Tesis Bach Sosa Jáuregui Víctor Darío

INSTITUTO CIENTÍFICO Y TECNOLÓGICO DEL EJÉRCITO
ESCUELA DE POSTGRADO
MAESTRÍA EN GESTIÓN E INNOVACIÓN TECNOLÓGICA
TESIS
Modelo de Data Mart para Empresas Inmobiliarias.
CASO: Inmobiliaria Alegría S.R.L.
Autor:
Víctor Darío Sosa Jáuregui
LIMA-PERÚ
2017
DEDICATORIA
Para mi Arya Sofía,
la inspiración y razón
de mis esfuerzos académicos
y de muchos más…
2
AGRADECIMIENTO
A mi esposa Vanessa,
fuente de inagotable de motivación y paciencia
de cada uno de mis proyectos de vida.
A mi madre, familia y amigos,
que se enorgullecen de mi trabajo.
A mis docentes,
que inspiraron este trabajo.
3
CONTENIDO
DEDICATORIA ........................................................................................................................ 2
AGRADECIMIENTO ............................................................................................................... 3
CONTENIDO ............................................................................................................................ 4
RESUMEN ................................................................................................................................ 8
ABSTRACT............................................................................................................................... 9
LISTA DE TABLAS ............................................................................................................... 10
LISTA DE FIGURAS.............................................................................................................. 11
INTRODUCCIÓN ................................................................................................................... 14
CAPÍTULO I: PLANTEAMIENTO DEL ESTUDIO............................................................. 15
1.1. Descripción de la realidad problemática. .............................................................. 15
1.1. Formulación del problema..................................................................................... 15
1.1.1. Problema principal .............................................................................................15
1.1.2. Problemas específicos........................................................................................16
1.2. Objetivos................................................................................................................ 16
1.2.1. Objetivo principal ..............................................................................................16
1.2.2. Objetivos específicos .........................................................................................16
1.3. Justificación e Importancia de la investigación..................................................... 16
1.4. Delimitación de la investigación ........................................................................... 17
1.4.1. Delimitación Espacial ........................................................................................17
1.4.2. Delimitación temporal .......................................................................................17
1.4.3. Delimitación Social............................................................................................17
1.4.4. Delimitación conceptual ....................................................................................17
4
1.5. Limitaciones .......................................................................................................... 17
CAPÍTULO II: MARCO TEÓRICO ....................................................................................... 18
2.1. Antecedentes.......................................................................................................... 18
2.2. Bases teóricas o teoría sustantiva. ......................................................................... 22
2.2.1. Sistema de Gestión de Bases de Datos ..............................................................22
2.2.2. Almacenes de datos............................................................................................23
2.2.3. Minería de datos.................................................................................................25
2.2.4. Análisis de datos y OLAP..................................................................................27
2.3. Glosario de términos.............................................................................................. 28
2.3.1. Inmobiliaria........................................................................................................29
2.3.2. Data Mart ...........................................................................................................29
2.3.3. Data Warehouse .................................................................................................29
2.3.4. OLAP (procesamiento analítico en línea)..........................................................29
2.3.5. SQL (Structured Query Language)....................................................................29
2.3.6. KPI (Key Performance Indicator)......................................................................29
2.3.7. DDL (Data Definition Language)......................................................................30
2.3.8. DML (Data Manipulation Language) ................................................................30
2.3.9. ETL (Extract, Transform and Load) ..................................................................30
2.4. Formulación de las hipótesis. ................................................................................ 30
2.4.1. Hipótesis Global o principal ..............................................................................30
2.4.2. Hipótesis Específicas .........................................................................................31
2.5. Identificación y clasificación de las variables. ...................................................... 31
5
2.6. Operacionalización de variables. ........................................................................... 31
CAPÍTULO III: METODOLOGÍA DE LA INVESTIGACIÓN ............................................ 32
3.1. Tipo, Diseño y Nivel de la investigación. ............................................................. 32
3.2. Población y muestra............................................................................................... 32
3.2.1. Población............................................................................................................32
3.2.2. Muestra ..............................................................................................................32
3.3. Técnicas e Instrumentos de Recolección de datos................................................. 32
3.4. Procesamiento de los datos.................................................................................... 32
CAPÍTULO IV: IMPLEMENTACIÓN DE LA PROPUESTA.............................................. 33
4.1. Especificación de los requisitos estratégicos......................................................... 33
4.2. Descripción de las fuentes de datos de origen....................................................... 33
4.2.1. Descripción de Tablas........................................................................................34
4.2.2. Esquema de Base de Datos Relacional ..............................................................35
4.3. Diseño del Data Mart............................................................................................. 35
4.5. Modelo físico y script DDL................................................................................... 37
4.6. Proceso ETL .......................................................................................................... 39
4.6.1. Criterios adoptados y lógica de transformación.................................................39
4.7. Detalles del proceso ETL ...................................................................................... 40
4.7.1. Proceso de ETL de la Tabla Cliente ..................................................................42
4.7.2. Proceso de ETL de la Tabla Empleado..............................................................43
4.7.3. Proceso de ETL de la Tabla Fecha ....................................................................45
4.7.4. Proceso de ETL de la Tabla Propiedades ..........................................................46
6
4.7.5. Proceso de ETL de la Tabla Visitas...................................................................47
4.8. Carga y análisis del proceso ETL .......................................................................... 50
4.8.1. Carga y Ejecución de la tabla Clientes ..............................................................50
4.8.2. Carga y Ejecución de la tabla Empleados..........................................................51
4.8.3. Carga y Ejecución de la tabla Fecha ..................................................................51
4.8.4. Carga y Ejecución de la tabla Propiedad ...........................................................52
4.8.5. Carga y Ejecución de la tabla Visitas ................................................................52
4.9. Exploración de Datos............................................................................................. 53
4.9.1. Descripción de la Etapa .....................................................................................53
4.9.2. Indicadores obtenidos y validación de estos ......................................................54
CAPÍTULO V: ANÁLISIS Y PRESENTACIÓN DE RESULTADOS ................................. 57
5.1. Presentación, análisis e interpretación de Resultados. .......................................... 57
5.2. Contrastación de hipótesis. .................................................................................... 57
5.3. Discusión de los resultados.................................................................................... 58
CONCLUSIONES ................................................................................................................... 59
RECOMENDACIONES.......................................................................................................... 60
