3,5
1,6
2,3
2,8
4,6
4,5
0,98
4,7
2,2
2,4
4,7
3,6
2,5
4,1
1,6
2,7
4,31
3,7
1,7
2,2
2,5
4,8
3,7
1,4
0,8
1,6
3,1
1,9
3,6
1,8
3,5
1,6
2,3
2,8
4,6
4,5
0,98
30
100
El 56,67% de los porcentajes de malas decisiones tomadas en la Post-Prueba (Ge)

fueron menores que su tiempo promedio.
El 76,67% de los porcentajes de malas decisiones tomadas en la Post-Prueba (Ge)
fueron menores que la meta planteada.
El 100% de los porcentajes de malas decisiones tomadas en la Post-Prueba (Ge) fueron
menores que el tiempo promedio en la Post-Prueba (Gc).
-127-
A. Castaeda
Resumen para Porcentaje de Malas Decisiones Tomadas

A -cuadrado
V alor P
0,56
0,138
M edia
Desv .E st.
V arianza
A simetra
Kurtosis
N
2,8630
1,2122
1,4694
0,14936
-1,19521
30
M nimo
1er cuartil
M ediana
3er cuartil
M ximo
0,8000
1,7750
2,6000
3,8000
4,8000

2,4104
3,3156

2,2000
3,6000
0,9654
1,6296
Media
Mediana
2,0
2,4
2,8
3,2
3,6

(0,138) > (0,05), pero son valores cercanos, lo cual se confirma al observarse
que los intervalos de confianza de la Media y la Mediana se traslapan.
La distancia promedio de las observaciones individuales de los porcentajes
de malas decisiones tomadas con respecto a la media es de 1,212%.
Alrededor del 95% de los porcentajes de malas decisiones estn dentro de 2
desviaciones estndar de la media, es decir entre 2,4104% y 3,3156%.
La Asimetra = 0,149 indica que la mayora de los porcentajes de malas
decisiones tomadas son bajas.
El 1er Cuartil (Q1) =1,77% indica que el 25% de los porcentajes de malas
decisiones tomadas es menor que o igual a este valor.
El 3er Cuartil (Q3) =3,80% indica que el 75% de los porcentajes de malas
decisiones tomadas es menor que o igual a este valor.
-128-
A. Castaeda
D. Nmero de reportes solicitados por ciclo: KPI4

Promedio
Meta Planteada
N mayor a Promedio
% mayor a Promedio
Post-Prueba (Gc)
4
5
4
3
3
3
4
3
3
4
4
3
5
5
4
4
5
3
5
5
4
4
5
3
3
3
4
4
3
3
4
Post-Prueba (Ge)
15
15
12
12
15
15
15
15
13
13
15
15
16
16
16
16
12
12
14
14
12
12
15
15
12
12
13
13
15
15
15
15
13
13
12
12
15
15
13
13
15
15
12
12
15
15
12
12
14
14
15
15
15
15
13
13
15
15
14
14
14
14
15
16
30
50,00
53,33
100,0
15
12
15
15
13
15
16
16
12
14
12
15
12
13
15
15
13
12
15
13
15
12
15
12
14
15
15
13
15
14
El 50,00% de los nmeros de reportes solicitados por ciclo en la Post-Prueba (Ge)

fueron mayores que su tiempo promedio.
fueron mayores que la meta planteada.
fueron mayores que el tiempo promedio en la Post-Prueba (Gc).
-129-
A. Castaeda
Resumen para Nmero de reportes solicitados por ciclo

A -cuadrado
V alor P <
12
13
14
15
16
2,16
0,005
M edia
Desv .E st.
V arianza
A simetra
Kurtosis
N
13,933
1,363
1,857
-0,30966
-1,43279
30
M nimo
1er cuartil
M ediana
3er cuartil
M ximo
12,000
12,750
14,500
15,000
16,000

13,424
14,442

13,000
15,000
1,085
1,832
Media
Mediana
13,0
13,5
14,0
14,5
15,0

(0,005) < (0,05), pero son valores cercanos, lo cual se confirma al
observarse que los intervalos de confianza de la Media y la Mediana se
traslapan.
La distancia promedio de las observaciones individuales de los nmeros de
reportes solicitados por ciclo con respecto a la media es de 1,363%.
Alrededor del 95% de los nmeros de reportes solicitados por ciclo estn
dentro de 2 desviaciones estndar de la media, es decir entre 13,424 y 14,442
reportes/ciclo.
La Asimetra = -0,30 indica que la mayora de los nmeros de reportes
solicitados por ciclo son altas.
El 1er Cuartil (Q1) =12,75 reportes indica que el 25% de los nmeros de
reportes solicitados por ciclo es menor que o igual a este valor.
El 3er Cuartil (Q3) =15reportes indica que el 75% de los nmeros de reportes
solicitados por ciclo es menor que o igual a este valor.
-130-
A. Castaeda
E. Comprensin de los reportes: KPI5

