Revista CIENCIA Y TECNOLOGÍA V.16 N.

3
ISSN 1810-6781 Rev. Cienc. Tecnol. 16(3): 87 -104, (2020)

Inteligencia de negocios y su impacto en la gestión universitaria de la

Facultad de Ingeniería de la Universidad Nacional de Trujillo

Business intelligence and its impact on university management of the Facul-

ty of Engineering of the National University of Trujillo

Juan Pedro Santos Fernández*; Miguel Armando Benites Gutiérrez

Facultad de Ingeniería, Universidad Nacional de Trujillo, Av. Juan Pablo II s/n – Ciudad Universitaria, Trujillo, Perú.

* Autor correspondiente: [email protected] (J. Santos) DOI: 10.17268/rev.cyt.2020.03.09

RESUMEN
El objetivo de esta investigación es determinar el nivel de impacto que genera el uso de la inteligencia de nego-
cios en la gestión universitaria, la cual se desarrolló en la Facultad de Ingeniería de la Universidad Nacional de
Trujillo (UNT). La población fue de 72 docentes, seleccionándose una muestra por conveniencia de 20 docentes,
el diseño de la investigación fue pre-experimental con un enfoque cuantitativo y un alcance descriptivo y expli-
cativo; se utilizó como técnica de recolección de datos la encuesta y como instrumento una guía de encuesta.
Para la implementación de la inteligencia de negocios se empleó la metodología de Ralph Kimball, llamada
Modelo Dimensional, la cual se basa en lo que se denomina Ciclo de Vida Dimensional del Negocio. Para con-
trastar la hipótesis se empleó una prueba no paramétrica para grupos independientes de Mann-Whitney (nivel de
significancia del 5%) ya que se comprobó que las muestras no cumplen con el supuesto de normalidad usando
la prueba de Shapiro-Wilk (nivel de significancia del 5%), llegando a la conclusión de que la inteligencia de
negocios impacta significativamente en la gestión universitaria de la Facultad de Ingeniería de la Universidad
Nacional de Trujillo.
Palabras clave: Inteligencia de negocios; datawarehouse; toma de decisiones; gestión académica; indicadores
académicos.

ABSTRACT
The objective of this research is to determine the level of impact generated by the use of business intelligence in
university management, which was developed at the Faculty of Engineering of the National University of Trujil-
lo (UNT). The population was 72 teachers, selecting a sample for the convenience of 20 teachers, the research
design was quasi-experimental with a quantitative approach and a descriptive and explanatory scope; The sur-
vey was used as a data collection technique and a survey guide as an instrument. For the implementation of
business intelligence, Ralph Kimball's methodology, called Dimensional Model, was used, which is based on
what is called the Business Dimension Life Cycle. To test the hypothesis, a non-parametric test was used for
independent Mann-Whitney groups (level of significance of 5%) since it was found that the samples do not
meet the assumption of normality using the Shapiro-Wilk test (5% level of significance), concluding that busi-
ness intelligence has a significant impact on the university management of the Engineering Faculty of the Na-
tional University of Trujillo.
Keywords: Business intelligence; datawarehouse; decision making; academic management; academic indica-
tors.

1. INTRODUCCIÓN
De acuerdo con Ortegón (2015) la estructuración y procesamiento de los datos en el ambiente académico, es de
vital importancia para las instituciones educativas debido a que permite gestionar la información de los elemen-
tos que componen la academia, logrando resultados importantes como la consolidación de información, el aho-
rro de tiempo, el control y monitoreo permanente en la gestión de estudiantes y docentes.
Este reconocimiento del rol trascendente que tienen los procesos de decisión en la gestión académica, está con-
dicionado últimamente, por la globalización, la competencia, los constantes cambios y la aparición de nuevos
escenarios en los negocios, requiriendo el empleo de elementos tecnológicos por los responsables de quienes
toman decisiones (Ramos J., 2015).