REFERENCIAS....................................................................................................................... 61
ANEXOS ................................................................................................................................. 63
1. MATRIZ DE CONSISTENCIA............................................................................ 63
2. TABLA DE TOMA DE TIEMPOS ...................................................................... 64
7
RESUMEN
La Inteligencia de Negocios BI (Business Intelligence) es una herramienta bajo la cual
diferentes tipos de organizaciones, pueden soportar la toma de decisiones basadas en
información precisa y oportuna; garantizando la generación del conocimiento necesario que
permita escoger la alternativa que sea más conveniente para el éxito de la empresa.
La investigación comienza con la definición y aplicaciones de BI; además se muestran trabajos
relevantes en algunas de las herramientas para hacer BI, como son Data Warehouse (Bodega
de Datos), Olap (Cubos Procesamiento Analítico en Línea), Balance Scorecard (Cuadro de
Mando) y Data Mining (Minería de Datos). (Rosado Gomez, 2010)
El presente trabajo abarcara la elaboración de un Data Mart y su procesamiento OlAP para una
empresa del rubro inmobiliario.
PALABRAS CLAVE: Data Mart, ETL, OLAP, Inmobiliaria
8
ABSTRACT
Business Intelligence BI is a tool, below different kind organizations, supports decisions
making processes, based in an exact and accurate information; guarantying the production of
the needed knowledge that lets to choose the most appropiate option for the company success.
The investigation begins with the BI definition and applications; by addition shows definitions
and relevant BI investigations tools, like Data Warehouse, Olap, Balance Scorecard and Data
Mining. (Rosado Gomez, 2010)
The present work includes the development of a Data Mart and its processing OlAP for a real
estate company.
KEYWORDS: Data Mart, ETL , OLAP, real estate company
9
LISTA DE TABLAS
Tabla 1: Identificación y clasificación de las variables ...........................................................31
Tabla 2: Requerimientos y dimensiones del Data Mart...........................................................37
10
LISTA DE FIGURAS
Figura 1: Sistemas de Gestión de Bases de Datos ...................................................................23
Figura 2: Almacenes de Datos .................................................................................................24
Figura 3: Proceso de creación de Almacenes de Datos ...........................................................25
Figura 4: Data Mining..............................................................................................................27
Figura 5: Arquitectura de Business Intelligence......................................................................28
Figura 6: Esquema de Base de Datos de la Inmobiliaria Alegría S.R.L..................................35
Figura 7: Modelo Estrella de Base de Datos de la Inmobiliaria Alegría S.R.L.......................36
Figura 8: KPI Número de Visitas y sus dimenciones ..............................................................36
Figura 9: Dimensión Cliente del Data Mart.............................................................................39
Figura 10: Dimensión Empleado del Data Mart ......................................................................39
Figura 11: Dimensión Propiedad del Data Mart ......................................................................40
Figura 12: Dimensión Fecha del Data Mart.............................................................................40
Figura 13: Configuración de conexión a la Base de Datos......................................................41
Figura 14: Captura de pantalla de la selección de tablas de la Base de Datos.........................41
Figura 15: Configuración de conexión a la Base de Datos Multidimensional ........................41
Figura 16: Selección de tablas de la Base de Datos Multidimensional ...................................42
Figura 17: Diagrama ETL de la Tabla Cliente.........................................................................42
Figura 18: Mapeo de la Tabla Cliente......................................................................................42
Figura 19: Ordenamiento de la Tabla Dimensional Cliente ....................................................43
Figura 20: Muestreo de la Tabla Dimensional Cliente ............................................................43
Figura 21: Mapeo de la Tabla Dimensional Cliente ................................................................43
Figura 22: Diagrama ETL de la Tabla Empleado....................................................................43
Figura 23: Mapeo de la Tabla Empleado.................................................................................44
Figura 24: Ordenamiento de la Tabla Dimensional Empleado................................................44
11
Figura 25: Muestreo de la Tabla Dimensional Empleado .......................................................44
Figura 26: Mapeo de la Tabla Dimensional Empleado ...........................................................44
Figura 27: Diagrama ETL de la Tabla Fecha...........................................................................45
Figura 28: Mapeo de la Tabla Fecha........................................................................................45
Figura 29: Ordenamiento de la Tabla Dimensional Fecha ......................................................45
Figura 30: Muestreo de la Tabla Dimensional Fecha ..............................................................45
Figura 31: Mapeo de la Tabla Dimensional Fecha ..................................................................46
Figura 32: Diagrama ETL de la Tabla Propiedades.................................................................46
Figura 33: Mapeo de la Tabla Propiedades..............................................................................46
Figura 34: Ordenamiento de la Tabla Dimensional Propiedades ............................................47
Figura 35: Muestreo de la Tabla Dimensional Propiedades ....................................................47
Figura 36: Mapeo de la Tabla Dimensional Propiedades ........................................................47
Figura 37: Diagrama ETL de la Tabla Visitas .........................................................................48
Figura 38: Mapeo de la Tabla Visitas ......................................................................................48
Figura 39: Agregar filas a la Tabla Dimensional Visitas.........................................................49
Figura 40: Ordenamiento de la Tabla Dimensional Visitas.....................................................49
Figura 41: Muestreo de la Tabla Dimensional Visitas.............................................................49
Figura 42: Mapeo de la Tabla Dimensional Visitas.................................................................50
Figura 43: Carga de la Tabla Dimensional Clientes ................................................................50
Figura 44: Ejecución de la Tabla Dimensional Clientes..........................................................50
Figura 45: Carga de la Tabla Dimensional Empleados ...........................................................51
Figura 46: Ejecución de la Tabla Dimensional Empleados .....................................................51
Figura 47: Carga de la Tabla Dimensional Fecha....................................................................51
Figura 48: Ejecución de la Tabla Dimensional Fecha .............................................................51
Figura 49: Carga de la Tabla Dimensional Propiedad .............................................................52
12
Figura 50: Ejecución de la Tabla Dimensional Propiedad.......................................................52
Figura 51: Carga de la Tabla Dimensional Visitas ..................................................................52
Figura 52: Ejecución de la Tabla Dimensional Visitas............................................................53
Figura 53: Conexión Tableau a la base de datos multidimensional.........................................53
Figura 54: Dimensión Fecha/Empleado/Ciudad......................................................................54
Figura 55: Dimensión Fecha/TipoCliente/Ciudad ...................................................................55
Figura 56: Dimensión Tiempo/TipoPropiedad/Ciudad ...........................................................56
Figura 57: Comparativa de tiempos entre lo Actual y el Data Mart ........................................57
13
INTRODUCCIÓN
El rubro inmobiliario en la ciudad del Cusco viene teniendo un gran auge en estos últimos años
gracias al desarrollo e impulso financiero que vive nuestro país. De la mano con la gran
demanda de viviendas y edificios para los diferentes tipos de interesados, constituyen un gran
manejo de flujo de información económica, administrativa y geográfica.
Las inmobiliarias pasan a tener que ofrecer productos del rubro, de acuerdo a las necesidades
de los usuarios manejando: precios, tipo de inmueble y su ubicación.
Por las razones antes expuestas y con la finalidad de tener un apoyo al área de ventas de las
inmobiliarias; éstas optan por tener software que les permitan tener el control, búsqueda y
monitoreo de sus diferentes bienes inmuebles. Es así que, el manejo de un volumen de
información, muchas veces en papel, del área de ventas no hace eficiente ni en tiempo ni en
recursos, brindar servicios de calidad al usuario final.
Para lograr lo anterior, el presente trabajo incluye: el uso de tecnología basada la generación
de un Data Mart para empresas inmobiliarias, así como metodología de desarrollo del mismo
y la generación de cubos OLAP, para este caso el área de ventas de la Inmobiliaria Alegría de
la Ciudad del Cusco.
14
CAPÍTULO I: PLANTEAMIENTO DEL ESTUDIO
1.1. Descripción de la realidad problemática.
La empresa inmobiliaria “Inmobiliaria Alegría S.R.L.”, es una empresa ubicada en la