Valores de la Post-Prueba (Gc)
Nro. Medicin
1
Dif
Valor
Estado
Fcil
Normal
Difcil
Nor Dif Nor Fac Nor Dif
10
Dif
Nor Nor
11 12
Fac Dif
13 14 15 16 17
Dif Nor Fac Nor Nor
18
Dif
19
Fac
20
Fac
21
Nor
23
Dif
28
Nor
29
Dif
30
Fac
22
Dif
24 25 26 27
Dif Nor Nor Nor
Frecuencia
7
9
14
Estado
Comprensible
No comprensible
Frecuencia
7
23
El 47% de las veces de comprensin de los reportes fue catalogada como difcil por el
Jefe de Admisin.
Slo el 23% de las veces de comprensin de los reportes fue catalogada como fcil por
el Jefe de Admisin.
Se determina que slo el 23% de las veces de comprensin de los reportes es
comprensible.
Se determina que slo el 77% de las veces de comprensin de los reportes es no
comprensible.
-131-
A. Castaeda
Valores de la Post-Prueba (Ge)

Nro. Medicin
Valor
Estado
Fcil
Normal
Difcil
10
Nor Fac Nor Nor Nor Fac Nor
Nor
Nor Fac
11
12
13
14
15
16
17
18
19
Fac Fac
Fac
Fac Nor Fac
Fac
Fac
Fac Nor
21
22
23
24
26
27
28
29
30
Dif
Nor Fac
Fac Nor Fac
Fac
Fac
Dif
Nor
25
20
Frecuencia
16
12
2
Estado
Comprensible
No comprensible
Frecuencia
18
12
Slo el 7% de las veces de comprensin de los reportes fue catalogada como difcil por
el Jefe de Admisin.
Ahora el 53% de las veces de comprensin de los reportes fue catalogada como fcil por
el Jefe de Admisin.
Se determina que slo el 60% de las veces de comprensin de los reportes es
comprensible.
Se determina que slo el 40% de las veces de comprensin de los reportes es no
comprensible.
4.4
CONTRASTACIN DE LA HIPTESIS
En este punto se realiz la contrastacin de las muestras Post-Prueba (Gc) y Post-Prueba

(Ge) de los KPI definidos en los puntos anteriores. Los planteamientos de la hiptesis de
los KPI se detallan a continuacin:
-132-
A. Castaeda
A. Contrastacin para el porcentaje de exactitud de la informacin: KPI1

Se debe validar el impacto que tiene la Implementacin de Business Intelligence en el
porcentaje de exactitud de informacin en el Proceso de Toma de Decisiones en el rea de
Admisin, llevado a cabo en la muestra. Se realiza una medicin antes de la
Implementacin de Business Intelligence (Post-Prueba (Gc)) y otra despus de la
implementacin de Business Intelligence (Post-Prueba (Ge)). La tabla contiene los
porcentajes de exactitud de la informacin para las dos muestras.
Post-Prueba (Gc)
(%)
42,6
50,45 46,99
51,58 47,55 41,39 48,31 44,67 54,63 48,13
53,45 52,14 45,70 49,32 51,55 43,56 42,76 41,34 48,31 46,11
50,15 51,24 52,89 46,34 46,89 51,45 53,36 54,52 42,37 47,53
Post-Prueba (Ge)
(%)
82,46
89,90 88,12 84,90
87,60
80,80 84,70 88,50 89,10
81,40
80,40
81,60 86,60 88,60
81,50
87,40 83,70 89,00 87,13
80,30
86,90
82,50 86,00 81,00
82,12
84,40 83,20 88,90 89,20
84,00
Hi: La Implementacin de Business Intelligence aumentar el porcentaje de exactitud de la

informacin (Post-Prueba (Ge)) con respecto a la muestra a la que no se aplic (PostPrueba (Gc)).
Solucin:
a) Planteamiento de la hiptesis:
1 = Media del porcentaje de exactitud de la informacin en la Post-Prueba (Gc).
2 = Media del porcentaje de exactitud de la informacin en la Post-Prueba (Ge).
Ho: 1 2
Ha: 1< 2
-133-
A. Castaeda
b) Criterios de Decisin:
Grfica de distribucin
T; df=58
0,4
Densidad
0,3
0,2
0,1
0,05
0,0
-1,672
0
X
Figura 83. Distribucin de Probabilidad del KPI1.
c) Clculo: prueba t para prueba de medias de las dos muestras:

Para visualizar los resultados de la contrastacin, primero se selecciona los datos de
la muestra Post-Prueba (Gc) y luego los datos de la muestra Post-Prueba (Ge), con
un nivel de confianza del 95%.
Figura 84. Ingreso de datos para realizar la prueba t a dos muestras del KPI1.
-134-
A. Castaeda
Al ingresar los datos se obtiene los siguientes resultados:

Post-Prueba (Gc)
Post-Prueba (Ge)
48,24
85,06
4,01
3,16
30
30
Media( X )
Desviacin Estndar(S)
Observaciones(n)
Diferencia hipottica de las medias
-36,821
t calculado: tc
-39,51
p-valor(dos colas)
0,000
Valor crtico de t (dos colas)
-1,672
d) Decisin estadstica:
Puesto que el valor-p =0,000 < =0,05, los resultados proporcionan suficiente
evidencia para rechazar la hiptesis nula (Ho), y la hiptesis alterna (Ha) es cierta.
La prueba result ser significativa.
B. Contrastacin para el tiempo en realizar los reportes: KPI2

tiempo en realizar los reportes en el Proceso de Toma de Decisiones en el rea de
Admisin, llevado a cabo en la muestra. Se realiza una medicin antes de la
implementacin de Business Intelligence (Post-Prueba (Ge)). La tabla contiene los tiempos
en realizar los reportes para las dos muestras.
Post-Prueba (Gc)
(min)
Post-Prueba (Ge)
(min)
23
24
24
28
24
25
24
25
23
24
25
22
24
26
27
22
23
28
29
29
28
30
27
28
24
27
23
26
28
29
-135-
A. Castaeda
Hi: La Implementacin de Business Intelligence disminuir el tiempo en realizar los

reportes (Post-Prueba (Ge)) con respecto a la muestra a la que no se aplic (PostPrueba (Gc)).
Solucin:
1 = Media del tiempo en realizar los reportes en la Post-Prueba (Gc).
2 = Media del tiempo en realizar los reportes en la Post-Prueba (Ge).
Ho: 1 2
Ha: 1> 2
b) Criterios de Decisin:
T; df=58
0,4
Densidad
0,3
0,2
0,1
0,05
0,0
0
X
1,672

-136-
A. Castaeda
Post-Prueba (Gc)
Post-Prueba (Ge)
25,63
4,467
2,36
0,937
30
30
Media( X )
Observaciones(n)
21,167
t calculado: tc
45,72
p-valor(dos colas)
0,000
-1,672
C. Contrastacin para el porcentaje de malas decisiones tomadas: KPI3

porcentaje de malas decisiones tomadas en el Proceso de Toma de Decisiones en el rea
de Admisin, llevado a cabo en la muestra. Se realiza una medicin antes de la
porcentajes de malas decisiones tomadas para las dos muestras.
Post-Prueba (Gc)
(%)
29,71
10,41 13,24 15,93 26,23
21,82 19,74
Post-Prueba (Ge)
(%)
21,2
22,3
18,59 12,02 19,26
20,2
11,52 12,69 15,94 25,99 26,62 16,71 29,83
15,35 20,02 21,01 23,66 10,04 24,62
27,1
24,97 29,48 23,91
4,70
2,20
2,40
4,70
3,60
2,50
4,10
1,60
2,70
4,31
3,70
1,70
2,20
2,50
4,80
3,70
1,40
0,80
1,60
3,10
1,90
3,60
1,80
3,50
1,60
2,30
2,80
4,60
4,50
0,98
-137-
A. Castaeda
Hi: La Implementacin de Business Intelligence disminuir el porcentaje de malas

decisiones tomadas (Post-Prueba (Ge)) con respecto a la muestra a la que no se aplic
(Post-Prueba (Gc)).
Solucin:
1 = Media del porcentaje de malas decisiones tomadas en la Post-Prueba (Gc).
2 = Media del porcentaje de malas decisiones tomadas en la Post-Prueba (Ge).
Ho: 1 2
Ha: 1> 2
b) Criterios de Decisin
T; df=58
0,4
Densidad
0,3
0,2
0,1
0,05
0,0
0
X
1,672

-138-
A. Castaeda
Post-Prueba (Gc)
Post-Prueba (Ge)
20,34
2,36
5,95
1,21
30
30
Media( X )
Observaciones(n)
17,47
t calculado: tc
15,77
p-valor(dos colas)
0,000
1,672
D. Contrastacin para el nmero de reportes solicitados por ciclo: KPI4

nmero de reportes solicitados por ciclo en el Proceso de Toma de Decisiones en el rea
de Admisin, llevado a cabo en la muestra. Se realiza una medicin antes de la
nmeros de reportes solicitados por ciclo para las dos muestras.
Post-Prueba (Gc)
(Reporte/ciclo)
Post-Prueba (Ge)
(Reporte/ciclo)
15
12
15
15
13
15
16
16
12
14
12
15
12
13
15
15
13
12
15
13
15
12
15
12
14
15
15
13
15
14
-139-
A. Castaeda
Hi: La Implementacin de Business Intelligence aumentar el nmero de reportes

solicitados por ciclo (Post-Prueba (Ge)) con respecto a la muestra a la que no se aplic
(Post-Prueba (Gc)).
Solucin:
1 = Media del nmero de reportes solicitados por ciclo en la Post-Prueba (Gc).
2 = Media del nmero de reportes solicitados por ciclo en la Post-Prueba (Ge).
Ho: 1 2
Ha: 1 < 2
b) Criterios de Decisin
T; df=58
0,4
Densidad
0,3
0,2
0,1
0,05
0,0
-1,672
0
X