Autor Responsable: Juan Pedro Santos Fernández Fecha de envío: 14-02-2020 Fecha de aprobación: 19-05-2020
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Según Rosado y Rico (2010) el poder competitivo que puede tener una organización se fundamenta en la canti-
dad y calidad de la información que pueda usar en la toma de decisiones; actualmente las organizaciones están
las percibiendo ventajas competitivas de la gestión de datos e información inteligente. Así mismo Zulkefli et al.
(2015) argumentan que las universidades buscan constantemente nuevas técnicas y enfoques gerenciales para
hacer un mejor uso de los datos e información disponible debido a la creciente cantidad de datos que se recopi-
lan y distribuyen desde fuentes externas.
Como afirman Fuentes y Valdivia (2010) el proceso de gestión de datos consiste en el análisis de los diversos
tipos de datos de la empresa y su entorno, mediante la utilización de la información usando las tecnologías de la
información (TI), permitiendo la aplicación de la inteligencia de negocios (business intelligence), suministrando
las herramientas necesarias para aprovechar los datos almacenados de los sistemas transaccionales y utilizar la
información como apoyo a las decisiones.
De acuerdo con Kabakchieva (2015), para enfrentar los desafíos y las nuevas oportunidades disponibles, las
principales instituciones educativas de todo el mundo tienen que utilizar enfoques innovadores. Así mismo
Combita et al. (2015) sostienen que, por lo general, la alta gerencia universitaria no sabe lo que sucede en cada
departamento o facultad, y para resolver estos problemas y mejorar el rendimiento puede llevar años, pero la
competencia puede avanzar más rápido.
Es en este contexto es de vital importancia que las organizaciones cuenten con un proceso analítico estructurado
y formal, de modo que facilite el proceso de toma de decisiones. Como define Pérez (2015) las herramientas de
inteligencia de negocios cumplen un papel trascendental en este proceso competitivo en que están inmersas,
pues permiten el modelado de las estructuras multidimensionales para crear consultas resumidas en a través de
un cuadro de mando integral que sirve de soporte para la generación de reportes.
La Universidad Nacional de Trujillo cuenta con sistemas de información desintegrados desarrollados en diver-
sos lenguajes de programación (PHP, Java y Visual FoxPro), utilizando diversas bases de datos (MySQL, Post-
greSQL y ficheros DBF), montadas en los sistemas operativos Linux y Windows, para dar soporte a las activi-
dades académicas y administrativas a las diversas Facultades, dentro de ellas la de Ingeniería, llegando a tener
una gran cantidad de datos almacenados en las bases de datos, los cuales son utilizados para generar informa-
ción requerida en la toma de decisiones. Esto motiva que la gestión universitaria sea compleja y engorrosa por
parte de las autoridades académicas en el cumplimiento de sus funciones y en la toma de decisiones oportunas.
La investigación se limitó a la Facultad de Ingeniería por ser la más grande de la Universidad Nacional de Truji-
llo, la cual cuenta con 9 escuelas académicas profesionales: Arquitectura y Urbanismo, Ingeniería Civil, Inge-
niería Industrial, Ingeniería de Sistemas, Ingeniería Mecánica, Ingeniería Mecatrónica, Ingeniería de Materiales,
Ingeniería Metalúrgica e Ingeniería de Minas.
A través de la observación directa, análisis documental y entrevistas sostenidas con algunas autoridades univer-
sitarias, se encontraron los siguientes problemas: (1) Retraso de la atención de solicitud de documentación aca-
démica solicitada, causando malestar en los alumnos debido a que no se atienden a tiempo sus requerimientos
por la falta de información relevante a tiempo. (2) Toma de decisiones inoportunamente en muchos casos por
parte de las autoridades universitarias, esto debido a que no se tiene la información estructurada según criterios
específicos. (3) Inexistencia de información académica totalmente automatizada, realizándose muchas veces
cálculos manuales, ocasionando errores en los cálculos y quejas de los solicitantes. (4) Existencia de mucha
información en papeles y archivadores, ocupando demasiado espacio físico, ocasionando la proliferación de
enfermedades alérgicas, lo cual repercute en la queja constante de los trabajadores administrativos. (5) Retardo
en la generación de informes de gestión universitaria por la diversidad de diferentes fuentes de datos disgrega-
dos, lo que ocasiona demora en su elaboración. (6) Elaboración de procesos manuales por falta de uso adecuado
de tecnologías de sistemas de información y comunicaciones, lo que genera la burocracia del personal adminis-
trativo.
La presente investigación contribuye a demostrar que la inteligencia de negocios impacta significativamente en
la gestión universitaria (valor teórico). Asimismo, concordante con Pérez-Pérez et al. (2018) los resultados del
estudio ayudan a entender que trabajar con herramientas de inteligencia de negocios para el análisis de la infor-
mación en la toma de decisiones, es una necesidad competitiva dentro de la gestión del sistema universitario
(implicación práctica). Por otro lado, mediante la investigación se desarrolló una técnica para medir el efecto de
la variable independiente (inteligencia de negocios) en la variable dependiente (gestión universitaria) en el ám-
bito de la Facultad de Ingeniería de la Universidad Nacional de Trujillo, pero con aplicaciones a otros ambientes
universitarios (valor metodológico).
El objetivo general de la investigación planteado fue determinar el nivel de impacto de la inteligencia de nego-
cios en la gestión universitaria de la Facultad de Ingeniería de la Universidad Nacional de Trujillo.

