FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

TESIS
DESARROLLO DE UN DATA MART BASADA EN LA METODOLOGÍA DE JOSEP
CURTO PARA MEJORAR EL PROCESO DE SOPORTE DE TOMA DE
DECISIONES EN EL ÁREA DE PRODUCCIÓN EN LA EMPRESA ELCOPE S.A.C

PARA OBTENER EL TÍTULO DE

INGENIERO DE SISTEMAS

AUTOR
PERCY SANDRO CASTILLO QUINTO
ORCID: 0000-0002-3292-8933

ASESOR
MAG. JOSE ARTURO DIAZ PULIDO
ORCID: 0000-0003-2596-698X

LÍNEA DE INVESTIGACIÓN DEL PROGRAMA

GESTIÓN ESTRATÉGICA DE TECNOLOGÍAS Y/O SISTEMAS DE INFORMACIÓN

LIMA, PERÚ, ABRIL DE 2022

 CC BY
[Link]

Esta licencia permite a otros distribuir, mezclar, ajustar y construir a partir de su obra,
incluso con fines comerciales, siempre que le sea reconocida la autoría de la creación
original. Esta es la licencia más servicial de las ofrecidas. Recomendada para una máxima
difusión y utilización de los materiales sujetos a la licencia
Referencia bibliográfica

Castillo Quinto, P. S. (2023). Desarrollo de un Data Mart basada en la

metodología de Josep Curto para mejorar el proceso de soporte de toma
de decisiones en el área de producción en la empresa ELCOPE S.A.C
[Tesis de pregrado, Universidad Autónoma del Perú]. Repositorio de la
Universidad Autónoma del Perú.
 HOJA DE METADATOS

Datos del autor

Nombres y apellidos Percy Sandro Castillo Quinto

Tipo de documento de identidad DNI

Número de documento de identidad 10235090

URL de ORCID [Link]

Datos del asesor

Nombres y apellidos Jose Arturo Diaz Pulido

Tipo de documento de identidad DNI

Número de documento de identidad 18159083

URL de ORCID [Link]

Datos del jurado

Presidente del jurado

Nombres y apellidos Carlos Francisco Cruzado Puente de la Vega

Tipo de documento DNI

Número de documento de identidad 40683170

Secretario del jurado

Nombres y apellidos Carlos Alberto Lon Kan Prado

Tipo de documento DNI

Número de documento de identidad 15595507

Vocal del jurado

Nombres y apellidos Jose Arturo Diaz Pulido

Tipo de documento DNI

Número de documento de identidad 18159083

Datos de la investigación

Título de la investigación Desarrollo de un Data Mart basada en la

metodología de Josep Curto para mejorar el proceso
de soporte de toma de decisiones en el área de
producción en la empresa ELCOPE S.A.C

Línea de investigación Institucional Ciencia, Tecnología e Innovación

Línea de investigación del Programa Gestión Estratégica de Tecnologías y/o Sistemas

de Información

URL de disciplinas OCDE [Link]

 2

DEDICATORIA

En esta tesis ofrezco mi dedicación a tres

personas significativas: Dios, mi padre y mis hijos.

Atribuyo esta dedicación a Dios por su presencia

inquebrantable y su apoyo para guiar cada uno de

mis pasos, brindándome la fortaleza para

perseverar. Además, extiendo mi gratitud a mi

padre, quien constantemente ha exhibido una

demostración ejemplar de persistencia a lo largo de

mi vida.
 3

AGRADECIMIENTOS

La culminación de esta tesis es un homenaje a todas las personas que han

jugado un papel en su realización. Expresamos nuestro agradecimiento a nuestros

estimados profesores que, a lo largo de estos años, nos han inculcado una fuerte

mentalidad investigadora. Extendemos nuestro más sincero agradecimiento a Rafael

Ojeda por su apoyo incondicional durante todo el proyecto. Por último, estamos en

deuda con nuestras familias por su constante apoyo moral.

 ÍNDICE
DEDICATORIA ....................................................................................................... 2
AGRADECIMIENTOS ............................................................................................. 3
LISTA DE TABLAS ................................................................................................ 6
LISTA DE FIGURAS ............................................................................................... 8
RESUMEN ............................................................................................................ 10
ABSTRACT .......................................................................................................... 11
INTRODUCCIÓN .................................................................................................. 12
CAPÍTULO I: PROBLEMA DE LA INVESTIGACIÓN
1.1. Realidad problemática .................................................................................. 14
1.2. Formulación del problema ............................................................................ 16
1.3. Justificación e importancia de la investigación .............................................. 20
1.4. Objetivos de la investigación: general y específicos ..................................... 22
1.5. Limitaciones de la investigación .................................................................... 23
CAPÍTULO II: MARCO TEÓRICO
2.1. Antecedentes de estudios ............................................................................. 25
2.2. Desarrollo de la temática correspondiente al temainvestigado. .................... 28
2.3. Definición conceptual de la terminología empleada ...................................... 44
CAPÍTULO III: MARCO METODOLÓGICO
3.1. Tipo y diseño de la investigación.................................................................. 64
3.2. Población y muestra ...................................................................................... 65
3.3. Hipótesis…………………………………………………………………………….65
3.4 Variables-Operacionalización ......................................................................... 65
3.5. Métodos y técnicas de la Investigación ......................................................... 68
3.6. Procesamiento de los datos .......................................................................... 70
CAPÍTULO IV: ANÁLISIS E INTERPRETACIÓN DE DATOS
4.1. Análisis de la fiabilidad de las variables ........................................................ 98
4.2. Resultados descriptivos de las dimensiones con la variable. ........................ 99
4.3. Contrastación de hipótesis .......................................................................... 113
CAPÍTULO V: DISCUSIONES, CONCLUSIONES Y RECOMENDACIONES
5.1. Discusiones ................................................................................................. 134
5.2. Conclusiones ............................................................................................... 135
5.3. Recomendaciones....................................................................................... 136
REFERENCIAS
 5

ANEXOS
 6

LISTA DE TABLAS
Tabla 1 Datos actuales de los indicadores
Tabla 2 Diferencias metodologías- Kimball &Inmon & Curto
Tabla 3 Definición de variable de comparación
Tabla 4 Criterios de puntuación
Tabla 5 Cuadro comparativo de metodologías
Tabla 6 Soluciones de BI software libre
Tabla 7 Cuadro de puntuación
Tabla 8 Definición y ponderación de variables de herramientas de BI
Tabla 9 Cuadro comparativo de herramientas de BI
Tabla 10 Diferencias entre Data warehouse y Data mart
Tabla 11 Diferencias entre sistemas OLTP - OLAP
Tabla 12 Indicador presencia-ausencia
Tabla 13 Operacionalización de variables
Tabla 14 Técnicas e instrumentos para la recolección de datos
Tabla 15 Presupuesto del proyecto
Tabla 16 Requerimientos del área de producción
Tabla 17 Matriz de procesos /dimensiones
Tabla 18 Hoja de gestión
Tabla 19 Hoja de análisis
Tabla 20 Dimensiones y medidas
Tabla 21 Tabla de dimensiones y niveles
Tabla 22 Diseño físico: Dim_Clase
Tabla 23 Diseño Físico: Dim_Canal
Tabla 24 Diseño Físico: Dim_Máquina
Tabla 25 Diseño Físico_Dim_Plástico
Tabla 26 Diseño_Físico_Dim_Calendario
Tabla 27 Diseño Físico_Fact_Producción
Tabla 28 Descripción de los Stakeholder
Tabla 29 Equipo gestión del proyecto
Tabla 30 Equipo de tecnología de información del proyecto
Tabla 31 Resultado de la pre-prueba y post-prueba para el KPI1
Tabla 32 Resultados pre-prueba y post-prueba - KPI2
Tabla 33 Resultados pre-prueba y post-prueba - KPI3
 7