-140-
A. Castaeda
Post-Prueba (Gc)
Post-Prueba (Ge)
3,833
13,93
0,791
1,36
30
30
Media( X )
Observaciones(n)
-10,100
t calculado: tc
-35,10
p-valor(una cola)
0,000
1,672
-141-
CAPTULO V
CONCLUSIONES Y
RECOMENDACIONES
Nuestra recompensa se encuentra en el esfuerzo y no en el

resultado. Un esfuerzo total es una victoria completa.
Mahatma Gandhi
CAP. V: CONCLUSIONES Y RECOMENDACIONES
5.1
A. Castaeda
CONCLUSIONES
a) Se observa, que la implementacin de Business Intelligence ayuda con minimizar

el tiempo realizado para generar los reportes.
b) Se comprueba que, el haber implementado Business Intelligence, utilizando la
Metodologa de Ralph Kimball, mejor la Toma de Decisiones del rea de
Admisin en la Universidad Autnoma del Per.
c) Es evidente, que la explotacin del Cubo Admisin ha permitido generar reportes
que facilitan la toma de decisiones dentro de la Universidad.
d) Se aprecia, que la implementacin de Business Intelligence disminuy el
porcentaje de malas decisiones tomadas.
e) Es Notorio, que el uso de una interfaz BI de reportes permite un manejo intuitivo
y sencillo a los usuarios finales para generar sus propios reportes y anlisis acorde
a las necesidades del negocio en comparacin del uso de hojas de clculo.
f) Se comprueba, el desarrollo exitoso de Business Intelligence aument el
porcentaje de exactitud de la informacin.
g) Se concluye, que Business Intelligence trajo como beneficio la disminucin de
tiempo en realizar los reportes.
-143-
CAP. V: CONCLUSIONES Y RECOMENDACIONES
5.2
A. Castaeda
RECOMENDACIONES
a) Se aconseja, realizar capacitacin a los usuarios finales y tomadores de decisiones

en cuanto al uso de las herramientas y al contenido del Business Intelligence
implementado.
b) Se sugiere, dar seguimiento a la carga de informacin hacia el Business
Intelligence, a fin de que se mantenga actualizado y realmente sea de beneficio
para los usuarios finales y tomadores de decisiones.
c) Se indica, seguir implementando Inteligencia de Negocios para el desarrollo en la
dems reas de la Universidad Autnoma del Per.
d) Se debe tener conocimientos previos antes de empezar a construir un cubo, para
saber qu y por qu estamos haciendo.
e) Se recomienda elaborar el diccionario de datos con la finalidad de minimizar el
tiempo de entender la funcionalidad del Business Intelligence.
f) Se aconseja, aplicar una capacitacin a los directivos de la organizacin y las
personas que sern usuarios del sistema.
-144-
REFERENCIAS BIBLIOGRFICAS
Tesis:
1.
BASANTES, G., LPEZ, D. Estudio de la Aplicacin de Inteligencia de Negocios en

los Procesos Acadmicos Caso de Estudio Universidad Politcnica Salesiana. Tesis
pre-grado indita, Universidad Politcnica Salesiana, Guayaquil, Ecuador, 2012.
2.
CAMPOS, M., GUEVARA, C., ROSALES, A. Data Warehouse del Registro

Acadmico de la Universidad Centroamericana Jos Simen Caas. Tesis pregrado indita, Universidad Centroamericana Jos Simen Caas, San Salvador, El
Salvador, 2006.
Libros:
1.
CURTO, J. Introduccin al Business Intelligence. 1ra ed. Barcelona: UOC. 2010.
2.
NIMA, J. Soluciones de Inteligencia de Negocios a su alcance: Fundamentos y Casos

de Aplicacin. 1ra ed. Mlaga: Eumed. 2009.
Artculos Cientficos:
1.
FUENTES, L., VALDIVIA, R. Incorporacin de Elementos de Inteligencia de

Negocios en el Proceso de Admisin y Matrcula de una Universidad Chilena.
Sistema de Informacin Cientfica, 2010, 18 (3), 383-394.
2.
JUIPA, N., TRUJILLO, P., CANALES, M. Diseo e Implementacin de Inteligencia

de Negocios en la FIIS UNAS para mejorar los Servicios de Atencin a los
Usuarios. Inteligencia de Negocios, 2011, 1(1), 1-20.
Internet:
1.
ALFONSO, L. Tendencias de Business Intelligence. [en lnea]. [Consultado 11 mayo

2013].
Disponible
en:
http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/Cutro_trabajo_adsc
_DAD_2010.pdf
-145-
2.
CHILQUE, V. Inteligencia de negocios. [en lnea]. [Consultado 12 mayo 2013].