88
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

2. MATERIALES Y MÉTODOS
En la presente investigación se empleó un diseño pre-experimental de pretest y postest con un solo grupo de
acuerdo con Hernández et al. (2014), con un enfoque cuantitativo y un alcance descriptivo y explicativo. Para
la investigación se consideró como población a 72 docentes de la Facultad de Ingeniería de la Universidad
Nacional de Trujillo. La muestra que se usó es no probabilística, tomándose una muestra por conveniencia de
20 docentes. El objeto de estudio fueron los docentes de la Facultad de Ingeniería de la Universidad Nacional
de Trujillo que ocuparon cargos académicos como decano, director de departamento académico o director de
escuela académico profesional.
Para el presente estudio se utilizó como técnica la encuesta y como instrumento un cuestionario, diseñado con 5
dimensiones y con un total de 36 preguntas, cuya ficha técnica se muestra en la Tabla 1.
Tabla 1. Ficha técnica del cuestionario aplicado para la recolección de datos
Característica Descripción
Nombre del cuestionario: Cuestionario: Gestión universitaria
Autor: Juan Pedro Santos Fernández
Variable medida: Gestión universitaria
Dimensiones abordadas: Información, reportes de gestión, control, toma de decisiones y
gestión académica
Dirigido a: El personal docente de la Facultad de Ingeniería de la Universidad
Nacional de Trujillo
Cantidad de preguntas: 36
Tipo de preguntas redactadas: Cerradas en escala Likert, con las siguientes opciones:
 [1] Muy deficiente
 [2] Deficiente
 [3] Regular
 [4] Eficiente
 [5] Muy eficiente
Tiempo de aplicación: 20 minutos
El cuestionario fue validado por tres expertos de la unidad de doctorado en Ciencias e Ingeniería de la Escuela
de Posgrado de la UNT; posteriormente se determinó el grado de acuerdo entre los jueces mediante el estadísti-
co coeficiente de concordancia W de Kendall (margen de error 5%) en afinidad con Dorantes-Nova et al. (2016),
obteniéndose los siguientes resultados mostrados en la Tabla 2:
Tabla 2. Resultados de la prueba de concordancia de jueces
W de Kendall
Variable dependiente / Suficiencia Coherencia Relevancia Claridad
Ítems Total
Dimensión
W ρ W ρ W ρ W ρ W ρ
Variable dependiente: 1 - 36
0,163 0,000 0,077 0,041 0,156 0,001 0,083 0,030 0,409 0,000
Gestión universitaria (n = 36)
Dimensión1: 1-6
0,421 0,001 0,578 0,015 0,478 0,035 0,485 0,033 0,485 0,033
Información (n = 6)
Dimensión2: 7 - 15
0,333 0,000 0,361 0,021 0,326 0,032 0,361 0,021 0,361 0,021
Reportes de gestión (n = 9)
Dimensión3: 16 - 21
0,464 0,000 0,447 0,045 0,485 0,033 0,500 0,029 0,567 0,017
Control (n = 6)
Dimensión4: 22 - 27
0,533 0,000 0,468 0,038 0,515 0,026 0,667 0,007 0,447 0,045
Toma de decisiones (n = 6)
Dimensión5: 28-36
0,444 0,000 0,438 0,008 0,472 0,005 0,476 0,005 0,473 0,005
Gestión académica (n = 9)
Finalmente se validó la consistencia interna de la encuesta mediante el estadístico coeficiente alfa de Cronbach
(margen de error 5%), cuyos resultados son aceptables por ser mayores a 70%, de acuerdo con Frías-Navarro
(2019), los cuales se muestra en la Tabla 3.
Tabla 3. Resultados de la prueba de confiabilidad
Variable / Dimensión evaluada Coeficiente alfa de Cronbach
Variable dependiente: Gestión universitaria 89,6%
Dimensión 1: Información 72,5%
Dimensión 2: Reportes de gestión 77,1%
Dimensión 3: Control 75,4%
Dimensión 4: Toma de decisiones 72,3%
Dimensión 5: Gestión académica 73,7%

89
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

En la investigación se empleó la estadística descriptiva y la estadística inferencial, utilizando el software SPSS

25; los datos se sometieron a pruebas de normalidad de Shapiro-Wilk y para la contrastación de las hipótesis se
empleó la prueba no paramétrica de Mann-Whitney.
En la presente investigación se empleó como metodología la propuesta por Kimball y Ross (2013), para imple-
mentar la inteligencia de negocios, específicamente un datawarehouse.

3. RESULTADOS Y DISCUSIÓN
Usando de la metodología de Kimball y Ross (2013), se desarrolló la solución de inteligencia de negocios, em-
pleando como software la suite de Pentaho Community Edition 8.0, obteniendo como fuente de datos los proce-
sados por el Sistema Universitario Virtual, solución integrada desarrollada en PHP que usa como gestor de ba-
ses de datos PostgreSQL y el sistema operativo Linux Debian 10 Buster, el cual consta de los subsistemas de
planificación académica, patrimonio, escalafón, alumnos, currículos académicos, apertura de cursos semestrales,
asignación de carga docente, horarios, sílabos, matrícula, procesamiento de notas y asistencias, y egresados.
Como concluyen en su investigación Mussa et al. (2018), utilizando el software Pentaho, se puede aplicar el
concepto de inteligencia de negocios, generando información que los gerentes educativos pueden utilizar como
base para tomar decisiones relevantes para el entorno académico. El mayor impacto es que facilita en la explo-
tación de la información como un factor decisivo en la toma de decisiones de los gerentes en el tiempo y mo-
mento apropiado, creando una importante diferenciación para los gerentes en el área educacional.
La solución de inteligencia de negocios está conformada de 7 cubos: ambiente, matrícula, egresados_titulados,
nivel_docente, rendimiento, sílabo y carga_lectiva. Se realizó el traslado de los datos almacenados en las bases
de datos contenidas en PostgreSQL a la herramienta de inteligencia de negocios Pentaho, la cual permite reali-
zar diferentes combinaciones de acuerdo a las dimensiones previamente definidas, que para este caso en particu-
lar fueron 12 dimensiones: tiempo, infraestructura, escuela, ciclo_anio, ubigeo, modalidad_ingreso, departamen-
to, curso, docente y alumno. Las dimensiones se dividieron en jerarquías. En la Figura 1 se presenta la estructu-
ra general de la solución.

