UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA).

ESCUELA:

ESCUELA DE NEGOCIOS.

TRABAJO FINAL PRESENTADO POR:

PAMELA DEL CARMEN CASTAÑOS DÍAZ.

CARRERA:

MERCADEO.

MATRICULA:

2019-06167.

ASIGNATURA:

TECNOLOGÍA APLICADA A LOS NEGOCIOS.

ASESOR/A:

MARIO A. PAREDES G. M.A.

TEMA DEL TRABAJO FINAL:

INTELIGENCIA DE NEGOCIOS.

Fecha:

MARTES 08 DE SEPTIEMBRE DEL 2020.

INTRODUCCIÓN.
La inteligencia de los negocios.

En un mundo donde se creía que las bases de datos eran la herramienta principal que

proporcionada información acerca de cualquier departamento, surge lo que ahora

conocemos como Inteligencia de Negocios, que son el conjunto de herramientas que le

dan sentido a toda esa información almacenada, de una manera atractiva y dinámica.

La clave para BI (Inteligencia de Negocios) es la información y uno de sus mayores

beneficios es la posibilidad de utilizarla en la toma de decisiones. En la actualidad hay

una gran variedad de software de BI con aplicaciones similares que pueden ser

utilizados en las diferentes áreas de la empresa, tales como, ventas, marketing,

finanzas, etc. Son muchas las empresas que se han beneficiado por la implementación

de un sistema de BI, además se pronostica que con el tiempo se convertirá en una

necesidad de toda empresa.

El principal objetivo de este trabajo, ha sido la implementación de un Datamart

enfocado para el área comercial – Ventas de la empresa Viccolllection, que permita

apoyar la toma de decisiones y crecimiento de ventas en el mercado bajo los

lineamientos estratégicos de la empresa.

La implementación parte desde el análisis realizado al proceso del área de ventas de la

empresa Viccollection, dónde se pudo evidenciar varios puntos importantes de los

cuales resaltan tres. Como primer punto, el manejo de diferentes sistemas que

contienen información del área, genera para el usuario carga operativa en la obtención

y consolidación de esta. Como segundo punto, se encuentra la dependencia generada

con el área de sistemas, debido al mantenimiento que realizan en la estructura de la

base de datos para poder obtener la información solicitada por los diferentes usuarios
generando un cuello de botella lo cual impacta en tiempo de respuesta en las ventas.

Y como tercer punto, la integridad en la información como soporte a la toma de

decisiones de la gerencia general.

Como resultado de la investigación se tendrá el diagnóstico y solución a implementar

en la empresa Viccollection, la cual se enfoca en dos puntos relevantes: mejora en la

obtención de la información por parte de los usuarios, reduciendo la carga operativa y

dependencia al área de tecnología de información y un mejor monitoreo de los

indicadores, que permita a la gerencia general identificar patrones en el

comportamiento de las ventas, permitiendo obtener respuestas más acertadas basado

en la demanda del mercado, para la toma de decisiones.

 CAPITULO I. MARCO TEORICO.

1.1 Plataforma de Inteligencia de Negocios.

La mayor parte de las empresas existentes generan, almacenan y modifican una

enorme cantidad de datos de cualquier actividad que se registre en la empresa a través
de aplicaciones de gestión de datos, cada vez más complicadas de utilizar y más
obsoletas. A causa de esta necesidad, sobre los años 80 comenzaron aparecer
sistemas que ofrecían soluciones de apoyo para la toma de decisiones que
actualmente se conoce como el término Business Intelligence, acuñado por Howard
Dresner del grupo Gartner en 1989. Este término pretende ser la base para reunir todo
tipo de tecnologías capaces de extraer los datos corporativos almacenados por los
diferentes sistemas de gestión y tratarlos de manera que, al presentarlos a cualquier
persona o usuario, pueda obtener un conocimiento intelectual para así llevar a cabo las
tareas necesarias de la consecución exitosa de las metas propuestas en su negocio.

El enfoque metodológico de Business Intelligence es también conocido como modelo

de inteligencia de negocio, el cual tiene diferentes niveles en cuanto al tipo y
tratamiento de información.

El objetivo básico es apoyar de forma sostenible y continuada a las organizaciones

para mejorar su competitividad, facilitando la información necesaria para la toma de
decisiones. El primero que acuñó el término fue Howard Dresner que, cuando era
consultor de Gartner, popularizó la inteligencia de negocio (Business Intelligence o BI)
como un término paraguas para describir un conjunto de conceptos y métodos que
mejoraran la toma de decisiones, utilizando información sobre qué había sucedido
(hechos).