Disponible
en:
http://www.usmp.edu.pe/publicaciones/boletin/fia/info46/sistemas/articulo6.htm
3.
SQL Server Integration Services. [en lnea]. [Consultado 12 mayo 2013]. Disponible
en: http://msdn.microsoft.com/es-es/library/ms141026.aspx
4. Proceso de Admisin. [en lnea]. [Consultado 12 mayo 2013]. Disponible en:

http://www.uv.mx/universidad/doctosofi/nme/proc-admis.htm
-146-
APNDICES
APNDICE I: MATRIZ DE CONSISTENCIA
TTULO: Desarrollo de Business Intelligence, basado en la Metodologa de Ralph Kimball, para mejorar el Proceso de Toma de
Decisiones en el rea de Admisin de la Universidad Autnoma del Per.
PROBLEMA
-147-
De
qu
manera
el
desarrollo de
Business
Intelligence,
basado en la
Metodologa
de
Ralph
Kimball,
influir
el
Proceso
de
Toma
de
Decisiones en
el rea de
Admisin de
la Universidad
Autnoma del
Per?.
OBJETIVO
GENERAL
Desarrollar
un Business
Intelligence,
basado en la
Metodologa
de
Ralph
Kimball, para
mejorar
el
Proceso de
Toma
de
Decisiones
en el rea de
Admisin de
la
Universidad
Autnoma
del Per.
HIPTESIS
Si se desarrolla
Business
Intelligence,
utilizando
la
Metodologa de
Ralph Kimball,
entonces
mejorar
el
Proceso
de
Tomas
de
Decisiones en
el rea de
Admisin de la
Universidad
Autnoma del
Per.
VARIABLES
INDICADOR(ES)
NDICES
UNIDADES DE
OBSERVACIN
TIPO DE
Variable
INVESTIGACIN
Independiente
Presencia -
Business
Ausencia
No, Si
---------------------
Intelligence
Aplicada
NIVEL DE
INVESTIGACIN
Variable
Dependiente
Proceso de
Toma de
Decisiones del
rea de
Admisin en la
Universidad
Autnoma del
Per.
Porcentaje de
exactitud de
la
informacin.
Descriptiva
[65 - 85]
Reportes
Correlacional
MTODOS DE
INVESTIGACIN
Campo
Tiempo
realizar
reportes.
-149-
en
los
[1 - 3]
Reloj
Experimental
Documental
..CONTINUACIN
UNIVERSO
Porcentaje de
malas
decisiones
tomadas.
Jefe de Admisin
[30 - 50]
Todas las Tomas de

Decisiones del Jefe
de Admisin de la
Universidad
Autnoma del Per.
N=indeterminado
MUESTRA
-148-
n=30 Tomas de
Nmero
de
reportes
solicitados
por ciclo.
Jefe de Admisin
Decisiones
[3 - 7]
TIPO DE
MUESTREO
Intencional
(No Aleatorio)
Comprensin
de
los
reportes.
-150-
Fcil,
Normal,
Difcil
Jefe de Admisin
APNDICE II: FORMATO DE ENCUESTA
UNIVERSIDAD AUTNOMA DEL PER

Sexo: M
Cargo: .
Tiempo en cargo: . Tiempo laborando en la Institucin:.
Tiempo estimado de manejo del sistema:.

Cuestionario Tcnico
Instrucciones:
Este cuestionario formar parte del proyecto de Investigacin para la obtencin del Ttulo
Profesional. Sea tan amable y leer cuidadosamente las preguntas y subraye la respuesta.
De la veracidad de los datos depende de la realizacin de nuestro Proyecto.
Muchas gracias por su colaboracin.
Objetivos:
Determinar los factores que inciden en el correcto uso de la informacin y la Toma de
Decisiones.
1.
La Universidad cuenta con servidores dedicados para el almacenamiento de la

informacin?.
A) Si
2.
C) No sabe
El Sistema Acadmico bajo que Gestor de Base de Datos funciona?.

A) MySql
3.
B) No
B) Oracle
C) Sql 2008 R2
D) Access
E) Excel
Actualmente la infraestructura de la UAP cuntos aos tiene de capacidad para

almacenar informacin?.
A) De 3 a 5 aos
B) De 5 a 7 aos
C) Ms de 7 aos
4. Bajo qu tipo de plataforma est hecho el sistema acadmico?.

A) Licencia
B) Open Source
5. Cuentan con herramientas para generar informes estadsticos?.

-149-
A) Si
B) No
C) No sabe
6. Cuentan con herramientas para generar reportes de manera que la informacin pueda ser
procesada de diferentes maneras?
A) Si
B) No
C) No sabe
Si su respuesta fue afirmativa conteste la siguiente pregunta.