Figura 1. Estructura general de la solución

Se crearon vistas con los cubos que se configuraron utilizando dos herramientas de Pentaho: JPivot View y la
Saiku Analytics, los que nos permite tener una mejor visualización del sistema de toma de decisiones.
En la Figura 2 se presenta usando la herramienta Jpivot una vista del cubo matrículas que tiene dos dimensiones
en la fila: escuela, y como columnas se presenta la dimensión: tiempo, con valor “Anual 2018” y “Semestral II”,
y como medidas: cantidad de alumnos matriculados en el periodo anterior, cantidad de alumnos matriculados en
el periodo actual.
90
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Figura 2. Vista de análisis de matrículas con Jpivot

Así mismo se presenta una vista del análisis de matrículas para el año 2018 con la herramienta Saiku, con un
cuadro resumen y un gráfico de barras apiladas, en la Figura 3:

Figura 3. Vista de análisis de matrículas con Saiku

91
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

En el anexo A se presentan ejemplos complementarios en las figuras 4, 5, 6, 7, 8, 9, 10 y 11 de vistas en Jpi-

vot y Saiku con filtro de selección por grados académicos y titulados por departamentos académicos.
En la presente investigación después de haber aplicado la encuesta (ver anexo D) para medir el nivel de impacto
de la inteligencia de negocios en la gestión universitaria, a nivel Pretest y Postest, se resumen los resultados
obtenidos (ver anexos E y F), luego de un análisis estadístico descriptivo, tanto para la variable independiente
gestión universitaria como para las 5 dimensiones consideradas. En las siguientes figuras se presentan los resul-
tados obtenidos:

Figura 12. Gráfico de barras de la variable dependiente: Gestión universitaria y dimensión 1: Información
En la Figura 12 se puede observar que la variable dependiente: Gestión universitaria, en el pretest el nivel
regular de 85% disminuyó a 5% en el postest, contrariamente el nivel eficiente en el pretest de 8% se incre-
mentó a 85% en el postest, evidenciando una mejora significativa.
Así mismo se puede observar que la dimensión 1: Información, en el pretest el nivel regular de 65% dismi-
nuyó a 10% en el postest, contrariamente el nivel eficiente en el pretest de 10% se incrementó a 80% en el
postest, evidenciando una mejora significativa.
En la Figura 13 (ver anexo B) se puede observar que la dimensión 2: Reportes de gestión, en el pretest el ni-
vel regular de 75% disminuyó a 5% en el postest, contrariamente el nivel eficiente en el pretest de 5% se in-
crementó a 85% en el postest, evidenciando una mejora significativa.
Así mismo se puede observar que la dimensión 3: Control, en el pretest el nivel regular de 70% disminuyó a
10% en el postest, contrariamente el nivel eficiente en el pretest de 10% se incrementó a 80% en el postest,
evidenciando una mejora significativa.
En la Figura 14 (ver anexo B) se puede observar que la dimensión 4: Toma de decisiones, en el prestest el
nivel regular de 75% disminuyó a 15% en el postest, contrariamente el nivel eficiente en el pretest de 5% se
incrementó a 75% en el postest, evidenciando una mejora significativa.
Así mismo se puede observar que la dimensión 5: Gestión académica, en el prestest el nivel regular de 85%
disminuyó a 15% en el postest, contrariamente el nivel eficiente en el pretest de 5% se incrementó a 75% en
el postest, evidenciando una mejora significativa.
Los datos que se obtuvieron después de aplicar la encuesta en los momentos Pretest y Postest (ver anexos E y F),
de acuerdo con Cabrera et all. (2017), estos se sometieron a una prueba de normalidad de Shapiro-Wilk por ser
la muestra menor <= 50, cuyos resultados se muestran en la Tabla 4.
Tabla 4. Resultados de la prueba de Shapiro-Wilk
Shapiro-Wilk
Variable dependiente / Dimensión Ítems Fuente de Datos
S-W ρ
Variable dependiente: 1-36 Pretest 0,737 0,000

Gestión universitaria (n = 36) Postest 0,715 0,000

Dimensión1: 1-6 Pretest 0,841 0,004
Información (n = 6) Postest 0,792 0,001
Dimensión2: 7-15 Pretest 0,859 0,008