Para definir la inteligencia de negocio utilizamos la definición de Gartner11: “BI es un

proceso interactivo para explorar y analizar información estructurada sobre un área
(normalmente almacenada en un Data Warehouse), para descubrir tendencias o
patrones, a partir de los cuales derivar ideas y extraer conclusiones”. Por ejemplo:

 Proceso interactivo: al hablar de inteligencia de negocio estamos suponiendo

que se trata de un análisis de información continuado en el tiempo.
  Explorar: En todo proyecto de inteligencia de negocio hay un momento inicial en
el que por primera vez accedemos a información que nos facilita su
interpretación.
 Analizar: Pretendemos descubrir relaciones entre variables, tendencias, es decir,
cuál puede ser la evolución de la variable, o patrones.
 Información estructurada y Data Warehouse: La información que utilizamos en
inteligencia de negocio está almacenada en tablas relacionadas entre ellas.
 Área de análisis: Todo proyecto de inteligencia de negocio debe tener un objeto
de análisis concreto.
 Comunicar los resultados y efectuar los cambios: Un objetivo fundamental de la
inteligencia de negocio es que, una vez descubierto algo, sea comunicado a
aquellas personas que tengan que realizar los cambios pertinentes en la
organización para mejorar nuestra competitividad.

1.1.2 Beneficios.

Uno de los objetivos básicos de los sistemas de información es que nos ayuden a la
toma de decisiones. Sin embargo, aunque todos la utilicen, no todos los responsables
recogen la misma información.

Del mismo modo, el autor menciona que los responsables pueden necesitar recoger
más o menos información dependiendo de su mayor o menor aversión al riesgo. A
partir de los datos que nos proporciona el sistema de inteligencia de negocio podemos
descubrir conocimiento. Como hemos visto, la inteligencia de negocio nos servirá como
ayuda para la toma de decisiones y, posteriormente, para descubrir cosas que hasta
ahora desconocíamos.

Los beneficios que se pueden obtener a través del uso de la inteligencia de negocio
pueden ser de distintos tipos:

 Beneficios tangibles, como por ejemplo: reducción de costes, generación de

ingresos o reducción de tiempos para las distintas actividades del negocio.
  Beneficios intangibles: el hecho de que tengamos disponible la información para
la toma de decisiones hará que más usuarios utilicen dicha información y por
ende mejoren la posición competitiva.
 Beneficios estratégicos: Todos aquellos que nos facilitan la formulación de la
estrategia, es decir, a qué clientes, mercados o con qué productos dirigirnos.

1.1.3 Componentes de la inteligencia de negocio.

Según Roberto Espinoza (2010). En un proyecto real debemos definir primero cuáles
son los objetivos y el alcance de la solución, qué modelos de negocio queremos
analizar. Con esta información es mucho más fácil tomar las decisiones necesarias en
cada uno de los componentes.

Los componentes son:

 Fuentes de información, de las cuales partiremos para alimentar de contenidos

el Data Warehouse.
 Proceso ETL13 de extracción, transformación y carga de los datos en el Data
Warehouse. Antes de almacenar los datos en un Data Warehouse, éstos deben
ser transformados, limpiados, filtrados y redefinidos.
 El motor OLAP14, que nos debe proveer capacidad de cálculo, consultas,
funciones de planeamiento, pronóstico y análisis de escenarios en grandes
volúmenes de datos.
 Las herramientas de visualización, que nos permitirán el análisis y la navegación
a través de los mismos.

1.1.4 Repositorio de información.

Vamos analizar las distintas fuentes de información con las que podemos alimentar un
Data Warehouse o un Datamart.

Las fuentes de información a las que podemos acceder son:

 Básicamente, de los sistemas operacionales o transaccionales, que incluyen

aplicaciones desarrolladas a medida, ERP, CRM, SCM, etc.
  Sistemas de información departamentales: previsiones, presupuestos, hojas de
cálculo, etc.
 Fuentes de información externa, en algunos casos comprada a terceros, como
por ejemplo estudios de mercado.

Existen muchos factores que contribuyen a la complejidad de cargar la información en

un Data Warehouse. Uno de los principales es el número de diferentes fuentes de
información que es cargado a un repositorio centralizado.