Tabla 34 Resultado de pre-prueba y post-prueba – KPI4

Tabla 35 Resumen de valoración pre-prueba
Tabla 36 Resumen de satisfacción del usuario pos-prueba
Tabla 37 Resumen de indicadores
Tabla 38 Valores pre-prueba
Tabla 39 Valores post-prueba
Tabla 40 Resumen de prueba de t de Student del KPI 1
Tabla 41 Valores pre-prueba y pos-prueba
Tabla 42 Resumen de prueba de t de Student del KPI 2
Tabla 43 Valores pre-prueba y pos-prueba
Tabla 44 Resumen de prueba de t de Student del KPI 3
Tabla 45 Valores pre-prueba y post-prueba
Tabla 46 Resumen de prueba de t de Student del KPI 4
Tabla 47 Valores de los resultados del instrumento de recolección
Tabla 48 Confiabilidad del instrumento de investigación
Tabla 49 Resultados específicos
Tabla 50 Resultados de la pre-prueba y post-prueba de los KPI
 8

LISTA DE FIGURAS
Figura 1 Cuadrante de BI y Plataformas Analíticas
Figura 2 Proceso de toma de decisiones del área de producción. (AS-IS)
Figura 3 Ubicación de empresa Elcope
Figura 4 Módulos de la herramienta Power BI
Figura 5 Etapas en la toma de decisiones
Figura 6 Inteligencia y análisis de negocios para el soporte de decisiones
Figura 7 Arquitectura Top Down
Figura 8 Arquitectura Bottom Up
Figura 9 Esquema estrella
Figura 10 Esquema copo de nieve
Figura 11 Esquema constelación
Figura 12 Fases de la metodología de Ralph Kimball
Figura 13 Data Warehouse corporativo
Figura 14 Fases de un proyecto de BI
Figura 15 Análisis dimensional final
Figura 16 Diseño dimensional lógico de producción
Figura 17 Conexión a Power BI
Figura 18 Conexión a la fuente de datos
Figura 19 Selección de la fuente de datos
Figura 20 Carga de la fuente de datos
Figura 21 Limpieza de datos
Figura 22 Transformación de datos
Figura 23 Organigrama de la empresa ELCOPE
Figura 24 Cronograma de actividades
Figura 25 Proceso de toma de decisiones. Producción – ELCOPE (TO-BE)
Figura 26 Construcción de dashboard
Figura 27 Post-prueba para tiempo empleado para la implementación de reportes
Figura 28 Resumen de post-prueba para el tiempo empleado para extraer la data
Figura 29 Post-prueba para tiempo empleado para la implementación de reportes
Figura 30 Pos-prueba para el tiempo empleado en la generación de reportes
Figura 31 Nivel de satisfacción del usuario en la pre-prueba
Figura 32 Nivel de satisfacción del usuario en la posprueba
Figura 33 Distribución de probabilidad del KPI1
 9

Figura 34 Ingreso de datos para realizar la prueba de t de dos muestras del KPI 1
Figura 35 Distribución de probabilidad del KPI 2
Figura 36 Ingreso de datos para la prueba de t de dos muestras del KPI 2
Figura 37 Distribución de probabilidad del KPI 3
Figura 38 Ingreso de datos para realizar la prueba de t de dos muestras del KPI 3
Figura 39 Distribución de probabilidad del KPI 4
Figura 40 Ingreso de datos para realizar la prueba de t de dos muestras del KPI 4
 10

DESARROLLO DE UN DATA MART BASADA EN LA METODOLOGÍA DE JOSEP

CURTO PARA MEJORAR EL PROCESO DE SOPORTE DE TOMA DE
DECISIONES EN EL ÁREA DE PRODUCCIÓN EN LA EMPRESA ELCOPE S.A.C

PERCY SANDRO CASTILLO QUINTO

UNIVERDAD AUTÓNOMA DEL PERÚ

RESUMEN
En la presente tesis se determinó en qué medida la creación de un Data Mart brinda

el soporte a la toma de decisiones en el área de producción en la empresa ELCOPE.

Para la construcción del Data Mart se utilizó la metodología Josep Curto. En la

actualidad el área de Producción requiere en el menor tiempo posible informes

detallados que le proporcionen al usuario el panorama de los indicadores de gestión

para una toma de decisión acertada; es aquí donde la inteligencia de negocios cumple

un rol relevante. Para este caso se utilizó la herramienta Power BI que permite tener

la información precisa y concisa para su posterior análisis y correcta toma de decisión;

permitiendo mejorar la productividad y eficiencia en el uso de los recursos de la

empresa. Finalmente se llegó a la conclusión que la aplicación de la inteligencia de

negocios explica relativamente bien lo sucedido entre la variable dependiente con

respecto a la satisfacción del usuario que haciendo uso de la solución genera un

impacto positivo con la variable independiente. Esta investigación es de importancia

porque aporta en la gestión del conocimiento para una correcta toma de decisión.

Palabras clave: data mart, toma de decisiones, inteligencia de negocios, power bi

 11

DEVELOPMENT OF A DATA MART BASED ON THE JOSEPH CURTO

METHODOLOGY TO IMPROVE THE DECISION-MAKING SUPPORT PROCESS
IN THE PRODUCTION AREA IN THE COMPANY ELCOPE S.A.C

PERCY SANDRO CASTILLO QUINTO

UNIVERDAD AUTÓNOMA DEL PERÚ

ABSTRACT

In this thesis, it will be extended to what extent the creation of a Data Mart provides

support for decision-making in the production area in the company ELCOPE. For the

construction of the Data Mart, the Josep Curto methodology was adopted. Currently,

the Production area requires in the shortest time possible detailed reports that provide

the user with an overview of the management indicators for making the right decision;

This is where business intelligence plays a relevant role. For this case, the Power BI

tool was acquired, which allows for accurate and concise information for subsequent

analysis and correct decision making; managing to improve productivity and efficiency

in the use of company resources. Finally, it was concluded that the application of

business intelligence explains relatively well what happened between the dependent

variable with respect to user satisfaction, which by using the solution generates a

positive impact with the independent variable. This research is important because it

contributes to knowledge management for correct decision making.