92
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Shapiro-Wilk
Variable dependiente / Dimensión Ítems Fuente de Datos
S-W ρ
Reportes de gestión (n = 9) Postest 0,800 0,001
Dimensión3: 16-21 Pretest 0,886 0,022
Control (n = 6) Postest 0,779 0,000
Dimensión4: 22-27 Pretest 0,761 0,000
Toma de decisiones (n = 6) Postest 0,830 0,002
Dimensión5: 28-36 Pretest 0,809 0,001

Gestión académica (n = 9) Postest 0,789 0,001

De acuerdo con los resultados de la Tabla 4, después de aplicar la prueba de Shapiro-Wilk, observamos que el
valor de la significación estadística ρ<0,05 en todos los casos, por lo que se rechazan las hipótesis nulas Ho y se
aceptan las hipótesis alternas Ha, por lo que se concluye que hay evidencias suficientes para afirmar que la va-
riable dependiente gestión universitaria y sus dimensiones no siguen una distribución Normal con un nivel de
significación del 5%.
Al concluir que la variable dependiente y sus dimensiones no siguen una distribución normal, se recurrió a rea-
lizar la prueba no paramétrica de comparación de Mann-Whitney, según Berlanga Silvente y Rubio Hurtado
(2012), considerando un valor de error inferior al 5% (0,05) para aceptar diferencias significativas entre los gru-
pos de resultados comparados (pretest y postest), cuyos resultados se resumen en la Tabla 5 (ver anexo C):
Como se puede observar en la Tabla 5 los valores de error ρ < 0,05 en todos los casos, por lo que se rechazan las
hipótesis nulas Ho y se aceptan las hipótesis alternas Ha, por lo que se concluye que hay evidencias suficientes
para afirmar que la inteligencia de negocios impacta significativamente en la gestión universitaria respecto a la
gestión académica de la Facultad de Ingeniería de la Universidad Nacional de Trujillo con un nivel de significa-
ción del 5%.
El nivel de impacto de la inteligencia de negocios en la variable dependiente gestión universitaria y sus dimen-
siones, lo medimos en función de comparar las medias del pretest y postest.
Como se puede observar en la Tabla 6 (ver anexo C), en todos los casos hubo un nivel de impacto positivo del
uso de la inteligencia de negocios, tanto en la variable dependiente como en las dimensiones.
En la investigación realizada en la implementación del datawarehouse se utilizó para el almacenamiento de las
bases de datos multidimensionales PostgreSQL, a diferencia en la investigación realizada por Ramos J. (2015),
utilizó Acces, diferenciándose en cuanto a su robustez, seguridad y tiempos de acceso.
Los resultados de la presente investigación son coincidentes con la investigación realizada por Silva et al.
(2013), por cuanto se demostró que la inteligencia de negocios permite sustentar mejor la toma de decisiones
y de manera eficiente, reduciendo el tiempo que invertido en la elaboración de informes de gestión.
Así mismo, a partir de la valoración de los resultados de la investigación se verificó que la inteligencia de
negocios constituye una ventajosa herramienta como soporte para la toma de decisiones, contribuyendo a la
formulación de estrategias que faciliten la elaboración de nuevos indicadores académicos, tal como argumen-
tan Reyes y Nuñez (2015).
Se pudo comprobar en la presente investigación que pocas universidades hacen uso de la inteligencia de ne-
gocios en la gestión académica, tal como afirma Camargo et al. (2016), son escasas donde se haya implanta-
do, a pesar de la existencia de software libre como Pentaho, tal como es el caso de la Universidad Nacional
de Trujillo.
La solución propuesta aprovecha la información almacenada en los diversos sistemas de información, facili-
tando monitorear a través de indicadores de gestión de los procesos académicos, como afirma Gómez (2018),
indicadores como la planeación semestral de horarios, proyección de estudiantes y docentes, uso de recursos
físicos, y deserción y mortalidad de alumnos, entre otros.
En la investigación realizada por Medina et al. (2018), se limita a un Data Mart de indicadores de docencia e
indicadores de investigación, para la Universidad Arturo Prat de Chile, que permiten a los usuarios interac-
tuar con el sistema desde cualquier lugar y momento, a través de la creación de tableros de mando o
dashboard, realizando la toma de decisiones con información más sencilla de visualizar, a diferencia de la
presente investigación que abarca la implementación de un datawarehouse, con información de diversas áreas
académicas como planificación académica, escalafón, patrimonio, currículos académicos, admisión, apertura

93
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

de cursos a dictar, asignación de carga académica, horarios, sílabos, matrícula, procesamiento de notas y asis-
tencias, y egresados.
En el estudio realizado por Moscoso-Zea et al. (2018), investigaron empíricamente publicaciones en revistas
acreditadas de 2008 a 2018, sobre tópicos de datawarehouse en educación, después, de filtrar 34 publicacio-
nes relevantes que fueron identificadas y estudiadas, revelaron que la metodología de Kimball es la metodo-
logía más aplicada para el diseño de datawarehouse en educación, coincidiendo con la metodología usada en
la presente investigación.
El mayor impacto del uso de la inteligencia de negocios es que reduce los tiempos y recursos para acceder a
la información como conocimiento para la eficacia de la toma de decisiones en la gestión académica, tal co-
mo lo demuestran Asto y Arangüena (2018), adicionalmente en la presente investigación se ha verificado que
la inteligencia de negocios mejora la gestión universitaria a través de pruebas estadísticas inferenciales.
En varias investigaciones de inteligencia de negocios aplicada en universidades como Fuentes y Valdivia
(2010), Ramos J. (2015), Reyes y Nuñez (2015), Camargo et al. (2016), Asto y Arangüena (2018), Medina et
al. (2018), coincidieron en usar Pentaho como software para la implementación de la solución, al igual que la
presente investigación.