Cules son las herramientas?
7.
Cree usted que la Universidad cuenta con herramientas especializadas para la mejor
Toma de Decisin al momento de procesar la informacin?

A) Si
B) No
C) No sabe
8. De qu manera el usuario visualiza la informacin?

A) Aplicacin de escritorio
B) Web
C) Intranet
D) Otras
9. Sabe usted que es Inteligencia de Negocios?

A) Si
B) No
10. Inteligencia de Negocios, lo podra definir cmo?

A) Proceso para definir, estructurar, contextualizar y explotar la informacin de la
Empresa y tomar las mejores decisiones.
B) Parametrizar la informacin de la Empresa y tomar las mejores decisiones.
C) Ninguna de las anteriores.
11. Tiene conocimientos sobre alguna herramienta de Inteligencia de Negocios?
A) Si
B) No
C) No sabe
-150-
GLOSARIO DE TRMINOS
A
Analysis Services: permite disear, crear y visualizar modelos de minera de datos que se
construyen a partir de otros orgenes de datos mediante el uso de una gran variedad de
algoritmos de minera de datos estndar del sector.
B
Base de Datos: Conjunto de datos almacenados de forma tal que su acceso sea rpido y
sencillo. En trminos informticos, se refiere a un programa que maneja una serie de datos
relacionados entre s.
Base de Datos Multidimensional: Base de Datos diseada para procesamiento analtico
on-line (OLAP). Estructurada como un hipercubo con un eje por dimensin.
Business Intelligence: Conjunto de estrategias y herramientas enfocadas a la administracin
y creacin de conocimiento mediante el anlisis de datos existentes en una organizacin o
empresa.
C
Campo: Unidad bsica de introduccin de datos de un registro.
Consulta: Consulta a una Base de Datos para obtener cierta informacin requerida.
Requerimiento de la informacin almacenada en un Data Warehouse. En una Base de Datos
Relacional, el query o consulta es una sentencia SELECT de SQL, pasada desde la
aplicacin de acceso a los datos (tpicamente en la mquina cliente del usuario final).
Cubo: Almacenamiento lgico para una Base de Datos OLAP, combinan todas las
dimensiones y todas las mtricas dentro de un modelo conceptual, son manipulados por los
usuarios para tener acceso a sus datos.
D
Data Mart: Conjunto de hechos y datos organizados para soporte decisional basados en la
necesidad de un rea o departamento especfico. Los datos son orientados a satisfacer las
necesidades particulares de un departamento dado, teniendo sentido solo para el personal de
ese departamento y sus datos no tienen por qu tener las mismas fuentes que los de otro
Data Mart.
-160-
Data Staging Area: Es un rea de almacenamiento y a su vez, un conjunto de procesos

que limpian, transforman, combinan, eliminan datos duplicados, archivan y preparan los
datos de origen, para su uso en el Data Warehouse.
Data Warehouse: Base de Datos orientada a soportar un proceso de toma de decisiones y
cuya informacin proviene de mltiples fuentes.
Dato: Unidad o cantidad mnima de informacin no elaborada, sin sentido en s misma,
pero que convenientemente tratada se puede utilizar en la realizacin de clculos o toma de
decisiones.
Desnormalizar: Proceso mediante el cual se reduce el nmero de tablas de una Base de
Datos y se agrega campos calculados que tienen mucho acceso, eso para mejorar las
consultas a la Base de Datos.
Diagrama De Transformacin de Datos (DTD): Esquema mediante el cual se aplican las
primitivas de transformacin a una Base de Datos fuente para obtener los diagramas estrella
del Data Warehouse.
Diagrama Estrella: Estructura en que se organizan los datos del Data Warehouse para
facilitar el anlisis y recuperacin de estos.
Dimensin: Representan las categoras del negocio que proveen el contexto a las mtricas
numricas. Son los equivalentes lgicos de las dimensiones del diagrama estrella, con la
excepcin que los miembros de una dimensin estn organizadas dentro de una estructura
jerrquica.
Drill-Across: Relacionar dos cubos.
Drill-Down: Obtencin de informacin ms detallada sobre un conjunto de informacin en
el cual se est trabajando.
Drill-Through: Acceso a datos descriptivos.
Drill-Up: Obtencin de informacin general de un conjunto de informacin sobre el cual se
est trabajando.
E
ETL: Extraccin, transformacin y carga de datos de una Base de Datos fuente al Data
Warehouse.
-161-
G
Granularidad: Es la definicin de lo que esta tabla representa
Granularidad de la Tabla de Hechos: La granularidad es definida tpicamente, como el
mnimo nivel de detalle almacenado en las dimensiones asociadas con la tabla de hechos.
M
Metadato: Consiste en informacin sobre los datos del DW. Que incluye Semntica de los
datos y su ubicacin en el DW, informacin sobre frecuencias de carga, reglas de
transformacin, etc.
Mtrica: son columnas numricas y cuantificables de la tabla de hechos. Las mtricas
tpicamente representan los valores que son analizados.
Modelo Dimensional: Contiene la misma informacin que un Modelo E/R, sin embargo,
los datos son empaquetados en un formato simtrico, en el cual las metas principales son
entendimiento por parte de los usuarios y rendimiento de consultas.
Minera de Datos: Conjunto de tcnicas para la induccin de conocimiento til a partir de