Keywords: data mart, decision making, business intelligence, power bi

 12

INTRODUCCIÓN

El objetivo general de la tesis es la creación de un Data Mart para dar soporte

al proceso toma de decisiones en el área de producción en la empresa ELCOPE en

cuanto al seguimiento de los indicadores de producción y tener la información en el

menor tiempo posible para darle así un mayor tiempo al análisis y tratamiento del

mismo para su posterior toma de decisión que ayuden a la eficiencia y productividad

para que aporten con los objetivos estratégicos de la empresa. Esta investigación está

basada en la metodología de Josep Curto, que por su rapidez en el desarrollo e

implementación es bastante practica; es decir su aplicación y desarrollo es inmediato;

además se usará como aplicación de inteligencia de negocios la herramienta Power

BI, debido a que es fácil de usar, interpretar y navegar.

En el capítulo I se plasmó el motivo y razón de este proyecto, así como el

problema, causas, consecuencias, delimitación, objetivos, justificación e importancia

de la investigación. En el capítulo II se contemplaron los antecedentes referentes a lo

que encierra Inteligencia de Negocios es decir conceptos básicos, además de las

diferentes metodologías para la construcción de un Data Mart, inclusive

mencionaremos herramientas de Inteligencia de Negocios Comerciales como Open

Source. Cabe indicar que profundizaremos en la herramienta a utilizar en este

proyecto que es Microsoft Power BI.

En el capítulo III se ubicó todo lo relacionado a la ejecución de la solución de

Inteligencia de Negocios. En el capítulo IV se colocó la recopilación, análisis e

interpretación de los resultados. En el capítulo V como capítulo final se ubicó las

recomendaciones y las conclusiones del proyecto: Desarrollo de un Data Mart basada

en la metodología de Joseph Curto para mejorar el proceso de soporte de toma de

decisiones en el área de producción en la empresa ELCOPE SAC

 13

CAPÍTULO I

PROBLEMA DE LA INVESTIGACIÓN
 14

1.1. Realidad problemática

Con la expansión de la información en el mundo actual, existe una demanda

creciente de enfoques ágiles y convenientes para extraer y transformar los datos de

una organización en información valiosa. Esta información luego se difunde a lo largo

de toda la cadena de valor, asegurando una eficiencia óptima.

Según Alegría (2019) manifiesta a la inteligencia de negocios como el conjunto

de metodos para crear y manejar la informaciòn que permitirán al usuario el mejor

manejo de la información.

Bustamante (2018) manifiesta que la tendencia emergente en el mercado de

la inteligencia de negocios es de código abierto porque tiene gran alcance a todos los

usuarios y llega a cubrir los requerimientos de la organización para utilizar la

información.

Hoy, el potencial de las herramientas de BI gratuitas y de código abierto se

mezcla con datos de varias fuentes de Internet (Facebook, Twitter, Blogs, YouTube,

LinkedIn, Google Analytics) para crear una solución totalmente personalizada que

puede dar respuesta a las empresas más diversas Los indicadores de desempeño

quieren ser analizados en Internet y redes sociales, permitiendo mezclar y analizar

datos desde diferentes perspectivas. Esta herramienta de análisis social le permite

analizar datos desde diferentes dimensiones y sus propias necesidades: Analice los

me gusta, las acciones, los comentarios de la información del usuario: comentarios

en la ciudad, Facebook, Twitter y mezcle la información de sus clientes corporativos

que residen en CRM con las redes sociales los mismos datos; con esto, será posible

aprender más sobre los clientes y crear campañas de marketing más específicas para

los usuarios.
 15

A continuación, en la Figura 1 se muestra las plataformas analíticas dentro del

cuadrante de inteligencia de negocios

Figura 1
Cuadrante de BI y Plataformas Analíticas

Nota: De Power Bi una realidad Open Source, 2021

Según García (2022) considera que la clasificación realizada por Gartner trae

un nuevo panorama al mercado de la inteligencia de negocios, donde Microsoft Power

BI es uno de los líderes y protagonistas mejor posicionados, mientras que las

empresas líderes hasta el momento han ido perdiendo posiciones.

En Perú, las organizaciones están empezando a entender la importancia de la

gestión de información, además de apreciar las innumerables ventajas competitivas

que proporciona para el análisis eficaz de diferentes fuentes de datos.

Según la Comisión Económica para América Latina y el Caribe (CEPAL, 2021)

manifiesta que la proyección de crecimiento peruana será a 9,5%. En relación con

una estimación anterior donde pronosticaba un 9%. En este punto es de necesidad

 16

que las empresas cuenten con herramientas analíticas que le permitan dar soporte a

una acertada toma de decisiones en el momento oportuno.

1.2. Formulación del problema

ELCOPE S.A.C. se especializa en la producción y distribución de cables

eléctricos que atienden las necesidades específicas del mercado peruano. Esta

actividad se realiza a través de su área productiva, es aquí donde radica el problema

debido a que solo cuenta con métodos transaccionales en el uso de la información

que no le permiten el análisis de manera oportuna. Para tener una información

detallada es necesario pedir lo que se requiere al área de sistemas que además de

estar tercerizada no otorga en tiempo oportuno lo requerimientos solicitados,

generando así demoras innecesarias para tomar la decisión adecuada, aun así,

cuando se recibe la información hay que darle la forma para obtener los informes que

se requiere analizar. Esto hace que la jefatura de producción no pueda mejorar los

indicadores de gestión haciéndose menos productivos y eficientes en el uso de los

recursos de la empresa en el área de producción.

Para entender lo explicado lo detallaremos en forma gráfica el proceso actual

que se usa en la toma de decisiones.

A continuación, se muestra en la Figura 2 el antes en el proceso de toma de

decisiones
 17

Figura 2

Proceso de toma de decisiones del área de producción. (AS-IS)

 18

Se detectaron los siguientes problemas en:

• Implementación de reportes.

• Transformación de la data.

• Exactitud de la información.

• Generación de reportes.

• Satisfacción del usuario.

Tabla 1

Datos actuales de los indicadores

Indicador Datos de Pre-Prueba

Tiempo promedio empleado en la implementación de 1800 minutos

reportes.

Tiempo promedio para la trasformación de la data. 240 minutos

Porcentaje de Exactitud de información. 44%

Tiempo promedio empleado en la generación de reportes 30 minutos

Nivel de satisfacción del usuario. Bajo

El mero volumen de datos acumulados no indica automáticamente una

cantidad sustancial de información valiosa para una empresa. La importancia de la

información depende en gran medida del enfoque y la calidad del tratamiento de los

problemas de la empresa. Para abordar de manera efectiva estas preocupaciones, es

crucial realizar una investigación exhaustiva, implementar soluciones adecuadas,

 19

utilizar herramientas analíticas, monitorear las tendencias actuales y brindar

información cohesiva, confiable y práctica.