Según Bernabeu, R., (2007). El Data Warehouse, posibilita la extracción de datos de

sistemas operacionales y fuentes externas, permitiendo la integración y
homogenización de los datos de toda empresa.

La información que cargamos en un Data Warehouse o Data mart normalmente es

estructurada, es decir, aquella que se puede almacenar en tablas: en la mayoría de los
casos es información numérica.

1.1.5 Metodología de Inteligencia de Negocios.

Existen diversas metodologías para el desarrollo de un proyecto de inteligencia de

negocios, lo mejor es evaluar la que más se ajusta a cada proyecto y para cada
organización.

Según los especialistas L.T. Moss, las metodologías de BI deben de cumplir con las
siguientes carteristas:

1. Debe orientarse al cambio y no a conseguir un producto final.

2. El proyecto debe ser gestionado en forma global y transversal a toda la
empresa.
3. Debe tener la posibilidad de manejar múltiples proyectos.
4. Debe considerar todas las tareas y procesos de la empresa, seas o no críticos.
5. Se debe de basar en la gestión de cambios críticos del workflow empresarial.
6. Debe orientarse a las personas y a las relaciones entre ellas.
7. Debe alinearse con la necesidad de negocio de la organización.

1.1.5.1 Metodología Ralph Kimball.

El enfoque de Ralph kimball hace referencia al Bottom –up. El cual indica que la forma
más flexible y sencilla de trabajar un Data Warehouse es armando primero los Data
marts como primer elemento del sistema de análisis y luego ir añadiendo otros Data
marts que compartan las dimensiones ya definida o añadan nuevas.

1.1.5.2 Metodología Bill Inmon.

El enfoque de Bill Inmon hace referencia al Top down. El cual indica que la forma de
construir un Data Warehouse es teniendo el enfoque global “todo” para luego manejar
el detalle. El Data Warehouse no está modelado dimensionalmente sino en tercera
forma normal.

1.1.5.3 Metodología Hefestos.

HEFESTOS, es una metodología propia que permite la construcción de un Data

warehouse de forma sencilla, ordenada e intuitiva. Es una investigación basada en
metodologías existentes, experiencias propias de confección de almacén de datos.
Busca entregar una primera implementación que satisfaga una parte de la necesidad,
con el objetivo de mostrar las ventajas y beneficios del Data Warehouse.

1.1.5.4 Metodología Ágil.

“Principios de las metodologías ágiles”. Se basa en garantizar una mayor productividad

e interrelación con el equipo, que permita mayor dinamismo y adaptación al cambio,
con el objetivo de entregar un producto de acuerdo a las expectativas y exigencias del
cliente.

En las metodologías ágiles podemos encontrar una serie de prácticas o técnicas

habituales a la hora de afrontar la ejecución de un proyecto. Por ejemplo, a la hora de
hacer reuniones tienen que ser rápidas y frecuentes, lo suficientemente rápidas (ágiles)
como para no perder el tiempo pero con una frecuencia suficiente para que los
integrantes del equipo estén informados de todo. Suelen ser reuniones diarias. Cuando
se trata de una reunión de planificación de iteración en la que hay una parte del
producto para entregar se re-planifica la siguiente iteración a partir del feedback
obtenido del cliente.

1.1.5.5 Scrum.

Scrum parte de la esencia del desarrollo ágil. Se centra en las funcionalidades con más
prioridad y que pueden ser ejecutadas en un periodo corto de tiempo. Los ciclos de
desarrollo, llamados sprints, producen un incremento de funcionalidad terminado y
operativo.

En Scrum la evolución de una iteración se revisa con reuniones de seguimiento diarias,

en las que se reúne todo el equipo de desarrollo, comenta el trabajo que ha terminado,
el trabajo que tiene por terminar y los impedimentos que hayan podido surgir.

Scrum toma la inestabilidad como premisa. No se considera que la definición detallada

del producto, ni la arquitectura software tengan que estar en una primera fase del
proyecto. Como metodología ágil que es, no será un desarrollo por fases.

Es decir, en cada iteración se van añadiendo las nuevas funcionalidades y se hace

necesario modificar la estructura de las funcionalidades implementadas para adoptar
las nuevas sin modificar el resultado que ya teníamos. Mientras que en una
metodología predictiva la responsabilidad de las circunstancias no planificadas las
tendrá el gestor de proyectos, en Scrum se parte de equipos auto-organizados con
suficiente margen para tomar las decisiones oportunas.