masas muy grandes de datos. Tiene un solapamiento importante con otras disciplinas como
la estadstica tradicional, el reconocimiento de patrones, la inteligencia artificial, etc.
N
Normalizar: es realizar un tratamiento sobre su estructura de manera que sta se ajuste de
forma idnea al esquema de bases de datos relacionales.
O
OLAP Multidimensional: Base de Datos que almacena y manipula los datos en
estructuras especiales llamadas matrices multidimensionales.
OLAP Relacional: Un conjunto de interfaces de usuarios y aplicaciones que dan a una
Base de Datos relacional un sabor dimensional.
-162-
P
Procesamiento Analtico en Lnea (OLAP): Es la actividad general de consultar y
presentar datos textuales y numricos desde los Data Warehouse.
Proceso de Negocio: Un grupo coherente de actividades del negocio.
Programa de Carga y Transformacin de Datos: Proceso mediante el cual se extraen
los datos de diferentes fuentes, que luego de una estandarizacin y revisin de la calidad
de los mismos son llevados al Data Warehouse.
R
Registro: Una fila en una tabla relacional.
Reporte: Informe que se emite o presenta con base en la realizacin de una actividad
o tarea.
Reporte Estadstico/Analtico: Reporte que permite realizar anlisis a partir de las
estadsticas presentadas en l.
ROLAP: OLAP Relacional. Base de Datos Relacional que, almacena los datos en
un Sistema de Gestin de Bases de Datos relacional extendido, y transforma operaciones
sobre datos multidimensionales en operaciones relacionales en SQL.
S
Servidor: Ordenador que suministra servicios a otros ordenadores.
Servidor Analtico: Servidor en la cual los datos del Data Warehouse son organizados
y almacenados para: optimizacin de consultas, generacin de reportes y anlisis OLAP.
Sistema Administrador de Bases de Datos (DBMS): Una aplicacin cuyo
nico propsito es almacenar, recuperar y modificar datos de una manera altamente
estructurada. Los datos en un DBMS usualmente son compartidos por una variedad de
aplicaciones.
Sistema Administrador de Bases de Datos Relacionales (RDBMS): Sistema
Administrador de Bases de Datos basado en el modelo relacional que soporta la gama
completa del estndar SQL. Utiliza una serie de tablas relacionadas con filas y
columnas para organizar y almacenar datos.
-163-
Sistema de Data Warehousing: Sistema informtico capaz de ofrecer informacin para

la toma de decisiones, y cuya pieza principal es un Data Warehouse.
Sistema de Soporte a la Toma de Decisiones (DSS): Conjunto de programas
y herramientas que permiten obtener de manera oportuna la informacin que se requiere,
mediante el proceso de la toma de decisiones que se desarrolla en una organizacin.
Sistema OLTP (Online Transaction Processing): Sistema transaccional diario (o
en detalle) que mantiene los datos operacionales del negocio.
Sistema Origen: Un sistema operacional, cuya funcin es capturar las transacciones u
otras mtricas de procesos de negocio. Alternativamente, el o los sistemas origen, pueden
ser externos a la organizacin, pero siguen capturando informacin que se necesita en el
Data Warehouse.
SQL Server: Sistema Administrador de Bases de Datos Relacionales. Ofrece un motor
de Base de Datos moderno, muy confiable para el almacenamiento de datos.
Star Schema: ver Diagrama Estrella.
Sumarizacin: Actividad de incremento de la granularidad de la informacin en una
Base de Datos. La sumarizacin reduce el nivel de detalle, y es muy til para presentar los
datos para apoyar al proceso de Toma de Decisiones.
T
Tabla: Coleccin de filas (registros) que tienen asociadas columnas (campos).
Tabla de Dimensin: Una tabla en un modelo dimensional con una sola llave primaria
y columnas de atributos descriptivos.
Tabla de Hechos: En un diagrama estrella (modelo dimensional), es la tabla central
con mtricas de rendimiento numricas que son caracterizadas por una llave compuesta,
cuyos elementos son cada uno, una llave fornea sacada de una tabla de dimensin.
Tabla Origen: Tabla de la cual provienen datos que utiliza un Data Warehouse.
Tiempo
de
Vida
til:
Duracin
estimada
que
un
objeto
puede
tener
cumpliendo correctamente con la funcin para la cual ha sido creado.