4. CONCLUSIONES
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria en la Fa-
cultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del 0,000092%, lográndose incremen-
tar el puntaje inicial de 71,05 hasta un puntaje final de 125,05 dentro de un total 180 puntos.
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria respecto a
la información en la Facultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del 0,000080%,
lográndose incrementar el puntaje inicial de 11,60 hasta un puntaje final de 20,40 dentro de un total 30 puntos.
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria respecto a
los reportes de gestión en la Facultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del
0,000086%, lográndose incrementar el puntaje inicial de 18,60 hasta un puntaje final de 31,45 dentro de un total
45 puntos.
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria respecto al
control en la Facultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del 0,000341%, lo-
grándose incrementar el puntaje inicial de 12,20 hasta un puntaje final de 20,80 dentro de un total 30 puntos.
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria respecto a
la toma de decisiones en la Facultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del
0,000067%, lográndose incrementar el puntaje inicial de 11,20 hasta un puntaje final de 20,65 dentro de un total
30 puntos.
La implementación de la inteligencia de negocios, mejoró significativamente la gestión universitaria respecto a
la gestión académica en la Facultad de Ingeniería de la Universidad Nacional de Trujillo, con un error del
0,000086%, lográndose incrementar el puntaje inicial de 17,45 hasta un puntaje final de 31,75 dentro de un total
45 puntos.
Esta investigación fue desarrollada acorde a los requerimientos de la institución, los cuales son dinámicos y bajo
la premisa de mejora continua, otros investigadores pueden profundizar con nuevas investigaciones basadas en
técnicas relacionadas con la inteligencia de negocios como minería de datos, big data con machine learning.

AGRADECIMIENTOS
Mi agradecimiento a los docentes de la Facultad de Ingeniería de la Universidad Nacional de Trujillo, que aten-
tamente brindaron la información para la realización de la presente investigación, así mismo mi reconocimiento
a los alumnos del curso de Desarrollo de Tesis de la Escuela de Ingeniería de Sistemas de la promoción 2019-II,
por su colaboración en el trabajo de campo.

REFERENCIAS BIBLIOGRÁFICAS
Asto, L.; Arangüena, M. 2018. Inteligencia de negocios en la gestión académica de la educación superior
universitaria. Revista de investigaciones de la Escuela de Posgrado - Universidad del Antiplano: vol. 7,
núm. 2, 526-537.