1.1.6 Repositorio Data Mart.

Un Data Mart es una aplicación de un Data Warehouse construida rápidamente para

soportar una línea de negocio simple. Los Data Marts, tienen las mismas
características de integración, no volatilidad y orientación temática que el DW.
Representan una estrategia de “divide y vencerás” para ámbitos muy genéricos de un
Data Warehouse.

Esta estrategia es particularmente apropiada cuando el DW central crece muy rápido y

los distintos departamentos requieren sólo una pequeña porción de los datos
contenidos en él.
La creación de los Data Mart requiere de algo más que una simple réplica de datos: se
necesitarán tanto la segmentación como algunos métodos adicionales de
consolidación.

Dado que un Data Mart soporta menos usuarios que un Data Warehouse se puede
optimizar para recuperar más rápidamente los datos que necesitan los usuarios. La
arquitectura de un Data Mart es aconsejable porque:

 Menores cantidades de datos implican que se procesan, tanto las cargas de

datos como las consultas.
 Las peticiones pueden acotarse al área o red que sirve esos datos, sin afectar al
resto de los usuarios.
 La aplicación cliente, que pide la consulta es independiente del servidor que la
procesa y del servidor de bases de datos que almacenan la información.

El uso efectivo de los Data Marts en un ambiente de Data Warehousing, es un factor

importante para la efectividad del Warehouse, y puede también ser determinante en el
éxito del proyecto de desarrollo. Los Data Marts son diseñados para satisfacer las
necesidades específicas de grupos comunes de usuarios (divisiones geográficas,
divisiones organizacionales, etc.).

1.1.7 Crecimiento de los Data Marts.

Existe un número de sólidas razones detrás del aumento en popularidad de los Data
Marts, en comparación con los sistemas de Data Warehouse a nivel de empresa.

Los Data Marts han reducido drásticamente el costo implícito en la creación y

operación de un sistema de soporte a las decisiones. El concepto del Data Mart ha
logrado situar la instalación de la tecnología de soporte a las decisiones dentro del
rango de posibilidades económicas de un número mucho mayor de usuarios.

Los Data Marts son los preferidos por los departamentos autónomos y las pequeñas
unidades comerciales que los emplean para crear sus propios sistemas de soporte a
decisiones. Pero los Data Marts también se han convertido en los favoritos de la
mayoría de los departamentos de Sistemas de Información (IS), para crear grandes
almacenes centrales de datos.

La idea consiste en crear un Data Warehouse paso a paso, añadiendo un Data Mart o
área de estudio a la vez, adquiriendo gradualmente la experiencia y el soporte de
administradores comerciales clave, quienes ven beneficios concretos cada 3-6 meses.

Con los Data Marts, resulta mucho más fácil identificar un cliente o patrocinador
comprometido dentro de una organización. En comparación con los Data Warehouse,
los Data Marts son más limitados en cuanto a alcance, y se concentran más en un
grupo específico de necesidades del usuario.

Los Data Marts permiten una prototificación más rápida para la captura de los
requisitos del sistema de soporte a decisiones. Las encuestas realizadas entre los
consumidores indican que los pilotos de los Data Marts se montan en 30-120 días.

1.1.8 Data Marts Virtuales y Meta Vistas.

Los vendedores están desarrollando el concepto de Data Marts Virtuales para

satisfacer la necesidad de los usuarios de acceder a muchos Data Marts, sin necesidad
de excesivas replicaciones entre ellos. Los Datamarts Virtuales son vistas de varios
Data Marts Físicos, o del Data Warehouse corporativo, brindadas a grupos específicos
de usuarios.

Una Meta Vista es una representación gráfica de una base de datos que incluye tablas,
columnas y joins17. Una vez que una Vista Básica es creada, múltiples Meta Vistas se
pueden derivar de ella. Una Meta Vista es una representación lógica de partes, de una
o más Vistas Básicas. Inicialmente las tablas son desplegadas como categorías, y los
campos como partes.

1.1.9 Administración de los Data Marts.

Dentro de una empresa se hace latente la administración y coordinación a medida que

el número de Data Marts crece. Se hace necesario asegurar consistencia e integridad
de datos, controlar la seguridad y mantener el rendimiento (performance) global.
La administración de estos tiene recientes requerimientos como coordinación,
extracción de datos, lectura, procedimientos de replicación, procedimientos de
respaldo, manejo de metadatos y performance.