Transaccin: Unidad indivisible de trabajo, sistema de procesamiento de transacciones,
o lleva a cabo una transaccin entera o no lleva a cabo alguna parte de la transaccin.
Transact SQL: Versin aumentada del lenguaje SQL para bases de datos
relacionales. Utilizado por Microsoft SQL Server.
-164-
Transformacin de Datos: Proceso de modificar los datos extrados de los sistemas

origen en formatos coherentes con el esquema de almacenamiento de datos.
U
Usuario de Negocio: Usuarios de un sistema, cuya funcin es la creacin de consultas
e informes as como el anlisis de la informacin de su Empresa u Organizacin.
Usuario Final: Persona que manipular de manera directa un sistema o aplicacin.
-165-

Tesis Data Warehouse

Cargado por

Copyright:

Formatos disponibles

Tesis Data Warehouse

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Data Warehouse

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE CIENCIAS DE GESTIN

ESCUELA DE INGENIERA DE SISTEMAS

DESARROLLO DE BUSINESS INTELLIGENCE, BASADO EN LA METODOLOGA

CASTAEDA VSQUEZ, ALBERTO

PARA OPTAR EL TTULO PROFESIONAL DE INGENIERO DE SISTEMAS

Dedico el presente trabajo de graduacin a Dios por darme la fuerza que

DESARROLLO DE BUSINESS INTELLIGENCE, BASADO EN LA METODOLOGA

Palabras Clave: Indicadores, Metodologa de Ralph Kimball, Toma de Decisiones,

DEVELOPMENT OF BUSINESS INTELLIGENCE, BASED ON THE

Keywords: Indicators, methodology of Ralph Kimball, Decisions, Strategies, Business

El presente trabajo de investigacin tiene como objetivo principal desarrollar un Business

importancia, objetivos, hiptesis, variables e indicadores, limitaciones, diseo de

PLANTEAMIENTO DEL PROBLEMA

TIPO Y NIVEL DE LA INVESTIGACIN

JUSTIFICACIN E IMPORTANCIA .................................................................... 7

DISEO DE LA INVESTIGACIN ...................................................................... 10

ANTECEDENTES DE LA INVESTIGACIN .................................................... 14

PLANIFICACIN DEL PROYECTO

DEFINICIN DE LOS REQUERIMIENTOS DEL NEGOCIO

DISEO DE LA ARQUITECTURA TCNICA

SELECCIN DE PRODUCTOS E INSTALACIN ........................................... 64

3.7.3 Calidad de la Data ............................................................................................. 65

DISEO Y DESARROLLO DE PRESENTACIN DE DATOS

3.10 ESPECIFICACIONES DE LAS APLICACIONES DEL USUARIO FINAL . 107

NIVEL DE CONFIANZA...................................................................................... 118

ANLISIS E INTERPRETACIN DE RESULTADOS

CONTRASTACIN DE LA HIPTESIS ........................................................... 132

CONCLUSIONES .................................................................................................. 143

RECOMENDACIONES ........................................................................................ 144

REFERENCIAS BIBLIOGRFICAS .............................................................................. 145

Figura 28. Mapeo de datos Modalidad_dim. ....................................................................... 67

Figura 61. Seleccin de medidas para mostrar en el cubo. ................................................ 102

El sabio no dice nunca todo lo que piensa,

CAP. I: PLANTEAMIENTO METODOLGICO

PLANTEAMIENTO DEL PROBLEMA

CAP. I: PLANTEAMIENTO METODOLGICO

Figura 01.Ubicacin de la Universidad Autnoma del Per.

CAP. I: PLANTEAMIENTO METODOLGICO

CAP. I: PLANTEAMIENTO METODOLGICO

En los reportes estadsticos por postulantes inscritos en cada Admisin, el sistema no

CAP. I: PLANTEAMIENTO METODOLGICO

El Proceso muestra problemas en:

Mala utilizacin del sistema a la hora de ingresar la informacin.

Demora en el rea de Admisin a la hora de realizar los reportes, ya que algunos

Faltan agregar reportes importantes para la toma de decisiones.

Sistema lento a la hora de ejecutar los reportes por ciclo.

Comprensin de los reportes generados.

Tabla 01. Datos actuales de los indicadores.

Porcentaje de exactitud de la informacin

Porcentaje de malas decisiones tomadas

Nmero de reportes solicitados por ciclo

Comprensin de los reportes

1.1.3 Enunciado del Problema

TIPO Y NIVEL DE LA INVESTIGACIN

CAP. I: PLANTEAMIENTO METODOLGICO

Indicadores Estratgicos que facilite el anlisis y consulta a los distintos usuarios de

En la actualidad, la informacin de las empresas es una herramienta clave para poder

CAP. I: PLANTEAMIENTO METODOLGICO

todo el sistema de informacin de la Institucin para la toma de decisiones, Proceso

Si se desarrolla Business Intelligence, utilizando la Metodologa de Ralph Kimball,