ciudad del Cusco, Perú y dedicada a la venta de terrenos, casas y departamentos, cuenta
con una gran variedad de propiedades en la ciudad del Cusco de diversos tipos, precios,
dimensiones y ubicaciones.
La empresa es pequeña y viene operando hace dos años, pero ha ido aumentando su
cartera de clientes y lista de propiedades gracias a la gran demanda de bienes inmuebles
en esta ciudad. Para mejorar las ventas que realizan y mantener la satisfacción de sus
clientes la inmobiliaria registra las visitas que se realizan a cada inmueble en las que
participan un empleado encargado de la inmobiliaria y el cliente interesado.
Los clientes que visitan un inmueble son considerados clientes potenciales y es
importante evaluar este margen para determinar cuánta afluencia de clientes tiene la
empresa
Actualmente busca direccionar sus estrategias de publicidad de mejor manera. Para
esto requerirá de la evaluación de indicadores como el número de visitantes que tienen,
considerándose como estadísticas necesarias para determinar con cuántos clientes
potenciales cuentan desde su creación.
1.1. Formulación del problema.
1.1.1. Problema principal
¿De qué manera el desarrollo de un Data Mart influye en la toma de decisiones
en el área de ventas de la Inmobiliaria?
15
1.1.2. Problemas específicos
● Identificar la información relevante para el desarrollo de la investigación
● Desarrollar el modelo de Data Mart
● Verificar el grado de influencia entre el Data Mart y la toma de
decisiones para el área de ventas.
1.2. Objetivos.
1.2.1. Objetivo principal
Establecer de qué manera el desarrollo de un Data Mart influye en la toma de
decisiones en el área de ventas de la Inmobiliaria Alegría S.R.L.
1.2.2. Objetivos específicos
● Identificar los requerimientos de análisis de información para el área de
Ventas.
● Elaborar un modelo de base de datos multidimensional que permita el
análisis y explotación de la información identificada.
● Construir el Data Mart para mostrar la información que se necesita para
poder tomar decisiones estratégicas en el área de ventas.
1.3. Justificación e Importancia de la investigación
En la actualidad las empresas del rubro inmobiliario necesitan la información oportuna
y pertinente; y mostrada además de un a manera gráfica para su entendimiento.
16
1.4. Delimitación de la investigación
1.4.1. Delimitación Espacial
Esta investigación se realizará en la Inmobiliaria Alegría S.R.L, ubicado en
Prolongación Av. de la cultura 427 San Sebastián – Cusco – Perú.
1.4.2. Delimitación temporal
Esta investigación tendrá una duración de aproximadamente 4 meses.
Comenzará en Septiembre del 2017 y finalizará en Diciembre del 2017.
1.4.3. Delimitación Social
El grupo social objeto de estudio es el personal de la empresa Inmobiliaria
Alegría S.R.L y sus clientes.
1.4.4. Delimitación conceptual
La investigación estará enmarcada en el área de la Inteligencia de negocios.
1.5. Limitaciones
● Al ser una empresa relativamente nueva; se desarrollará la investigación de data
de aproximadamente 2 años.
● Al poseer información sensible; se enmascara la información de los usuarios y
de los inmuebles.
17
CAPÍTULO II: MARCO TEÓRICO
2.1. Antecedentes.
Tesis 1: Solución integral para explotar eficientemente la información de los
contactos con los clientes utilizando Data Mart en Telefónica del Perú
Autor: Gamarra Ramirez, Alejandro Javier
El trabajo muestra el proceso seguido para el desarrollo de un Data Mart cuyo objetivo
será facilitar la información de los contactos con el cliente de Telefónica del Perú a
todos los usuarios internos de la empresa y proporcionar las herramientas necesarias
que ayuden a la correcta explotación y uso eficiente de la misma. La presencia de este
Data Mart contribuirá a comprender, aún mejor, cuáles son las necesidades reales del
cliente y contribuir a la satisfacción de las mismas
La tesis realizada pone de manifiesto la gran utilidad que tiene la metodología
propuesta por Gill Harjinder y Rao Prakash, la cual es muy flexible y ayuda a realizar
eficazmente este tipo de proyectos. Para la implementación del Data Mart se
seleccionó SQL Server como motor de base de datos, Analysis Services para la
construcción de cubos multidimensionales, Reporting Services para la elaboración de
reportes y Macromedia Dreamweaver para la creación del Sitio Web de consultas
online de los contactos de los clientes.
Palabras Claves: Data Mart, contactos, metodología, SQL, Sitio Web, consultas online
(Ramirez, 2011)
Tesis 2: Aplicativo Data Mart y la agilización de la toma de decisiones en el
Departamento de Farmacia del Hospital Eleazar Guzmán Barrón – Nuevo
Chimbote
Autor: Angeles Pacheco, Vicente Miguel
18
El aplicativo Data Mart permitirá agilizar el proceso de toma de decisiones en del
departamento de farmacia de dicho hospital, a través de herramientas y tecnologías de
inteligencia de negocios, que convertirán datos en información útil.
El aplicativo Data Mart será desarrollado bajo la realización de cada uno de las etapas
de la metodología de Ralph Kimball, siento ésta metodología la más ajustada para esta
investigación.
El aplicativo propuesto muestra todos los requerimientos y necesidades del área de
farmacia, asegurándose que el proceso de toma de decisiones sea de manera oportuna
y eficaz. (Angeles Pacheco, 2015)
Tesis 3: Desarrollo de un Data Mart para mejorar la toma de decisiones en el área
de ventas de la corporación Furukawa
Autor: Durand Mendoza, Alex Jesús
A lo largo de los últimos años, cada vez más organizaciones han visto la necesidad y la
utilidad de usar soluciones Business Intelligence para la toma de decisiones.
Tradicionalmente, estas herramientas eran utilizadas de forma exclusiva por grandes
organizaciones y multinacionales de los sectores de gran consumo, banca y
telecomunicaciones.
Conforme han ido avanzando los años se ha ido abriendo el uso a empresas de todos
los sectores productivos y comerciales, así como a las Administraciones Públicas, que
han visto en su uso, una gran manera de optimizar y mejorar el servicio a sus
ciudadanos.
De forma paralela, dentro de las propias organizaciones que ya usaban Business
Intelligence se ha ido extendiendo su uso a un mayor número de personas.
De ser tecnologías y soluciones reservadas a analistas y personal de dirección se ha ido
extendiendo su uso a todas aquellas personas que manejan información y toman
19
decisiones en las compañías que, en la práctica, son un porcentaje muy alto de las
mismas.
Tesis 4: Propuesta de un Data Mart para mejorar el proceso de toma de decisiones
en la Empresa Cresko, 2016
Autor: Arroyo Raymundo, Hector Esteban
El área comercial de la empresa Cresko S.A. es la que más tiempo emplea en la
elaboración de reportes por su grado de dificultad, ocasionando muchas veces una
entrega tardía disminuyendo la capacidad de decisión. En otras ocasiones el reporte
entregado no cuenta con la información requerida porque el sistema actual no brinda
las facilidades ya que es un sistema transaccional.
La metodología usada fue sintagma holístico y enfoque mixto, con tipo de investigación
proyectiva no experimental, la unidad de análisis fue el área comercial de la empresa
Cresko S.A. a la cual se aplicaron los instrumentos de recolección de datos para conocer
la situación actual de la obtención de información y la toma de decisiones, luego de
haber aplicado las encuestas y entrevistas, se realizó la triangulación de resultados y
diagnóstico final, los resultados obtenidos indican que el proceso de toma de decisiones
es regular, esto se debe a que calidad de la información de los reportes no satisfacen lo
necesitado para poder decidir, del mismo modo la disponibilidad de la información
tampoco es la que se espera. Luego de realizar la investigación, los resultados indican
que se debe implementar técnicas de inteligencia de negocio (BI), y mediante un Data
Mart mostrar un tablero de control con indicadores para el área comercial, así como
también disponer de reportes mediante tablas dinámicas y elaborar un reporte gerencial
cada periodo según la necesidad de los ejecutivos de la empresa. (Raymundo, 2017)
20
Tesis 5: Data Mart de información académica en la toma de decisiones en la
Universidad Nacional de Ucayali
Autor: Claros Claros, Reynaldo
La toma de decisiones dentro de las organizaciones se ha hecho indispensable en cada
una de las etapas en las que esta se desarrolla. Por tal motivo es importante adoptar las
tecnologías que permiten realizar este proceso de toma de decisiones mucho más
eficiente y eficaz.
La tecnología de Business intelligence ayuda enormemente este proceso, en cual es
reflejado en esta investigación con el desarrollo de un Data Mart académico, que prevea
información relevante, precisa y oportuna para los tomadores de decisiones en el ámbito
académico. Como metodología de implementación se ha utilizado el Business
intelligence ROADMAP. (Shaku), que comprende de 16 pasos en los cuales se recogen
las actividades a realizar para llevar un proyecto de Business intelligence.
Los resultados de la presente investigación, el Data Mart académico da soporte de
información académica ayudando a mejorar la toma de decisiones en el ámbito
académico de la Universidad Nacional de Ucayali. El Data Mart de información
académico está dirigido a usuarios que hacen uso de indicadores e información
relacionada en el ámbito académico, dentro de las consideraciones de esta investigación
se listan: Decanos, Jefes de departamentos, Directores de escuelas, Oficinas de
información académica, Oficinas de estadísticas y otros interesados (Claros, 2015)
Tesis 6: Análisis, diseño e implementación de un Data Mart para el área de
mantenimiento y logística de una empresa de transporte público de pasajeros
Autor: Zambrano Alarcón, Jaime Alexander
21
El trabajo de tesis implementa un Data Mart para el apoyo al proceso de toma de
decisiones del área de mantenimiento y logística de una empresa de transporte público
de pasajeros.
Las empresas de transporte público de pasajeros son un tipo de empresa que maneja
una gran cantidad de información día a día. Sin embargo, muchas de ellas no saben
cómo administrarlo adecuadamente, debido a que sus sistemas actuales no soportan el
manejo adecuado de grandes volúmenes de información. Así, las empresas de