1.1.10 Paquetes Data Marts.

Muchos vendedores han reconocido la necesidad de hacer que los Data Marts sean
más fáciles de instalar e implementar que un Data Warehouse corporativo. Los
paquetes de Data Marts pueden proveer herramientas convenientes, y de relativamente
bajo costo, que pueden ser el puntapié inicial para el desarrollo de los Data Marts.
Aunque un Data Mart es relativamente fácil de instalar, hay que tener en cuenta otros
aspectos como la lógica de los datos operacionales extraídos, la consistencia en la
definición de los datos, y el diseño del Data Mart, para lograr un óptimo performance
(rendimiento).

1.1.12 Cubo Olap de estructura dimensional.

Estas herramientas manejan una serie de consultas de forma interactiva sobre

estructuras multidimensionales (Cubos OLAP) cargadas previamente con los datos
almacenados en las bases de datos corporativas tradicionales. Permiten realizar
informes y obtener grandes cantidades de información a partir de lo que resultaría ser a
modo rutinario una serie de complejas consultas sobre una base de datos de forma
sencilla. Con estos sistemas es posible analizar la información almacenada en un Data
Warehouse, pero no es estrictamente necesario, ya que la información puede provenir
de diferentes bases de datos. El objetivo de estas herramientas es obtener una mejor
comprensión de lo almacenado en las bases de datos.

1.1.13 Tableros de control.

Los cuadros de mando, es una herramienta de dirección que permite realizar el

seguimiento y monitorear los procesos operativos para detectar y diagnosticar estados
de desempeño de los indicadores. Integra la información resaltante el cual sirve de
consumo para los tomadores de decisiones. Su estructura o desarrollo se basa en
gráficas, semaforizaciones y alertas que permitan al usuario detectar desviaciones en
función a umbrales pre definidos por el negocio.
1.1.14 Software de explotación de información.

El software de inteligencia de negocio son aplicaciones diseñadas para colaborar con la

implementación de una plataforma de BI, para el proceso de análisis y visualización de
la información.

El cuadrante de Gartner, muestra un informe de las herramientas líderes en el mercado

que básicamente tiene una potente capacidad de visualización, fáciles de usar y
proporcionan auto servicio a los usuarios.

1.1.15 Extracción, transformación y carga (ETL).

Este proceso permite extraer los datos de diferentes fuentes de información,

procesarlos y transformarlos, de tal manera que la data procesada, esté limpia para ser
depositada a otra base de datos la cual es denominada un Data Mart o Data
Warehouse, con el objetivo de posteriormente ser analizados.
 CAPITULO II.

2.1 Problema de investigación.

“Poner en marcha la Inteligencia de negocios para la zona comercial de la

empresa Viccollection”.

2.1.1 Planteamiento del problema.

La Gestión de la información en las organizaciones: Principios, conceptos y

aplicaciones. Se evidencia que algunas organizaciones carecen de conocimiento y
tecnológicas que ayuden a absorber la superabundancia de información contenida en
la ingente cantidad de datos que disponen y que son generadoras de conocimiento
para la toma de decisiones.

En la actualidad las organizaciones tienen la posibilidad de recopilar y almacenar

grandes volúmenes de información con datos operativos y de clientes, el reto es como
emplearla para que la información fluya en el momento preciso, a cada uno de los
niveles que constituyen la organización, ampliando la visión estratégica, reduciendo los
riesgos e incertidumbre y dando un mejor soporte en el proceso para la toma de
decisiones.

La empresa Viccollection, cuenta con más de 20 años en el mercado comercializando

calzados, sin embargo presenta sistemas poco integrados que son manejados por
aplicaciones independientes las cuales están alimentadas por diferentes fuentes de
información, no permitiendo tener la capacidad para monitorear, entender y administrar
de manera eficiente el comportamiento de los indicadores de ventas, limitando a la
empresa a tomar decisiones importantes sin tener todos los elementos imprescindibles
a la mano.

Además existe una carencia en la optimización para el análisis de la información y la

toma de decisiones de manera proactiva debido a la falta en la centralización de los
datos que permitan a los usuarios obtener información de forma fluida sin necesidad de
invertir mucho tiempo en la elaboración de estos.