Lo principal en los sistemas de información es ayudar a tomar las decisiones

de forma correcta, una vez que se tenga los datos proporcionados por los sistemas

de se pueden encontrar conocimientos que puedan ayudar a tomar la correcta

decisión. La utilidad que se puede lograr con el buen uso de una solución de BI

pueden ser tangibles, intangibles o estratégicos; los beneficios que son tangibles se

caracterizan, por ejemplo, en minimizar los costos, el incremento de ingresos, la

reducción de tiempo para las acciones comerciales, etc.; por otro lado, los beneficios

intangibles serían el hecho, es decir, la información puede ser utilizada para la

correcta toma de decisión, lo que permitirá que los usuarios puedan ser más

competitivos en sus áreas respectivas, mientras que el interés estratégico es todo lo

que contribuye a crear estrategias, es decir, qué clientes, mercados o productos debe

ser el objetivo, por ejemplo, puede proporcionar una capacidad más sólida para poder

crear estrategias de precios; para identificar y brindar información relevante a los

clientes con el mayor potencial, aumentando el valor de mercado, entre otros.

El primer paso depende de la empresa, y es el que se refiere a identificar lo

relevante que es el uso del soporte de la toma de decisión; es decir debe surgir la

necesidad por parte de la empresa de utilizar la información de forma correcta.

En conclusión, este trabajo podrá dar solución al problema del proceso de toma

de decisiones del área de producción de la empresa, ELCOPE S.A.C. para su

posterior análisis, para tener un control de los reportes con los indicadores

propuestos.

A continuación, se muestra en la Figura 3 la ubicación de la empresa en estudio

 20

Figura 3

Ubicación de empresa Elcope

Nota: De Google maps (s.f.)

Problema general

¿En qué medida el desarrollo de un Data mart basada en la metodología de

Joseph Curto mejora el proceso de soporte de toma de decisiones en el área de

producción en la empresa ELCOPE?

1.3. Justificación e importancia de la investigación

La implementación de una herramienta de Business Intelligence es crucial para

agilizar la toma de decisiones en el departamento de producción de la empresa

Elcope, así como en cualquier otra organización que busque transformar los datos

transaccionales en valiosos análisis que puedan ser utilizados de manera efectiva.

Esta herramienta es de vital importancia para obtener una perspectiva más profunda

y significativa de los procesos internos, lo que permite identificar áreas de mejora y

tomar medidas estratégicas basadas en información confiable y precisa. En última

instancia, el uso de esta herramienta puede marcar la diferencia entre el éxito y el

 21

fracaso en un mercado altamente competitivo. Además, es un recurso indispensable

para hacer el mejor uso de los recursos existentes y lograr una ventaja competitiva

sostenible.

Tiene una justificación social porque permite obtener una ventaja competitiva

y así obtener nuevos beneficios y con ellos nuevas oportunidades de trabajo.

En la actualidad, las empresas tienen la mayor parte de su tiempo y de sus

recursos monetarios a la adquisición, procesamiento, aplicación y previsión del

conocimiento, por ello, la información rol determinante en una empresa y se

transforma en su principal fuerza para ser competitivos. Además, la información debe

de ser clara, precisa y adaptado al entrenamiento y perfiles de las personas a las que

se dirige, debe ser rápido y estar disponible cuando se necesite de forma completa y

coordinada con el resto de información.

Para la práctica se plasmaron los conocimientos adquiridos en el tratamiento

de datos y sentarán las bases para trabajos futuros relacionados al uso de

herramientas analíticas de código libre simplificando la labor de los encargados de

analizar y depurar la información y esto se verá reflejado en el ahorro de recursos de

la empresa.

A través de la tecnología permitirá descubrir información que no es visible

directamente sobre los distintos sistemas transaccionales, se podrá descubrir pautas

de comportamiento y tendencias de los usuarios y mercados para explotar al máximo

las consultas de alto nivel.

Esta investigación está basada en la metodología de Josep Curto, que por su

rapidez en el desarrollo e implementación es bastante practica; es decir su aplicación

y desarrollo es inmediato además de estar orientado al software libre.

 22

Curto (2017) manifiesta que el proceso de toma de decisiones se puede

mejorar sin coste adicional, gracias a la disponibilidad de una herramienta Open

Source. Al utilizar esta herramienta, uno puede crear nuevas oportunidades de

negocios con facilidad.

1.4. Objetivos de la investigación: general y específicos

Objetivo general

Para potenciar el proceso de toma de decisiones dentro del sector productivo

de ELCOPE, se construirá un datamart utilizando la metodología establecida por

Josep Curto. Esto ayudará a mejorar la precisión y la eficiencia del sistema de apoyo

a la toma de decisiones.

Objetivos específicos

Minorizar el tiempo promedio en la implementación de reportes.

Reducir el tiempo promedio en la trasformación de la data.

Incrementar el porcentaje de exactitud de la información.

Reducir el tiempo promedio que se emplea para generar los reportes.

Mejorar el nivel de satisfacción del usuario para obtener reportes.

Indicadores

Tiempo promedio empleado en la formulación de reportes: Es el tiempo que se

emplea en la formulación de reportes.

Tiempo promedio para la trasformación de la data: Preparación de los datos

con el propósito de entregar información de calidad.

Porcentaje de exactitud de la información: Es la proximidad entre el valor

estimado y el correspondiente valor real desconocido.

Tiempo promedio que se emplea para la generación de reportes: Es el tiempo

utilizado en la generar los reportes.

 23

Nivel de satisfacción del usuario: Es el nivel de conformidad del contenido de

la información entregada.

1.5. Limitaciones de la investigación

Con respecto a la temporalidad, la investigación comprende solo el estudio de

la Base de Datos transaccional desde el año 2019 hasta agosto del 2021 de la

empresa ELCOPE S.A.C.

Como limitante conceptual se enfrentó que los tiempos de uso de la

información y la base de datos de la empresa.

 CAPÍTULO II

MARCO TEÓRICO
 25

2.1. Antecedentes de estudios

Antecedentes internacionales

Kendall y Kendall (2011) en su libro “Análisis y Diseño de Sistemas”, se refiere

que el análisis de sistemas tiene como objetivos comprender la entrada de la

información para poder procesarlos y transformarlos en datos y estas en información

específica para utilizarlos de manera oportuna para resolver los problemas existentes.

De este libro se tomará como referencia las afirmaciones que realizan los

autores de las organizaciones como sistemas complejos que se integran con

subsistemas interrelacionados para generar una sinergia para el almacenamiento de

datos que en un posterior análisis se convertirán en información para luego

transformarse en conocimientos.

Si un sistema no se instala con la planificación adecuada, es probable que no

sea satisfactorio y luego no se tome en cuenta. Ahora bien, el rol que es más fácil

de entender y otorgar un alto grado de responsabilidad al analista de sistemas es el

de agente de cambio. Ya sea fuera de la organización o no.

Laundon y Laundon (2012) en su trabajo “Sistemas de información Gerencial”

se refiere a los sistemas de información gerencial como la transformación del

conocimiento y la importancia de la información en los negocios de hoy, lo cual se

puede notar en el uso de la tecnología en las oportunidades globales; conocer los

sistemas de información, instituciones y estrategia.

Se tomará como referencia todos los sistemas que ayudan a tomar decisiones

y que sirven a los mandos medios, soportando la toma de decisiones no rutinarias,

estas permiten crear modelos de análisis de datos.