transporte público tienen el problema de utilizar su información para emplearla en la
toma de decisiones. (Zambrano A, 2011)
2.2. Bases teóricas o teoría sustantiva.
2.2.1. Sistema de Gestión de Bases de Datos
Un sistema gestor de bases de datos (SGBD) consiste en una colección de datos
interrelacionados y un conjunto de programas para acceder a dichos datos. La
colección de datos, normalmente denominada base de datos, contiene
información relevante para una empresa. (Silberschatz, Korth, & Sudarshan,
2007)
El objetivo principal de un SGBD es proporcionar una forma de almacenar y
recuperar la información de una base de datos de manera quesea tanto práctica
como eficiente. Los sistemas de bases de datos se diseñan para gestionar grandes
cantidades de información. La gestión de los datos implica tanto la definición
de estructuras para almacenar la información como la provisión de mecanismos
para la manipulación de la información. Además, los sistemas de bases de datos
deben garantizar la fiabilidad de la información almacenada, a pesar de las
caídas del sistema o de los intentos de acceso no autorizados. Si los datos van a
22
ser compartidos entre diferentes usuarios, el sistema debe evitar posibles
resultados anómalos.
Figura 1: Sistemas de Gestión de Bases de Datos
Fuente: Recuperado del Libro Sistemas de Información Geográfica un libro libre de Víctor
Olaya
2.2.2. Almacenes de datos
Las grandes empresas tienen presencia en muchos lugares, cada uno de los
cuales puede generar un gran volumen de datos. Por ejemplo, las cadenas de
tiendas minoristas poseen centenares o millares de tiendas, mientras que las
compañías de seguros pueden tener datos de millares de oficinas locales.
(Silberschatz, Korth, & Sudarshan, 2007)
Además, las organizaciones grandes tienen una estructura compleja de
organización interna y, por tanto, puede que los diferentes datos se hallen en
ubicaciones, sistemas operativos o bajo esquemas diferentes. Por ejemplo,
puede que los datos de los problemas de fabricación y los datos sobre las quejas
de los clientes estén almacenados en diferentes sistemas de bases de datos. Los
23
encargados de adoptar las decisiones empresariales necesitan tener acceso a la
información de todos esos orígenes. La formulación de consultas a cada uno de
los orígenes es a la vez engorrosa e ineficiente. Además, puede que los orígenes
de datos sólo almacenen los datos actuales, mientras que es posible que los
encargados de adoptar las decisiones empresariales necesiten tener acceso
también a datos anteriores, por ejemplo, información sobre la manera en que se
han modificado las pautas de compra el año pasado puede resultar de gran
importancia. Los almacenes de datos proporcionan una solución a estos
problemas.
Figura 2: Almacenes de Datos
Fuente: Blog Amigos para siempre, http://ayudahispano-3000.blogspot.pe
Los almacenes de datos (data warehouses) son depósitos (o archivos) de
información reunida de varios orígenes, almacenada bajo un esquema unificado
en un solo sitio. Una vez reunida, los datos se almacenan mucho tiempo, lo que
permite el acceso a datos históricos. Así, los almacenes de datos proporcionan a
los usuarios una sola interfaz consolidada con los datos, por lo que las consultas
24
de ayuda a la toma de decisiones resultan más fáciles de escribir. Además, al
tener acceso a la información para la ayuda de la toma de decisiones desde un
almacén de datos, el encargado de adoptar las decisiones sea segura que los
sistemas de procesamiento en línea de las transacciones no se vean afectados
por la carga de trabajo de la ayuda de la toma de decisiones.
Figura 3: Proceso de creación de Almacenes de Datos
Fuente: Recuperado del Blog Amigos para siempre, http://ayudahispano-3000.blogspot.pe
2.2.3. Minería de datos
El término minería de datos (data mining) hace referencia vagamente al proceso
de análisis semiautomático de bases de datos de gran tamaño para hallar
estructuras útiles. (Silberschatz, Korth, & Sudarshan, 2007)
Al igual que la búsqueda de conocimiento en la inteligencia artificial (también
denominada aprendizaje de la máquina), o el análisis estadístico, la minería de
datos intenta descubrir reglas y estructuras a partir de los datos. No obstante, la
minería de datos se diferencia del aprendizaje de la máquina y de la estadística
en que trata con grandes volúmenes de datos, almacenados sobre todo en disco.
25
Es decir, la minería de datos trata de la “búsqueda de conocimiento en las bases
de datos”. Algunos tipos de conocimiento descubiertos a partir de una base de
datos pueden representarse por un conjunto de reglas.
Otros tipos de conocimiento se representan por ecuaciones que relacionan entre
sí diferentes variables, o mediante otros mecanismos de predicción de
resultados cuando se conocen los valores de algunas variables.
Hay gran variedad de tipos posibles de estructuras que pueden resultar útiles, y
se emplean diferentes técnicas para hallar tipos diferentes de estructuras. Se
estudiarán unos cuantos ejemplos de estructuras y se verá el modo en que
pueden obtenerse de manera automática de las bases de datos.
Suele haber una parte manual en la minería de datos, que consiste en el pre-
procesamiento de los datos hasta una forma aceptable para los algoritmos, y en
el pos-procesamiento de las estructuras descubiertas para hallar otras nuevas
que puedan resultar útiles. También puede haber más de un tipo de estructura
que se pueda descubrir a partir de una base de datos dada, y puede que se
necesite la interacción manual para escoger los tipos de estructuras útiles. Por
este motivo, la minería de datos es realmente un proceso semiautomático en la
vida real. No obstante, la descripción que sigue se centrará en el aspecto
automático de la minería.
26
Figura 4: Data Mining
Fuente: Recuperado del sitio https://www.predictiveanalyticstoday.com
2.2.4. Análisis de datos y OLAP
El área de procesamiento analítico en línea (Online Analytical Processing,
OLAP) trata de las herramientas y de las técnicas para el análisis de datos que
pueden dar respuestas casi instantáneas a las consultas de datos resumidos, aún
cuando la base de datos sea extremadamente grande. (Silberschatz, Korth, &
Sudarshan, 2007)
Aunque es mejor dejar el análisis estadístico complejo a los paquetes
estadísticos las bases de datos deben soportar las formas sencillas, utilizadas
frecuentemente, de análisis estadístico. Dado que los datos almacenados en las
bases de datos suelen ser de gran volumen, hay que resumirlos de algún modo
si hay que obtener información que puedan utilizar los usuarios. Las
herramientas OLAP soportan el análisis interactivo de la información de
resumen. Se han desarrollado varias extensiones de SQL para soportar las
herramientas OLAP.
27
Hay muchas tareas utilizadas con frecuencia que no pueden realizarse
empleando las facilidades básicas de agregación y agrupamiento e SQL. Entre
los ejemplos se hallan la búsqueda de percentiles, las distribuciones
acumulativas o los agregados sobre ventanas deslizantes de datos ordenados
secuencialmente. Recientemente se han propuesto varias extensiones de SQL
para soportar estas tareas y se han implementado en productos como Oracle y
DB2 de IBM.
Figura 5: Arquitectura de Business Intelligence
Fuente: Recuperado del sitio https://www.predictiveanalyticstoday.com
2.3. Glosario de términos.
Según la Real Academia de la Lengua Española, (Conesa Caralt & Curto Díaz, 2010),
(Elmasri & Navathe, 2011) y (Molina, Ullman, & Widom, 2009) se tiene los siguientes
términos:
28
2.3.1. Inmobiliaria
Empresa o sociedad que se dedica a construir, arrendar, vender y administrar
viviendas.
2.3.2. Data Mart
Es una base de datos departamental, especializada en el almacenamiento de los
datos de un área de negocio específica.
2.3.3. Data Warehouse
Es una base de datos corporativa que se caracteriza por integrar y depurar
información de una o más fuentes distintas, para luego procesarla permitiendo
su análisis desde infinidad de perspectivas y con grandes velocidades de
respuesta.
2.3.4. OLAP (procesamiento analítico en línea)
Permite a los usuarios extraer fácilmente y de forma selectiva datos y verlos
desde diferentes puntos de vista.
2.3.5. SQL (Structured Query Language)
Es un lenguaje de programación estándar e interactivo para la obtención de
información desde una base de datos y para actualizarla.
2.3.6. KPI (Key Performance Indicator)
Un KPI, conocido también como indicador clave o medidor de desempeño o
indicador clave de rendimiento, es una medida del nivel del desempeño de un
proceso. El valor del indicador está directamente relacionado con un objetivo
fijado de antemano y normalmente se expresa en valores porcentuales.
29
2.3.7. DDL (Data Definition Language)
Un lenguaje de base de datos o lenguaje de definición de datos, DDL por sus
siglas en inglés) es un lenguaje proporcionado por el sistema de gestión de base
de datos que permite a los programadores de la misma llevar a cabo las tareas
de definición de las estructuras que almacenarán los datos, así como de los
procedimientos o funciones que permitan consultarlos.
2.3.8. DML (Data Manipulation Language)
Lenguaje de Manipulación de Datos (DML) es un lenguaje proporcionado por
los sistemas gestores de bases de datos que permite a los usuarios de la misma
llevar a cabo las tareas de consulta o modificación de los datos contenidos en
las Bases de Datos del Sistema Gestor de Bases de Datos.
2.3.9. ETL (Extract, Transform and Load)
“Extraer, Transformar y Cargar”, (frecuentemente abreviado ETL) es el proceso
que permite a las organizaciones mover datos desde múltiples fuentes,
reformatearlos y limpiarlos, y cargarlos en otra base de datos, data mart, o data
warehouse para analizar, o en otro sistema operacional para apoyar un proceso
de negocio.
2.4. Formulación de las hipótesis.
2.4.1. Hipótesis Global o principal
Se podrá mejorar la toma de decisiones con la implementación de un Data Mart
para la empresa inmobiliaria Alegria SRL.
30
2.4.2. Hipótesis Específicas
● Se podrá reducir el tiempo en la elaboración de reportes.
● Se podrá reducir el tiempo en la búsqueda de información personalizada.
2.5. Identificación y clasificación de las variables.
Variable Definición Definición Indicadores Escala de