La poca visibilidad, la carencia de análisis y la falta de gestión en la información del

área de ventas, convierte a la empresa Viccollection, en un tomador de decisiones
reactivo y no proactivo, debido a que no lleva un control de los problemas que
normalmente aborda el área comercial como: posibilidad de segmentar correctamente
a los clientes, saber por qué los clientes dejan de comprar, saber que marca es la más
vendida, cuales son los clientes más rentables y pérdida de oportunidades por falta de
control.
 CONCLUSIÓN.

En la solución se ha aprovechado todas las capacidades de las herramientas Qlikview,

para la explotación de la información, aumentando mayor tiempo en el porcentaje de
análisis, basado en las encuestas, de la información que en el propio desarrollo de
esta. Además se ha demostrado un mejor acceso a la información, al cubo OLAP, los
diseño de reportes, creación de tableros de control, alerta proactivas y el acceso vía
portal web a toda la información.

No obstante se buscó disponer de forma atractiva e interactiva la información, así como

facilitar su elaboración por parte de los usuarios. Actualmente la empresa invierte entre
3 a 4 días en la elaboración de reportes y graficas que viene a ser el 50% del tiempo
laboral que emplean. Luego de la implementación de BI, este tiempo ha sido reducido a
4 horas, las cuales están empleadas para la reportería afianzando el tiempo para el
análisis de los indicadores.

Gracias a la solución implementada se eliminó completamente la dependencia que se

tenía con el área de TI y los sistemas heterogéneos, integrando toda la información en
un repositorio centralizado de fácil acceso, potente y rápido para el consumo de los
usuarios. Los usuarios destacaron la rapidez de las consultas, la forma de
visualización, perfomance, navegación y facilidad para la creación de nuevos reportes y
gráficas.
Cabe resaltar que la solución es escalable, con lo cual permitirá en un futuro la
adecuación e implementación de otros departamentos o áreas de la empresa.

En conclusión los beneficios directos de generar y aplicar una real inteligencia de

negocios no aparecen cuando se "dispara" la primera decisión, sino que se los percibe
cuando a mediano o largo plazo la evolución de la organización es el fiel reflejo de sus
decisiones acertadas.

RECOMENDACIONES.

Con el fin de explotar al máximo el recurso obtenido en base al Data Mart de

ventas de Viccollection, para futuros trabajos se recomienda la implementación
de un Data Warehouse con mayores alcances, con el objetivo de tener una
mayor integración con los demás áreas y procesos de la empresa.
Conforme se vaya teniendo un volumen mayor de información, será necesario
diseñar una nueva arquitectura, que soporte el crecimiento del Data Mart sin
afectar la performance.
Por otro lado, será importante también revisar las prestaciones del motor de
base de datos y su afinamiento para lograr el rendimiento de tiempo de
respuesta esperado por los usuarios. Posiblemente en un futuro, será necesario
evaluar otras opciones de motores de base de datos, que soporten un mayor
volumen de datos, a fin de asegurar además, la continuidad y disponibilidad del
Data Mart.
Desde el enfoque del negocio, integrar a aquellas ciudades con mayor
proyección en ventas, haciendo uso de la herramienta Qlikview, aprovechando al
máximo el potencial que brinda el entorno web y el acceso a la información
 centralizada. Agilizando de esta forma oportunidades de negocio en cada sector
de los diversos canales de ventas.
Analizar la implementación de una versión móvil de la solución Qlikview que
permita el acceso desde cualquier dispositivo en el lugar donde se encuentre el
usuario.

BIBLIOGRAFÍA.

 Plataforma de inteligencia de negocios.

http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2077-33232003000100010

 Inteligencia de negocios.

https://www.monografias.com/trabajos75/inteligencia-negocios/inteligencia-
negocios.shtml

https://www.monografias.com/trabajos75/inteligencia-negocios/inteligencia-
negocios2.shtml#marcoconca

 Desarrollo de un Datamart con indicadores financieros como soporte para la

toma de decisiones en el departamento financiero del gobierno autónomo
descentralizado Municipal San Francisco de Milagro.(Tesis de Maestría,
Universidad Estatal de Milagro).

http://repositorio.unemi.edu.ec/handle/123456789/74
  “Business intelligence solution for managing educational resources and physical
spaces in Magdalena University. Colombia.

http://www.unilibre.edu.co/revistaavances/avances
101/Tema_01_inteligencia_negocios.pdf