Alvarado et al. (2018) en su artículo “Necesidad de los sistemas de información

gerencial para la toma de decisiones en las organizaciones”, da a conocer la

 26

importancia de la información como uno de los principales recursos de atención de la

gerencia, por lo que depende en gran medida de la veracidad y confiabilidad de la

información, ya que de ella dependen las decisiones para afectar las partes

organizacionales y financieras de la organización. Para garantizar la resolución

efectiva de problemas en varios escenarios, es crucial que las organizaciones posean

información pertinente y aplicable. Esta información les permite tomar decisiones

informadas que se adaptan a sus necesidades inmediatas, intermedias y a largo

plazo. Además, es importante reconocer que, para prosperar en el competitivo

mercado laboral actual, las organizaciones deben desarrollar estrategias que se

alineen con sus objetivos originales.

Este artículo hará referencia a la importancia de creer que los datos son útiles

para que las empresas se transformen a través de una cultura analítica, lo que

significa tomar decisiones basadas en hechos, datos, resúmenes en lugar de pura

intuición.

Antecedentes nacionales

Minaya (2017) en su tesis Implementación de Data Mart para incrementar la

productividad en una empresa minera, 2017, creado en la Universidad San Ignacio

de Loyola para obtener un título en ingeniería de sistemas, analiza cómo la tardanza

del personal en la preparación y análisis de informes puede dificultar la pronta toma

de decisiones. Además, las paradas constantes de la maquinaria por falta de

información para su mantenimiento respectivo que trae consigo la baja calidad y

productividad de estas. Los investigadores proponen el uso de un Data mart como

herramienta para que la gerencia productiva tome decisión para el mejor uso de los

equipos existentes y así evitar las paradas inesperadas de la maquinaria.

 27

En esta tesis se usa como herramienta de solución el desarrollo de un Data

mart cuyo objetivo principal es incrementar la productividad en sus procesos, para ello

también se tiene como objetivos recopilar la información existente para su posterior

tratamiento y así poder disminuir el tiempo que se emplea para elaborar los informes

para la planificación de la productividad en base a hechos históricos para de esta

manera elevar los indicadores de productividad.

Alegría (2019) en su tesis Desarrollo e Implementación de un Data mart para

Agilizar la Toma De Decisiones en el Área de Operaciones de la Empresa Servicios

Centro de atención telefónica del Perú, de la Universidad Tecnológica Nacional de

Lima Sur, ha presentado una tesis que se encuentra disponible en el Repositorio

Institucional UNTELS en Lima, Perú. La tesis se concentra en el desarrollo de un Data

mart, utilizando la metodología de Ralph Kimball. El objetivo principal de este proyecto

es recopilar y unificar información dentro de la organización, lo que permitirá la

creación de informes impactantes y la formulación de estrategias basadas en los

datos obtenidos. El objetivo final es proporcionar a la organización las herramientas

para tomar decisiones bien informadas.

El propósito de este proyecto de tesis fue proporcionar asistencia en la toma

de decisiones informadas. En el proyecto de investigación se implementó la

metodología Kimball, pero nuestra propia metodología se basará en el enfoque de

Josep Curto.

Castillo (2019) en su tesis Desarrollo de un Data mart para el soporte de la

toma de decisiones en el área de ventas de la empresa boticas fortaleza – Universidad

de Lambayeque 2019, para ser reconocido como ingeniero de sistemas en el ámbito

profesional, reconoció la importancia de la inteligencia de negocios. Este es el

proceso de recopilación de información mediante el análisis de los datos que ya

 28

existen dentro de la empresa. El objetivo final de la inteligencia de negocios es obtener

una visión integral de los procesos internos del negocio, optimizándolos y mejorando

la calidad de la toma de decisiones. El enfoque principal de este estudio gira en torno

a la cantidad de tiempo dedicado a la preparación de informes y los desafíos

asociados con garantizar la precisión en los informes. Estos factores conducen con

frecuencia a retrasos en la entrega y dificultan la capacidad de toma de decisiones.

Adicionalmente, existen instancias donde el reporte entregado carece de información

esencial debido a las limitaciones del sistema transaccional actual, el cual no ofrece

la funcionalidad necesaria.

Existe una enorme relación con nuestro tema de tesis ya que por ser un

sistema transaccional en línea no puede analizar los datos que en ella contiene solo

se utiliza para realizar consultas específicas. La utilización de herramientas de

inteligencia empresarial se considera un punto de referencia basado en esta

investigación. Estas herramientas permiten el escrutinio de los datos dentro de una

organización, proporcionando así orientación en el proceso de toma de decisiones

informadas.

Es importante recalcar que toda información es un hecho importante. Las

instituciones utilizan el conocimiento para llevar a cabo sus acciones del día a día,

este conocimiento es parte esencial de una institución, por lo que puede tener un alto

nivel para competir y para desarrollarse.

2.2. Desarrollo de la temática correspondiente al temainvestigado.

2.2.1. Propuesta de la inteligencia de negocios

La composición de este modelo en particular consiste en una secuencia de

patrones de estrellas. El énfasis principal en la implementación de una solución de

Business Intelligence está en utilizar la Metodología de Josep Curto. Esta metodología

 29

ofrece un marco estructurado para el diseño metódico de un Data Warehouse o Data

mart, delineando las acciones esenciales que se deben tomar.

[Link] Enfoque “Top-Down”.

La hoja de ruta de BI de Inmon propone que el DWH organizacional puede

permitir el crecimiento de los Data mart divisionales, es decir, que pone énfasis que

la implementación de soluciones de inteligencia comercial debe comenzar con el

desarrollo del Data Warehouse, para luego seguir con la creación de un Data mart

(Curto Díaz, 2017).

[Link] Enfoque “Bottom-Up”.

La Metodología de Ralph Kimball proporciona una guía completa sobre cómo

implementarla de manera efectiva. Enfatiza la importancia de crear Data mart

departamentales que puedan servir como base para el Data Warehouse (DWH) de la

organización. Kimball enfatiza que el desarrollo de soluciones de inteligencia

comercial debe comenzar con el establecimiento de Data marts, ya que estos

repositorios forman el núcleo del sistema de almacenamiento de datos (Kimbal, 2010).

2.2.2. Bases teóricas metodología Josep Curto

A continuación, encontrará un desglose de las distinciones principales entre las dos

metodologías, como se indica en los elementos siguientes:

Las diferencias en la metodología entre Kimball, Josep Curto e Inmon se

presentan en la Tabla 2 de la siguiente manera (Curto Díaz, 2017).

Tabla 2

Diferencias metodologías- Kimball &Inmon & Curto

Kimball Josep Curto Inmon

 30

El modelo de datos
El data warehouse es
de toda la empresa
Definición Es formal y es un una tecnología
sirve como base
de DW proceso de largo plazo. medular, preliminar del
para el almacén de
BI.
datos.

Un Data mart
Los datos se mantienen mantiene datos
La define como una parte
hasta el menor detalle agregados que se
dentro del proceso del
los cuales tienen relacionan a la
Definición negocio y que a la vez
implicancia con el unidad de negocio.
de Data Mart puede estar relacionada
proceso de todo el Un Data mart
con otras unidades.
negocio. mantiene una
historia limitada.