conceptual operacional Medición
Modelo Data Base de datos Repositorio de datos Eficiencia
Mart especializada en el perteneciente al área
almacenamiento de Mantenibilidad
datos del área
Usabilidad
Proceso de Es el proceso que Es un proceso racional Tiempo en la Razón

Toma de se realiza para que se da al presentarse elaboración de
Decisiones seleccionar una distintas alternativas, reportes
acción analizando
para la solución de seleccionando e Tiempo en la
un problema implementando la que búsqueda de
específico. más se adecue al información
objetivo estratégico. personalizada
Tabla 1: Identificación y clasificación de las variables
2.6. Operacionalización de variables.
● Variable Dependiente: Proceso de Toma de Decisiones
● Variable Independiente: Modelo Data Mart
31
CAPÍTULO III: METODOLOGÍA DE LA INVESTIGACIÓN
3.1. Tipo, Diseño y Nivel de la investigación.
Según (Hernández Sampieri, Fernández Collado, & Baptista Lucio, 2014) se tiene:
● Tipo: Correlacional
● Nivel: Explicativo
● Diseño: No experimental
3.2. Población y muestra.
3.2.1. Población
Empresas Inmobiliarias de la Ciudad del Cusco
3.2.2. Muestra
Empresas Inmobiliarias del Distrito de San Sebastián
Caso: Inmobiliaria Alegría SRL
3.3. Técnicas e Instrumentos de Recolección de datos.
La técnica de verificación será una lista de cotejo.
3.4. Procesamiento de los datos
Se hará un análisis estadístico para determinar la mejora del área de ventas de la
inmobiliaria Alegría S.R.L.
32
CAPÍTULO IV: IMPLEMENTACIÓN DE LA PROPUESTA
4.1. Especificación de los requisitos estratégicos
La empresa desea resolver los siguientes requerimientos:
Evolución de afluencia de clientes (clientes potenciales):
 Requerimiento 1 (RE1): Se desea hacer un seguimiento de las visitas
comparando los años y meses desde la primera visita. De esta manera se puede
determinar la afluencia de clientes potenciales de la inmobiliaria desde su
creación a la actualidad con la finalidad de determinar sus estrategias publicitarias
por épocas del año.
 Requerimiento 2 (RE2): Se desea también observar las variaciones en las visitas
para las distintas ciudades a las que pertenecen las propiedades. De esta manera
se puede determinar que ciudades presentan mayor demanda en bienes inmuebles
y dirigir estrategias de búsqueda de adquisición de propiedades a esas zonas.
 Requerimiento 3 (RE3): Se desea también observar visitas realizadas por
empleado para así medir la productividad de sus empleados.
 Requerimiento 4 (RE4): Por último, es importante también comparar las
cantidades de vistas realizadas por tipo de clientes para determinar la clase de
clientes potenciales de la empresa. Estos tipos son básicamente dos, Personas
Naturales y Jurídicas. De acuerdo a esta información se pueden dirigir estrategias
publicitarias más exclusivas y personales.
4.2. Descripción de las fuentes de datos de origen
La inmobiliaria cuenta con la siguiente estructura de Base de datos relacional
desarrollada en MySQL.
33
4.2.1. Descripción de Tablas
A continuación, se describen las tablas que componen la base de datos de
inmuebles y visitas de la empresa.
 TCliente (IdTCliente, dni, nombres, fechaIngreso, tipo, dirección)
Contiene información sobre los clientes de la inmobiliaria registrando
tanto a aquellos que realizaron una compra o visitaron un inmueble para
su adquisición.
 TPropietario (IdTPropietario, dni_propietario, nombres, tipo,
dirección, ciudad)
Contiene información sobre los propietarios de los inmuebles que posee
la inmobiliaria.
 TEmpleado (IdTEmpleado, dni_empleado, nombres, cargo)
Contiene información sobre los empleados de la inmobiliaria, que son
las personas que efectúan las visitas a los inmuebles.
 TVenta (IdTVenta, fecha, tipo, montoFinal, idTCliente, idTPropiedad)
Contiene información sobre las ventas realizadas por la inmobiliaria que
relaciona la propiedad vendida y el cliente al cual se le está vendiendo
el inmueble.
 TPropiedad (IdTPropiedad, dirección, ciudad, tamaño, tipo, precio,
fechaincripcion, fechacese, idTPropietario)
Contiene información sobre las propiedades con las que cuenta el
inmueble relacionada también a un propietario.
 TVisita (IdTVisita, fecha, informe, idTEmpleado, idTPropiedad)
Contiene información sobre las visitas que se realizan a las propiedades
antes de que estas sean adquiridas por el cliente.
34
4.2.2. Esquema de Base de Datos Relacional
Figura 6: Esquema de Base de Datos de la Inmobiliaria Alegría S.R.L.
4.3. Diseño del Data Mart
El siguiente es un esquema conceptual, modelo estrella (Kimball, 2011), diseñado a
partir de los requerimientos indicados por la inmobiliaria en cuanto a las visitas.
Se definieron 4 dimensiones: DAD_Fecha, DAD_Empleado, DAD_Clientes de las que
extraeremos el tipo y DAD_Propiedades de las que se tomara la ciudad a la que
pertenece el inmueble. La dimensión filtro denominada FAD_Visitas guarda el número
de visitas realizadas lo que representa el KPI.
35
Figura 7: Modelo Estrella de Base de Datos de la Inmobiliaria Alegría S.R.L.
4.4. Justificación del modelo
En atención a los requerimientos de la empresa planteados en el punto 4.1 de la
presente tesis; todos giran en torno a la cantidad de visitas que se realizan llegando a
la necesidad de determinar la cantidad de visitas tomando 3 dimensiones.
Cantidad de Visitas:
Lo importante es analizar la cantidad de visitas realizadas por fecha (año, mes),
propiedad (ciudad en la que está ubicada) y cliente (tipo de cliente que realiza la visita).
Figura 8: KPI Número de Visitas y sus dimenciones
36
Requerimiento y RE1 RE2 RE3 RE4
Dimensiones
Cliente X X
Empleado X X
Propiedad X X
Fecha X
Tabla 2: Requerimientos y dimensiones del Data Mart
4.5. Modelo físico y script DDL
El script correspondiente al modelo multidimensional es el siguiente:
SET @OLD_UNIQUE_CHECKS=@@UNIQUE_CHECKS, UNIQUE_CHECKS=0;