94
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Bassil, Y. 2012. A Data warehouse design for a typical university information system. Journal of Computer
Science & Research (JCSCR): vol. 1, núm. 6, 12-17.
Berlanga Silvente, V.; Rubio Hurtado, M. J. 2012. Clasificación de pruebas no paramétricas. Cómo aplicarlas
en SPSS. REIRE, Revista d’Innovació i Recerca en Educació: vol. 5, núm. 2, 101-113. Disponible en:
http://www.ub.edu/ice/reire.htm
Cabrera, G.; Zanazzi, J. F.; Zanazzi, J. L.; Boaglio, L. 2017. Comparación de potencias en pruebas
estadísticas de normalidad, con datos escasos. Revista Facultad de Ciencias Exactas, Físicas y Naturales:
vol. 4, núm. 2, 47-52.
Camargo, J.; Joyanes, L.; Giraldo, L. 2016. La inteligencia de negocios como una herramienta en la gestión
académica. Revista Científica: núm. 24, 110-120.
Medina, F.; Fariña, F.; Castillo-Rojas, W. 2018. Data Mart para obtención de indicadores de productividad
académica en una universidad. Revista chilena de ingeniería Ingeniare: vol. 26, núm. especial, 88-101.
Combita Niño, H. A.; Combita Niño, J. P.; Morales Ortega, R. 2018. Business intelligence governance
framework in a university: Universidad de la costa case study. International Journal of Information
Management: 405-412. Disponible en: www.elsevier.com/locate/ijinfomgt
Dorantes-Nova, J. A.; Hernández-Mosqueda, J. S.; Tobón-Tobón, S. 2016. Juicio de expertos para la
validación de un instrumento de medición del síndrome de burnout en la docencia. RA XIMHAI: vol. 12,
núm. 6, 327-346.
Frías-Navarro, D. 2019. Apuntes de consistencia interna de las puntuaciones de un instrumento de medida.
Valencia: Universidad de Valencia. Disponible en: https://www.uv.es/friasnav/AlfaCronbach.pdf
Fuentes, L.; Valdivia, R. 2010. Incorporación de elementos de inteligencia de negocios en el proceso de
admisión y matrícula de una universidad chilena. Ingeniare: vol. 18, núm. 3, 383-394.
Gómez, A. 2018. La inteligencia de negocios en entornos académicos. 1ra Edición. Editorial Fundación
Universitaria San Mateo. Medellín, Colombia. 866 pp.
Hernandez, R.; Fernández, C.; Baptista, M. 2014. Investigación científica. 6ta. Edición. Editorial McGraw-
Hill, Inc. México D.F., México. 600 pp.
Kabakchieva, D. 2015. Business Intelligence systems for analyzing university students data. Cybernetics and
Information Technologies: vol. 15, núm. 1, 104-115.
Kimball, R.; Ross, M. 2013. The data warehouse toolkit: the definitive guide to dimensional modeling. 3ra.
Edición. Editorial John Wiley & Sons, Inc. Indianapolis, EE.UU. 564 pp.
Moscoso-Zea, O.; Paredes-Gualtor, J.; Luján-Mora, S. 2018. A holistic view of data warehousing in
education. IEEE Access: vol. 20, núm. s.n., 1-16.
Mussa, M.; Souza, S.; Freire, E.; Cordeiro, R.; Hora, H. 2018. Business inteligence in education: an
application of Pentaho software. Revista Produção e Desenvolvimento: vol. 4, núm. 3, 29-41.
Ortegón, G. 2015. Optimización de sistemas de gestión académica. Una propuesta de gestión, medición y
procesamiento de datos en un entorno virtual de aprendizaje para la toma de decisiones en instituciones
educativas . Escuela de Administración de Negocios: 80-97.
Pérez, M. 2015. Business intelligence. Técnicas, herramientas y aplicaciones. 1ra Edición. Editorial RC
Libros. Madrid, España. 415 pp.
Pérez-Pérez, Y. M.; Rosado-Gómez, A. A.; Puentes-Velásquez, A. M. 2018. Application of business
intelligence in the quality management of higher. International Meeting on Applied Sciences and
Engineering, San José de Cúcuta, Colombia , 3-7 sep, 2018. Disponible en:
https://iopscience.iop.org/article/10.1088/1742-6596/1126/1/012053
Ramos, J. 2015. Implementación de un sistema de soporte de decisiones para la gestión académica de la
Universidad Nacional José María Arguedas. Andahuaylas: Escuela Profesional de Ingeniería de Sistemas,
Facultad de Ingeniería, Universidad Nacional José María Arguedas.
Reyes, Y.; Nuñez, L. 2015. La inteligencia de negocio como apoyo a la toma de decisiones en el ámbito
académico. Gestión del Conocimiento y la Tecnología: vol. 3, núm. 2, 63-73.
Rosado, A.; Rico, D. 2010. Inteligencia de negocios: estado del arte. Scientia et Technica: vol. 16, núm. 44,
321-326.
Silva, R.; Cruz, E.; Méndez, I.; Hernández, J. 2013. Sistema de Gestión Digital para mejorar los procesos
administrativos de Instituciones de educación superior: Caso de estudio en la Universidad Autónoma
Metropolitana. Perspectiva Educacional: vol. 52, núm. 2, 104-134.
Zulkefli, N. A.; Miskon, S.; Hashim, H.; Alias, R. A.; Abdullah, N. S.; Ahmad, N.; Ali, N. M.; Maarof, M. A.
2015. A business intelligence framework for higher aducation. ARPN Journal of Engineering and Applied
Sciences: : vol. 10, núm. 33, 18070-18077.

95
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

ANEXO
A. Figuras 4, Figura 5, Figura 6, Figura 7, Figura 8, Figura 9, Figura 10 y Figura 11

Figura 4. Vista de la cantidad de grados académicos y titulados por departamentos académicos con Saiku

Figura 5. Vista de la cantidad de grados académicos y titulados por departamentos académicos con Jpivot

96
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Figura 6. Vista del porcentaje de grados académicos y titulados por departamentos académicos con Saiku

Figura 7. Vista del porcentaje de grados académicos y titulados por departamentos académicos con Jpivot

97
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Figura 8. Vista de la cantidad y porcentaje de publicaciones por departamentos académicos con Saiku

Figura 9. Vista de la cantidad y porcentaje de publicaciones por departamentos académicos con Jpivot

98
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

Figura 10. Vista del porcentaje de publicaciones por grado académico y titulados por departamentos académicos
con Saiku

Figura 11. Vista del porcentaje de publicaciones por grado académico y titulados por departamentos académicos
con Jpivot

99
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

B. Figura 13 y Figura 14

Figura 13. Gráfico de barras de la dimensión 2: Control y dimensión 3: Toma de decisiones