Se enfatiza el concepto La metodología se

de la metodología. define de manera
pragmática, con un Define la
Definición enfoque en la metodología
de la implementación como una
metodologí práctica. Posee un aplicación global
a enfoque más de toda la
tecnológico, ya que empresa.
está más actualizado
en comparación con
Kimball.
En términos de Guarda una
tecnología, Kimball independencia de
Plataforma algún tipo de
conserva su Está orientado al
de desarrollo
independencia de software libre.
desarrollo aplicativo
cualquier plataforma
en particular.
Diseñado para
Los ciclos para Se basa atender las
elaborar un Data mart principalmente en los necesidades
ativo de
Enfoque de
se centra en su objetivos y toda la
desarrollo
proceso con su requerimientos del organización se
por etapas
dimensión usuario final. basa en su
correspondiente. modelo de datos.
 31

Utiliza el
Plantea tres niveles modelamiento
Plantea el
de modelamiento dimensional,
modelamiento
dimensional tomando en
dimensional;
Modelado Alto nivel, nivel cuenta los
identificando las
medio y nivel bajo requerimientos
dimensiones y
llamado modelo para identificar las
hechos
físico dimensiones y las
medidas

A continuación, las definiciones de las variables que se comparan se presentan

en la Tabla 3.

Tabla 3

Definición de variable de comparación

Variable Ponderación Definición

Enfocado al diseño de
Data mart Data mart Aplicable al proceso del
1
independientes. negocio.

Definición de la
1 Se usa en varias plataformas.
metodología.

El ciclo de vida del producto es una

consideración integral que abarca el
Ciclo de vida. 1 proceso completo, desde el inicio y el
desarrollo hasta la implementación y
el lanzamiento.

Enfoque de desarrollo Desarrolla cada etapa de acuerdo

1
por etapas con el enfoque establecido

El proyecto de BI abarca una serie de

etapas integrales que, cuando se
Etapas detalladas 1
combinan, dan como resultado su
finalización general.
 32

A continuación, se muestra en la Tabla 4 los criterios de puntuación a utilizar.

Tabla 4

Criterios de puntuación

Puntaje
Sí 1
No 0

A continuación, se muestra en la Tabla 5 la puntuación de las herramientas

Tabla 5

Cuadro comparativo de metodologías

Actividad
Enfocado Definición Enfoque de de
Puntaje
Herramientas al diseño de la desarrollo modelado
total
metodología por etapas de cada
etapa

Kimball 1 1 1 1 4

Curto 1 1 1 1 4

Inmon 1 1 0 1 3

2.2.3. Herramientas de inteligencia de negocios

Las herramientas de inteligencia empresarial se identifican comúnmente por

su clasificación basada en funciones específicas; un ejemplo de tal categorización es:

• Reportes

• Extracción

• Servidores OLAP

• Tablero de mandos
 33

• Herramientas de publicación

• Espacios integrados

Las soluciones de inteligencia de negocios (BI) que son significativas tanto

para el software libre como para el propietario se muestran en la Tabla 6.

Tabla 6

Soluciones de BI software libre

Open Source Propietario

Power BI Microsoft

SpagoBI Microstrategy
Open Reports Oracle
Rapid miner Delta miner

Palo BI Apesoft

Cuando se habla de la Inteligencia de Negocios, se debe tener en cuenta 3

puntos de la herramienta a adquirir.

• Las herramientas de Inteligencia de Negocios deben dar solución a

las necesidades del entorno del negocio de la organización.

• La calidad y la facilidad de análisis deben ser el objetivo primordial de

la solución de BI.

• La herramienta de Inteligencia de Negocios es solo una parte de la

solución que se pretende dar, lo más importante es el uso que dará

el usuario

[Link] Software propietario.

• Business Objects Suite. Es un conjunto integral de aplicaciones de software

que permite a las empresas administrar y mejorar de manera efectiva varias

 34

áreas de sus operaciones. Estas áreas incluyen sistemas de ventas,

finanzas, banca, adquisiciones, fabricación, inventario y relación con el cliente

• IBM Cognos. Es una plataforma poderosa que permite el análisis preciso de

datos y facilita la toma de decisiones informada. Vale la pena destacar que

Cognos incluye herramientas especializadas diseñadas específicamente para

crear modelos de negocios, realizar pronósticos y ejecutar simulaciones, todo

lo cual tiene como objetivo ofrecer información estratégica para la planificación

operativa futura. (Adkinson, 2013).

• SSIS. Es un software que permite la perfecta integración de datos de varias

fuentes. Con SSIS, los equipos de desarrollo tienen acceso a una plataforma

flexible y fácil de usar que facilita la creación, administración e implementación

de soluciones de integración personalizadas. Esto garantiza que las

organizaciones puedan lograr sus objetivos de integración específicos de

manera eficiente y eficaz (Hurni & Dibbern, 2018).

• Microstrategy. Es ampliamente reconocida como una de las herramientas más

utilizadas en la industria. Su principal característica diferencial es su capacidad

para ofrecer soluciones integrales adaptadas a las necesidades específicas de

cualquier empresa o su clientela. El objetivo general es establecer un sistema

de soporte que permita un acceso fluido a la información pertinente sobre las

operaciones en curso del negocio, facilitando así una comprensión más

profunda (Johnson, 2003).

Y entre otras herramientas más; las anteriores son las suites de inteligencia de

negocios de enfoque global, impulsadas por la consultora Gartner (empresa de

consultoría e investigación en tecnologías de la información) a través del análisis de

 35

ingresos bajo el lema de vendedores vendiendo sus servicios entre 2014 y 2020

(Carrilo, 2023)

[Link] Distribución libre.

En la actualidad existe innumerables herramientas para el tratamiento de los

datos; la elección va depender los requisitos que la organización precisa; hay

herramientas que son licenciadas en su uso como también en la forma de cómo tratar

la información es decir herramientas elaboradas por terceros que brindan a las

empresas soluciones de inteligencia de negocios pero con pagos establecidos , pero

en el mundo del código abierto, existen varios recursos gratuitos disponibles para

poner en marcha emprendimientos de inteligencia de negocios, reduciendo así los

gastos. Además, las herramientas de inteligencia comercial de código abierto se han

vuelto cada vez más codiciadas, en algunos casos incluso más que sus contrapartes

pagas.

Según Camargo (2015) menciona que las herramientas de inteligencia

empresarial de código abierto más utilizadas son las siguientes:

a) Power BI es la herramienta que simplifica la forma en que las

organizaciones obtienen los conocimientos de los datos transaccionales y de

observación. Permite a las organizaciones a crear una cultura de datos en la que los

empleados puedan tomar decisiones basadas en hechos, no en

opiniones (Bustamante, 2018).

b) Pentaho es ampliamente reconocido y ampliamente utilizado como una

herramienta de inteligencia empresarial de código abierto. Ofrece una gama de

funcionalidades que permiten el desarrollo de procesos ETL, la creación de cuadros

de mando e informes, así como una integración perfecta con diversas aplicaciones a

través de servicios web (Bustamante, 2018).