SET @OLD_FOREIGN_KEY_CHECKS=@@FOREIGN_KEY_CHECKS, FOREIGN_KEY_CHECKS=0;
SET @OLD_SQL_MODE=@@SQL_MODE, SQL_MODE='TRADITIONAL,ALLOW_INVALID_DATES';
CREATE SCHEMA IF NOT EXISTS `BDInmobiliariaAlegria_M` DEFAULT CHARACTER SET utf8

COLLATE utf8_general_ci ;
USE `BDInmobiliariaAlegria_M` ;
-- -----------------------------------------------------
-- Table `BDInmobiliariaAlegria_M`.`DAD_Clientes`
-- -----------------------------------------------------
CREATE TABLE IF NOT EXISTS `BDInmobiliariaAlegria_M`.`DAD_Clientes` (
ìdDAD_Clientes` INT NOT NULL ,
ìdTCliente` INT NULL ,
`dni` VARCHAR(8) NULL ,
`tipo` VARCHAR(30) NULL ,
PRIMARY KEY (ìdDAD_Clientes`) )
ENGINE = InnoDB;
-- -----------------------------------------------------
-- Table `BDInmobiliariaAlegria_M`.`DAD_Propiedades`
-- -----------------------------------------------------
CREATE TABLE IF NOT EXISTS `BDInmobiliariaAlegria_M`.`DAD_Propiedades` (
ìdDAD_Propiedades` INT NOT NULL ,
ìdTPropiedad` INT NULL ,
`ciudad` VARCHAR(45) NULL ,
`tipo` VARCHAR(45) NULL ,
PRIMARY KEY (ìdDAD_Propiedades`) )
ENGINE = InnoDB;
-- -----------------------------------------------------
-- Table `BDInmobiliariaAlegria_M`.`DAD_Fecha`
-- -----------------------------------------------------
CREATE TABLE IF NOT EXISTS `BDInmobiliariaAlegria_M`.`DAD_Fecha` (
ìdDAD_Fecha` INT NOT NULL ,
`semana` INT NULL ,
`mes` INT NULL ,
ànio` INT NULL ,
37
PRIMARY KEY (ìdDAD_Fecha`) )
ENGINE = InnoDB;
-- -----------------------------------------------------
-- Table `BDInmobiliariaAlegria_M`.`DAD_Empleado`
-- -----------------------------------------------------
CREATE TABLE IF NOT EXISTS `BDInmobiliariaAlegria_M`.`DAD_Empleado` (
ìdDAD_Empleado` INT NOT NULL ,
ìdTEmpleado` INT NULL ,
`nombre` VARCHAR(100) NULL ,
`cargo` VARCHAR(45) NULL ,
PRIMARY KEY (ìdDAD_Empleado`) )
ENGINE = InnoDB;
-- -----------------------------------------------------
-- Table `BDInmobiliariaAlegria_M`.`FAD_Visitas`
-- -----------------------------------------------------
CREATE TABLE IF NOT EXISTS `BDInmobiliariaAlegria_M`.`FAD_Visitas` (
ìd_AD_Visitas` INT NOT NULL AUTO_INCREMENT ,
ìdTCliente` INT NULL ,
ìdTPropiedad` INT NULL ,
ìdFecha` INT NULL ,
`nrovisitas` INT NULL ,
ìdTEmpleado` INT NULL ,
PRIMARY KEY (ìd_AD_Visitas`) ,
INDEX ìdTCliente_idx` (ìdTCliente` ASC) ,
INDEX ìdTPropiedad_idx` (ìdTPropiedad` ASC) ,
INDEX ìdFecha_idx` (ìdFecha` ASC) ,
INDEX ìdTEmpleado_idx` (ìdTEmpleado` ASC) ,
CONSTRAINT ìdTCliente`
FOREIGN KEY (ìdTCliente` )
REFERENCES `BDInmobiliariaAlegria_M`.`DAD_Clientes` (ìdDAD_Clientes` )
ON DELETE NO ACTION
ON UPDATE NO ACTION,
CONSTRAINT ìdTPropiedad`
FOREIGN KEY (ìdTPropiedad` )
REFERENCES `BDInmobiliariaAlegria_M`.`DAD_Propiedades` (ìdDAD_Propiedades` )
ON DELETE NO ACTION
CONSTRAINT ìdFecha`
FOREIGN KEY (ìdFecha` )
REFERENCES `BDInmobiliariaAlegria_M`.`DAD_Fecha` (ìdDAD_Fecha` )
ON DELETE NO ACTION
CONSTRAINT ìdTEmpleado`
FOREIGN KEY (ìdTEmpleado` )
REFERENCES `BDInmobiliariaAlegria_M`.`DAD_Empleado` (ìdDAD_Empleado` )
ON DELETE NO ACTION
ON UPDATE NO ACTION)
ENGINE = InnoDB;
USE `BDInmobiliariaAlegria_M` ;
SET SQL_MODE=@OLD_SQL_MODE;
SET FOREIGN_KEY_CHECKS=@OLD_FOREIGN_KEY_CHECKS;
SET UNIQUE_CHECKS=@OLD_UNIQUE_CHECKS;
38
4.6. Proceso ETL
La herramienta utilizada en el proceso ETL fue Talend Open Studio Versión 6.4.1
4.6.1. Criterios adoptados y lógica de transformación
 Dimensión Cliente:
Figura 9: Dimensión Cliente del Data Mart
 Dimensión Empleado:
Figura 10: Dimensión Empleado del Data Mart
 Dimensión Propiedad
39
Figura 11: Dimensión Propiedad del Data Mart
 Dimensión Fecha
Figura 12: Dimensión Fecha del Data Mart
4.7. Detalles del proceso ETL
 Conexión a la base de datos operacional
40
Figura 13: Configuración de conexión a la Base de Datos
 Selección de Tablas
Figura 14: Captura de pantalla de la selección de tablas de la Base de Datos
 Conexión a la base de datos multidimensional
Figura 15: Configuración de conexión a la Base de Datos Multidimensional
41
 Selección de Tablas
Figura 16: Selección de tablas de la Base de Datos Multidimensional
4.7.1. Proceso de ETL de la Tabla Cliente
 Diagrama
Figura 17: Diagrama ETL de la Tabla Cliente
 Mapeo
Figura 18: Mapeo de la Tabla Cliente
 Ordenamiento
42
Figura 19: Ordenamiento de la Tabla Dimensional Cliente
 Muestreo
Figura 20: Muestreo de la Tabla Dimensional Cliente
 Mapeo
Figura 21: Mapeo de la Tabla Dimensional Cliente
4.7.2. Proceso de ETL de la Tabla Empleado
 Diagrama
Figura 22: Diagrama ETL de la Tabla Empleado
 Mapeo
43
Figura 23: Mapeo de la Tabla Empleado
 Ordenamiento
Figura 24: Ordenamiento de la Tabla Dimensional Empleado
 Muestreo
Figura 25: Muestreo de la Tabla Dimensional Empleado
 Mapeo
Figura 26: Mapeo de la Tabla Dimensional Empleado
44
4.7.3. Proceso de ETL de la Tabla Fecha
 Diagrama
Figura 27: Diagrama ETL de la Tabla Fecha
 Mapeo
Figura 28: Mapeo de la Tabla Fecha
 Ordenamiento
Figura 29: Ordenamiento de la Tabla Dimensional Fecha
 Muestreo
Figura 30: Muestreo de la Tabla Dimensional Fecha
45
 Mapeo
Figura 31: Mapeo de la Tabla Dimensional Fecha
4.7.4. Proceso de ETL de la Tabla Propiedades
 Diagrama
Figura 32: Diagrama ETL de la Tabla Propiedades
 Mapeo
Figura 33: Mapeo de la Tabla Propiedades
46
 Ordenamiento
Figura 34: Ordenamiento de la Tabla Dimensional Propiedades
 Muestreo
Figura 35: Muestreo de la Tabla Dimensional Propiedades
 Mapeo
Figura 36: Mapeo de la Tabla Dimensional Propiedades
4.7.5. Proceso de ETL de la Tabla Visitas
 Diagrama
47
Figura 37: Diagrama ETL de la Tabla Visitas
 Mapeo
Figura 38: Mapeo de la Tabla Visitas
48
 Agregar Filas
Figura 39: Agregar filas a la Tabla Dimensional Visitas
 Ordenamiento
Figura 40: Ordenamiento de la Tabla Dimensional Visitas
 Muestreo
Figura 41: Muestreo de la Tabla Dimensional Visitas
49
 Mapeo
Figura 42: Mapeo de la Tabla Dimensional Visitas
4.8. Carga y análisis del proceso ETL
4.8.1. Carga y Ejecución de la tabla Clientes
Figura 43: Carga de la Tabla Dimensional Clientes
Figura 44: Ejecución de la Tabla Dimensional Clientes
50
4.8.2. Carga y Ejecución de la tabla Empleados