Figura 14. Gráfico de barras de la dimensión 5: Gestión académica

100
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

C. Tabla 5 y Tabla 6

Tabla 5. Resultados de la prueba de Mann-Whitney

U de Mann-Whitney
Variable dependiente / Dimensión Ítems
U ρ
Variable dependiente: Gestión universitaria 1-36 (n = 36) 55,500 0,000092
Dimensión1: Información 1-6 (n = 6) 54,500 0,000080
Dimensión2: Reportes de gestión 7-15 (n = 9) 55,000 0,000086
Dimensión3: Control 16-21 (n = 6) 68,000 0,000341
Dimensión4: Toma de decisiones 22-27 (n = 6) 53,000 0,000067
Dimensión5: Gestión académica 28-36 (n = 9) 55,000 0,000086

Tabla 6. Contrastación de resultados Pretest y Postest

Dimensión/Variable Pretest media Postest media Nivel de impacto

Variable dependiente: Gestión univer-

71,05 125,05 + 54,00
sitaria

D1: Información 11,60 20,40 + 8,80

D2: Reportes de gestión 18,60 31,45 + 12,85

D3: Control 12,20 20,80 + 8,60

D4: Toma de decisiones 11,20 20,65 + 9,45

D5: Gestión académica 17,45 31,75 + 14,30

101
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

D. Modelo de la encuesta empleada en la investigación

CUESTIONARIO SOBRE GESTIÓN UNIVERSITARIA
INSTRUCCIONES: Estimado Colaborador, la presente encuesta tiene el propósito de recopilar información
sobre el efecto de la INTELIGENCIA DE NEGOCIOS en la GESTIÓN UNIVERSITARIA. Le agrade-
cería leer atentamente y marcar con un (X) la opción correspondiente a la información solicitada, la presente
es totalmente anónima y su procesamiento es reservado, por lo que le pedimos SINCERIDAD EN SU RES-
PUESTA, en beneficio de la mejora continua.
ESPECIFICACIÓN DESCRIPCION
Nivel Muy deficiente Deficiente Regular Eficiente Muy eficiente
Puntaje 1 2 3 4 5
Mnemónico MD D R E ME

CUESTIONARIO
VARIABLE DEPENDIENTE: GESTIÓN UNIVERSITARIA
ESCALA
DIMENSIONES SUBDIMESIONES PREGUNTAS MD D R E ME
1 2 3 4 5
1. ¿La búsqueda de información específica es rápida?
Accesibilidad 2. ¿La búsqueda de la información es fácil?
3. ¿La visualización de la información es adecuada?
Información
4. ¿La información requerida está disponible?
Disponibilidad 5. ¿La información obtenida es confiable?
6. ¿Puede realizar consultas por dispositivos móviles?
7. ¿El tiempo para la elaboración de un reporte es apropiado?
Elaboración 8. ¿Puede elaborar un reporte requerido sin ayuda?
9. ¿Es complejo elaborar un reporte personalizado?
10. ¿Le resulta fácil modificar un reporte?
Reportes de gestión Flexibilidad 11. ¿Le resulta fácil modificar un gráfico?
12. ¿Le permite exportar el reporte en diferentes formatos?
13. ¿La estructura de los reportes es apropiada?
Estructura 14. ¿Los reportes son ordenados, claros, eficaces y breves?
15. ¿Es posible elaborar reportes detallados?
16. ¿Es fácil el seguimiento de la elaboración de los sílabos?
Seguimiento 17. ¿Es simple el seguimiento de la asistencia de los alumnos?
18. ¿Le facilita el seguimiento del ingreso de notas de los docentes?
Control
19. ¿Es fácil evaluar el rendimiento académico de los alumnos?
Evaluación 20. ¿Puede realizar la evaluación del desempeño docente?
21. ¿Le facilita evaluar la ejecución del contenido silábico?
22. ¿Puede conocer las asistencias de los docentes?
Conocimiento 23. ¿Le permite conocer el cumplimiento de las asesorías?
24. ¿Le ayuda a una mejor toma de decisiones?
Toma de decisiones
25. ¿Es fácil el análisis el resultado de encuestas?
Retroalimentación 26. ¿Le sirve como soporte para tomar medidas correctivas?
27. ¿En qué medida contribuye a elaborar nuevas políticas?
28. ¿Le facilita obtener el nivel de uso de los ambientes?
Infraestructura 29. ¿Puede consultar los horarios por docente, alumno o ambiente?
30. ¿Contribuye a la resolución de problemas de ambientes?
31. ¿Puede conocer el nivel de satisfacción de los alumnos?
Gestión académica Alumnos 32. ¿Le permite obtener el nivel de deserción de alumnos?
33. ¿Es fácil saber la cantidad de egresados y titulados?
34. ¿Puede obtener la cantidad de matriculados por curso?
Docentes 35. ¿Es posible consultar los grados por categorías de los docentes?
36. ¿Le facilita conocer las publicaciones de los docentes?

102
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

E. Base de datos de la encuesta aplicada nivel Pretest

103
 Santos, J.; Benites, M.; revista Ciencia y Tecnología, v. 16, n. 3, pp. 87 – 104, 2020.

F. Base de datos de la encuesta aplicada nivel Postest

104