 36

c) Palo Suite presenta una amplia gama de recursos y herramientas que

nos permiten aumentar nuestras capacidades cuando se trata de administrar datos.

Una de estas herramientas es la herramienta ETL, que facilita la extracción,

transformación y carga de datos de una manera más eficiente y ágil. Además, nos

proporciona un potente motor OLAP para el análisis de datos avanzado y la

integración con Excel para una manipulación de datos sin problemas. Con Palo Suite,

también podemos optimizar la gestión de informes y la administración de usuarios a

través de su interfaz web intuitiva (Camargo J. , 2015).

d) Spago BI es una herramienta de inteligencia empresarial de código

abierto basada en J2EE que sigue la arquitectura MVC. Abarca una gama de

características que incluyen herramientas ETL, paneles, informes, capacidades de

análisis y funcionalidades de gestión de datos (Hurni & Dibbern, 2018).

A continuación, se muestra en la Tabla 7 el cuadro comparativo de las

herramientas.

Tabla 7

Cuadro de puntuación

Criterios de Puntuación Puntaje

Sí 1

No 0

Tabla 8

Definición y ponderación de variables de herramientas de BI

Elaboración Open Conocimiento

Herramientas ETL Puntos
de reportes Source Herramienta
Power BI 1 1 1 1 4
SSIS 1 1 0 1 3
 37

IBM Cognos 0 1 0 0 1

Microstrategy 0 1 0 0 1

Palo Suite 1 1 1 0 3
SpagoBI 1 1 1 0 3
Rapid Miner 1 1 1 0 3

Pentaho 1 1 1 0 3

La Tabla 9 que viene a continuación presenta las calificaciones de las

herramientas de inteligencia de negocios.

Tabla 9

Cuadro comparativo de herramientas de BI

Variables Puntuación Definición

ETL Permite la Extracción, Transformación y

1
Carga.

Facilita la creación de informes.

Elaboración de Reportes 1

El código fuente de la solución es de acceso

Open Source
2 libre.

En términos de familiaridad con la

Conocimiento herramienta, se le asigna un valor de 2, ya
2
herramienta que se considera beneficioso para la
utilización e implementación de un proyecto.

Bajo esta tabla de comparación entre capacidades, cambios y visiones,

podemos entender herramientas visionarias que perciben pronósticos positivos al

implementar proyectos de inteligencia de negocios, podemos encontrar varios

 38

conjuntos de entornos de código abierto para esto, y entre las características se

encuentra Power BI.

Es un recurso que facilita el análisis visual de los datos y la compartición de

toda la información disponible. Puede vincularse a diversas fuentes de datos y, a partir

de ellas, generar una amplia gama de informes, permitiendo la creación de informes

comprensibles para el usuario final. Power BI ofrece una variedad de opciones a los

usuarios, incluida la aplicación Power BI Desktop para Windows, el servicio en línea

Power BI Service SaaS y la aplicación móvil Power BI para dispositivos móviles. Esta

herramienta analítica le permite desarrollar modelos basados en requisitos

predeterminados, crear visualizaciones y generar informes que se pueden compartir

en su aplicación o sitio web. Las técnicas de series temporales de Power BI utilizan

algoritmos de suavizado exponencial para pronosticar resultados futuros mediante la

comparación de datos pasados y presentes.

[Link] Definición de la metodología de inteligencia de negocios a aplicar.

Haber y Anays (2013) ejemplifican la metodología de inteligencia de negocios:

1. Preparación y limpieza de datos: La fase principal de preparación de datos

implica tres acciones esenciales: extraer los datos, transformarlos y cargarlos en

Power BI. Esto se logra mediante la utilización de Power Query y M lenguaje.

2. Análisis y modelamiento de datos: El proceso de análisis y modelado de

datos se realiza mediante Excel Power Pivot. Esta poderosa herramienta permite el

desarrollo de varios componentes analíticos, como indicadores clave de rendimiento

(KPI), indicadores, cálculos y métricas, todo mediante la utilización del lenguaje DAX.

3. Visualización y representación de datos: El proceso de visualización y

representación de datos es crucial para realizar un análisis exhaustivo y preciso. Al

 39

presentar la información a través de gráficos que resaltan los datos más pertinentes,

la visualización de datos permite una toma de decisiones eficaz.

4. Distribución de información: La difusión de información es posible a través

de Power BI, lo que permite a los usuarios distribuir informes a otros miembros de su

organización. Estos informes están diseñados para ser accesibles en plataformas

móviles y de escritorio.

Se ha decidido utilizar la metodología de Josep Curto; es más práctica y

tecnológica además está orientada al uso de herramientas de open Source, esto es

de real importancia porque en la actualidad el open source dejó de ser tendencia para

convertirse en soluciones de explotación de información. Power BI es una de las

suites más completas en el mercado porque incluye herramientas para trabajar con

Big Data.

Además, para este proyecto se utilizó el enfoque Bottom Up de Kimball ya que

se considera la creación de Data mart, para luego llegar a un Data warehouse del

negocio. (Kimball & Ross, 2010).

La siguiente ayuda visual, Figura 04, muestra los módulos que se alinean con

un instrumento de inteligencia comercial.

Figura 4

Módulos de la herramienta Power BI

Nota. De Power BI Pro (s.f.)

 40

La figura 4 proporciona una representación visual del concepto de inteligencia

dentro de una organización. La inteligencia implica el examen cuidadoso y la

comprensión de los problemas que surgen dentro de la organización. Esto incluye

comprender por qué existe el problema, las ubicaciones específicas afectadas por él

y los efectos generales que tiene en la organización. Una vez que se comprende

completamente el problema, el siguiente paso es desarrollar varias soluciones

alternativas y explorar a fondo cada una para determinar la opción más efectiva.

Finalmente, la fase de implementación implica garantizar que la solución elegida no

solo sea práctica sino también funcional en el contexto de seguimiento del proceso

seleccionado.

La siguiente ilustración, Figura 5, presenta los pasos secuenciales

involucrados en el proceso de toma de decisiones.

Figura 5

Etapas en la toma de decisiones

 41

2.2.4. Tipos de decisiones

Para este caso, se distinguen dos tipos:

Kendall y kendall (2011) comentan que las deciciones que afectan a la

organización ocurren en gran parte en el nivel estrategico. Estas tienen que ver

directamente con los objetivos generales de la empresa.

Canós (2012) la define como las que son responsabilidad de la jefatura

intermedia y estas a su vez toman las deciones para la aplicación de la estretegia.

Otra forma de clasificar las decisiones empresariales es en cuanto a su

naturaleza; se distinguen tres tipos:

• Decisiones estructuradas: Cuando se trata de este tipo particular de

decisión, todos los factores que afectan la decisión se entienden por

completo y, a menudo, el proceso de toma de decisiones se puede

representar visualmente a través de un diagrama que describe los pasos a

seguir. Ocasionalmente, puede haber situaciones en las que no se necesite

intervención manual, aunque esto es poco común (Canós, 2012).