Figura 45: Carga de la Tabla Dimensional Empleados
Figura 46: Ejecución de la Tabla Dimensional Empleados
4.8.3. Carga y Ejecución de la tabla Fecha
Figura 47: Carga de la Tabla Dimensional Fecha
Figura 48: Ejecución de la Tabla Dimensional Fecha
51
4.8.4. Carga y Ejecución de la tabla Propiedad
Figura 49: Carga de la Tabla Dimensional Propiedad
Figura 50: Ejecución de la Tabla Dimensional Propiedad
4.8.5. Carga y Ejecución de la tabla Visitas
Figura 51: Carga de la Tabla Dimensional Visitas
52
Figura 52: Ejecución de la Tabla Dimensional Visitas
4.9. Exploración de Datos
4.9.1. Descripción de la Etapa
Para la preparación de los cubos multidimensionales OLAP se utilizará la
herramienta Tableau Desktop 10.4.
Se conectará a la base de datos MySQL BDInmobiliariaAlegria_M como se
muestra en la figura:
Figura 53: Conexión Tableau a la base de datos multidimensional
53
4.9.2. Indicadores obtenidos y validación de estos
 La dimensión Fecha/Empleado/Ciudad
Figura 54: Dimensión Fecha/Empleado/Ciudad
54
 La dimensión Fecha/TipoCliente/Ciudad
Figura 55: Dimensión Fecha/TipoCliente/Ciudad
55
 La dimensión Tiempo/TipoPropiedad/Ciudad
Figura 56: Dimensión Tiempo/TipoPropiedad/Ciudad
56
CAPÍTULO V: ANÁLISIS Y PRESENTACIÓN DE RESULTADOS
5.1. Presentación, análisis e interpretación de Resultados.
De acuerdo a la hipótesis general se debe de mejorar la toma de decisiones; y con las
hipótesis específicas, se tiene:
 Se podrá reducir el tiempo en la elaboración de reportes.
Para este indicador se usó la ficha de recolección de datos y se registraron las
muestras de tiempo en la búsqueda de información personalizada de la
inmobiliaria antes de la implementación del Data Mart
 Se podrá reducir el tiempo en la búsqueda de información personalizada.
Para este indicador se usó la ficha de recolección de datos y se registraron las
muestras de tiempo en la búsqueda de información personalizada de la
inmobiliaria antes de la implementación del Data Mart.
5.2. Contrastación de hipótesis.
Se tomó como instrumento la tabla de recolección de tiempos según (Angeles Pacheco,
2015); de los resultados se obtienen la siguiente gráfica:
1600 1500
1400
1200
1000
825
800 675
600
400
200
0
Tiempo
Actual Data Mart Impacto
Figura 57: Comparativa de tiempos entre lo Actual y el Data Mart
57
Lo que indica que existe una mejora casi el 50 % de tiempo entre el tema del tiempo
en la elaboración de reportes y búsqueda de información personalizada.
5.3. Discusión de los resultados.
De lo antes viso se cumple las hipótesis específicas y por tanto la hipótesis general;
concluyendo que el Data Mart es una propuesta de solución.
58
CONCLUSIONES
 Se desarrolló el modelo multidimensional de la base de datos de la Inmobiliaria Alegría.
 Se desarrolló el proceso ETL para la elaboración del Data Mart de la Inmobiliaria
Alegría de los últimos 2 años.
 Se elaboró y recopiló información de tiempos en la elaboración de reportes y búsqueda
de información personalizada la métrica de mejora de tiempo.
 El tiempo en la elaboración de reportes administrativos antes de la implementación del
Data Mart fue de 1500 minutos (100%), en comparación con el Data Mart fue de 825
minutos (55.75%), lo cual determina una reducción notable de 675 minutos (44.25%)
en la elaboración de reportes de ventas.
59
RECOMENDACIONES
 Monitorear la confiabilidad de las operaciones diarias en el sistema de ventas, ya que
esa base de datos transaccional sirve para alimentar juntos con los ETL la base de datos
del Data Mart y se la data no es confiable (calidad) el Data Mart no mostrará
información objetiva.
 Realizar los ETL en un horario no laborable, porque si no es así, es posible que los
usuarios perciban ralentización de la actividad del servidor debido a la carga de proceso.
Si el ETL incluye una gran cantidad de datos, planifique la hora de inicio de forma que
los usuarios resulten mínimamente afectados.
 Tener en cuenta hacer un plan de replicación de base de datos (backup) para
salvaguardar los datos transaccionales y por consiguiente la fuente de alimentación del
Data Mart.
60
REFERENCIAS
Berson, A., & Smith, S. J. (1997). Data warehousing, data mining, and OLAP. McGraw-Hill.
Bowen, J. (2012). Getting Started with Talend Open Studio for Data Integration. Packt
Publishing Ltd.
Claros, R. C. (2015). Data Mart de información académica en la toma de decisiones en la
Universidad Nacional de Ucayali. Ucayali: Universidad Nacional de Ucayali.
Conesa Caralt, J., & Curto Díaz, J. (2010). Introducción al Business Intelligence. España:
UNIVERSITAT OBERTA DE CATALUNYA.
D'Agostino, M., Gabbay, D. M., Hähnle, R., & Posegga, J. (2013). Handbook of tableau
methods. Springer Science & Business Media.
Elmasri, & Navathe. (2011). Fundamentals of Database Systems. Addison Wesley.
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de
la investigación. Mexico: McGraw-Hill.
Kimball, R. &. (2011). The data warehouse toolkit: the complete guide to dimensional
modeling.
Molina, G., Ullman, & Widom. (2009). Database Systems: The Complete Book. Prentice Hall.
Pacheco, V. A. (2015). Aplicativo Data Mart y la agilización de la toma de decisiones en el
Departamento de Farmacia del Hospital Eleazar Guzmán Barrón - Nuevo Chimbote.
Chimbote: Universidad César vallejo.
Ramirez, A. G. (2011). Solución integral para explotar eficientemente la información de los
contactos con los clientes utilizando Data Mart en Telefónica del Perú. Lima:
Universidad Nacional Mayor de San Marcos.
Raymundo, H. A. (2017). Propuesta de un Data Mart para mejorar el proceso de toma de
decisiones en la Empresa Cresko, 2016. Lima: Universidad Privada Norber Wiener.
61
Silberschatz, A., Korth, H. F., & Sudarshan, S. (2007). Fundamentos de diseño de bases de
datos. McGraw-Hill: Mexico.
Zambrano A, J. A. (2011). Análisis, diseño e implementación de un Data Mart para el área de
mantenimiento y logística de una empresa de transporte público de pasajeros. Lima:
Pontificia Universidad Católica del Perú.
62
ANEXOS
1. MATRIZ DE CONSISTENCIA
Problema Objetivo Hipótesis. Variables Metodología

Formulación del problema. Objetivo principal Hipótesis Global o principal Para demostrar y comprobar la Tipo, Diseño y Nivel de la
hipótesis anteriormente formulada, investigación.
Problema principal Establecer de qué manera el  Se podrá mejorar la toma de la operacionalizamos, determinando
¿De qué manera el desarrollo desarrollo de un Data Mart decisiones con la las variables e indicadores que a  Tipo: Correlacional
de un Data Mart influye en la influye en la toma de decisiones implementación de un Data continuación se mencionan:  Nivel: Explicativo
toma de decisiones en el área en el área de ventas de la Mart para la empresa  Diseño: No experimental
de ventas de la Inmobiliaria? Inmobiliaria Alegría S.R.L. inmobiliaria Alegría SRL. Variable = Variable Dependiente
Proceso de Toma de Decisiones
Problemas específicos Objetivos específicos Hipótesis Específicas Técnica de verificación:
 Identificar la información ● Identificar los Variable = Variable Independiente Lista de cotejo.
relevante para el desarrollo de requerimientos de análisis de  Se podrá reducir el tiempo en Modelo Data Mart
la investigación información para el área de la elaboración de reportes. Procesamiento de los datos
 Desarrollar el modelo de Data Ventas.  Se podrá reducir el tiempo en Indicadores:
Mart ● Elaborar un modelo de la búsqueda de información Variable = Variable Independiente Se hará un análisis estadístico
 Verificar el grado de base de datos multidimensional personalizada. Eficiencia para determinar la mejora del
influencia entre el Data Mart que permita el análisis y Mantenibilidad área de ventas de la
y la toma de decisiones para el explotación de la información Usabilidad inmobiliaria Alegría S.R.L.
área de venta identificada. Tiempo en la
● Construir el Data Mart elaboración de
para mostrar la información que reportes
se necesita para poder tomar
decisiones estratégicas en el área Variable = Variable Dependiente
de ventas. Tiempo en la
búsqueda de
información
personalizada
Escala de Medición:
Razón
63
2. TABLA DE TOMA DE TIEMPOS
Nº Item Fecha Base de Datos Nº Item Fecha Data Mart

(segundos) (segundos)
1. 1)
2. 2)
3. 3)
4. 4)
5. 5)
6. 6)
7. 7)
8. 8)
9. 9)
10. 10)
11. 11)
12. 12)
13. 13)
14. 14)
15. 15)
16. 16)
17. 17)
18. 18)
19. 19)
20. 20)
21. 21)
22. 22)
23. 23)
24. 24)
25. 25)
64

Tesis Bach Sosa Jáuregui Víctor Darío

Cargado por

Copyright:

Formatos disponibles

Tesis Bach Sosa Jáuregui Víctor Darío

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 Bach Sosa Jáuregui Víctor Darío

Cargado por

Copyright:

Formatos disponibles

INSTITUTO CIENTÍFICO Y TECNOLÓGICO DEL EJÉRCITO

MAESTRÍA EN GESTIÓN E INNOVACIÓN TECNOLÓGICA

Modelo de Data Mart para Empresas Inmobiliarias.

CASO: Inmobiliaria Alegría S.R.L.

Víctor Darío Sosa Jáuregui

Para mi Arya Sofía,

de mis esfuerzos académicos

fuente de inagotable de motivación y paciencia

de cada uno de mis proyectos de vida.

A mi madre, familia y amigos,

que se enorgullecen de mi trabajo.

que inspiraron este trabajo.

LISTA DE TABLAS ............................................................................................................... 10

CAPÍTULO I: PLANTEAMIENTO DEL ESTUDIO............................................................. 15

1.1. Descripción de la realidad problemática. .............................................................. 15

1.1. Formulación del problema..................................................................................... 15

1.1.1. Problema principal .............................................................................................15

1.1.2. Problemas específicos........................................................................................16

1.2.1. Objetivo principal ..............................................................................................16

1.2.2. Objetivos específicos .........................................................................................16

1.3. Justificación e Importancia de la investigación..................................................... 16

1.4. Delimitación de la investigación ........................................................................... 17

1.4.1. Delimitación Espacial ........................................................................................17

1.4.2. Delimitación temporal .......................................................................................17

1.4.3. Delimitación Social............................................................................................17

1.4.4. Delimitación conceptual ....................................................................................17

CAPÍTULO II: MARCO TEÓRICO ....................................................................................... 18

2.2. Bases teóricas o teoría sustantiva. ......................................................................... 22

2.2.1. Sistema de Gestión de Bases de Datos ..............................................................22

2.2.2. Almacenes de datos............................................................................................23

2.2.3. Minería de datos.................................................................................................25

2.2.4. Análisis de datos y OLAP..................................................................................27

2.3. Glosario de términos.............................................................................................. 28

2.3.2. Data Mart ...........................................................................................................29

2.3.3. Data Warehouse .................................................................................................29

2.3.4. OLAP (procesamiento analítico en línea)..........................................................29

2.3.5. SQL (Structured Query Language)....................................................................29

2.3.6. KPI (Key Performance Indicator)......................................................................29

2.3.7. DDL (Data Definition Language)......................................................................30

2.3.8. DML (Data Manipulation Language) ................................................................30

2.3.9. ETL (Extract, Transform and Load) ..................................................................30

2.4. Formulación de las hipótesis. ................................................................................ 30

2.4.1. Hipótesis Global o principal ..............................................................................30

2.4.2. Hipótesis Específicas .........................................................................................31

2.5. Identificación y clasificación de las variables. ...................................................... 31

CAPÍTULO III: METODOLOGÍA DE LA INVESTIGACIÓN ............................................ 32

3.1. Tipo, Diseño y Nivel de la investigación. ............................................................. 32

3.2. Población y muestra............................................................................................... 32

3.2.2. Muestra ..............................................................................................................32

3.3. Técnicas e Instrumentos de Recolección de datos................................................. 32

3.4. Procesamiento de los datos.................................................................................... 32

CAPÍTULO IV: IMPLEMENTACIÓN DE LA PROPUESTA.............................................. 33

4.1. Especificación de los requisitos estratégicos......................................................... 33

4.2. Descripción de las fuentes de datos de origen....................................................... 33

4.2.1. Descripción de Tablas........................................................................................34

4.2.2. Esquema de Base de Datos Relacional ..............................................................35

4.3. Diseño del Data Mart............................................................................................. 35

4.5. Modelo físico y script DDL................................................................................... 37

4.6. Proceso ETL .......................................................................................................... 39

4.6.1. Criterios adoptados y lógica de transformación.................................................39