• Decisiones desestructuradas: En estas decisiones es imposible diseñar el

“proceso de decisión” en detalle, no está claro qué inteligencia se podría

implementar, además de como se debería diseñar el proceso, ni qué puntos

se deben utilizar para decidir. Suelen ser decisiones tomadas ante

imprevistos o situaciones puntuales. En estos casos, está claro que la

intervención del operador es de mucha importancia (Canós, 2012).

• Decisiones semiestructuradas: Es el punto medio, el cual puede

identificarse como el intermediario entre dos extremos contrastantes. En

este escenario particular, ciertas etapas dentro del proceso de toma de

decisiones son evidentes y pueden describirse adecuadamente, mientras

 42

que también hay elementos ambiguos que requieren una evaluación

cuidadosa (Canós, 2012).

2.2.5. Los beneficios de un sistema de inteligencia de negocios

Curto (2017) manifiesta que lo más beneficioso a la hora de elegir utilizar la

Inteligencia de Negocios son los siguientes

• Crear un círculo virtuoso de información que produce conocimiento que

puede conducir a obtener una mejor decisión, que terminan en obtener

mejores resultados.

• Permitir al usuario tener un panorama holístico en cuanto a la calidad de

toda la información recolectada.

• Para garantizar la prosperidad de una empresa, es crucial establecer y

mantener indicadores clave de desempeño.

• Para mejorar la competitividad de la organización, es crucial priorizar la

utilización de la información pertinente para un rápido acceso, lo que

permite una mayor agilidad en los procesos de toma de decisiones.

• Crear, manejar métrica, indicadores claves de rendimiento.

• Permite el acceso a información que está en tiempo presente.

• Minorizar el diferencial de orientación comercial entre las áread de TI y la

organización.

2.2.6. El entorno de la inteligencia de negocios

Se requiere tener un solido cimiento en cuanto al repositorio de datos,

además de tener herramientas que permitan realizar analisis y un conjunto de

equipos que puedan realizar todo tipo de cuestionamientos en el análisis de datos.

En la siguiente sección, la Figura 6 demuestra los cinco componentes dentro

del entorno de inteligencia de negocios.

 43

Figura 6

Inteligencia y análisis de negocios para el soporte de decisiones

2.2.7. Capacidades de inteligencia y análisis de negocios

Según Laundon y Laundon (2012) afirman que la inteligencia y el análisis dan

al usuario la información oportuna y correcta para los que toman las decisiones

tengan las medidas y precauciones apropiadas.

Los sistemas de BI proporcionan cinco capacidades analíticas para lograr

estos objetivos:

• Informes de producción: Ya existen informes diseñados específicamente para

satisfacer las demandas de diversas industrias.

• Informes parametrizados: El personal debe ingresan varios parámetros en

tablas dinámicas para filtrar datos.

• Cuadros de mando: son las que permiten visualizar los datos propuestos por

el usuario.

• Crear consultas/búsquedas/informes apropiados: brindan al usuario diseñar

sus informes basados en sus requerimientos.

 44

• Drill Down: La capacidad de transmitir una cantidad adecuada de información

sofisticada a una perspectiva más compleja es lo que define este concepto.

2.3. Definición conceptual de la terminología empleada

2.3.1. Toma de decisiones

Es un proceso de la elección racional entre dos o mas alternativas, para poder

así lograr los resultados que más convengan a la organización en cuyo trayecto el

pronóstico del resultado se encuentra en la certeza, riesgo e incertudumbre.

Según Laundon y Laudon (2012) definen que las etapas en la toma de

decisones son la inteligencia, diseño, selección e implementación en el proceso.

2.3.2. Inteligencia de negocios

En un mundo competitivo se ha demostrado la efectividad en el uso de los

datos para mejorar la información y tener de esta forma mejores predicciones, es por

eso que surge el concepto de la inteligencia de negocios.

En tal sentido Curto afirma que las organizaciones deben actuar con rapidez y

eficiencia, pero esta no debe basarse en la experiencia sino en los datos históricos

almacenados; solo así se tendrá resultados importantes para la organización.

2.3.3. Data mart

Curto (2017) afirma que un Data mart es un subconjunto de datos de

almacenamiento de datos diseñados para responder al análisis, funciones o

necesidades de un grupo de usuarios. En este tipo pueden ser dependiente o

independiente.

Cuando se trata del alcance de las soluciones de almacenamiento de datos, la

distinción entre un Data mart y un Data warehouse es primordial. Específicamente, el

Data mart está destinado a atender a un grupo de trabajo particular dentro de la

organización, sirviendo como depósito de datos departamentales. Por el contrario, un

 45

almacén de datos proporciona una vista completa de los datos de toda la

organización, que abarca toda la información relevante.

Curto (2017) define a un Data mart como parte en la conformación de un DW

con alcance predefinido solamente para un área en mención; los cuales pueden tener

las siguientes arquitecturas:

• Top-Down: primero se define la base de datos general para luego

desarrollar y cargar los DM a partir del mismo.

A continuación, se muestra en la Figura 7 esta arquitectura:

Figura 7

Arquitectura Top Down

Nota: De Dataprix (s.f.)

• Bottom-Up: El paso inicial en este sistema específico implica la definición

del Data Mart (DM), con la intención de incorporarlo posteriormente al Data

Warehouse (DW) primario. La siguiente figura, etiquetada como Figura 8,

ofrece una representación visual de esta implementación en particular:

 46

Figura 8

Arquitectura Bottom Up

Nota: De Dataprix (s.f.)

Es muy común ver que los Data mart son creados primero sin que se tenga en

cuenta un data warehouse.

2.3.4 Clasificación del Data mart

Según Curto (2017) menciona que se clasifican en dos:

• Data mart dependiente: Estos obtienen los datos que se trabajará a partir de la

existencia de un Data warehouse.

• Data mart independiente: En este caso los datos los obtiene de forma directa

de los sistemas transaccionales.

2.3.5 Tipos de Data mart.

• OLAP: Se crean a partir de los requisitos de cada área de la organización.

• OLTP: En muchos casos es una parte que se obtiene del DW, pero principal

es realizar cada vez mejoras que ayuden a incrementar su rendimiento

aprovechando así los requerimientos de cada área de la empresa.

 47

Según Curto (2017) menciona que la creación de data mart con fines analíticos

ofrece varios beneficios clave:

➢ Volumen de datos reducidos.

➢ Rápidos en realizar consultas.

➢ Permite validar toda información creada.

➢ Permite tener el historial de los datos obtenidos.

2.3.6 Ventajas de aplicar un Data mart

• Su implementación es simple.

• El tiempo de construcción es rápido.

• La información confidencial es de fácil manejo.

• Loa beneficios y cualidades resaltan a la vista.

• No se requiere una base de datos mayor.

2.3.7. Data warehouse

Curto (2017) define un Data warehouse como una base de datos general

dentro de una organización, cuyo principal propósito es integrar, almacenar y validar

la información de diferentes fuentes, logrando así diferentes tipos de análisis para su

posterior tratamiento.

En la actualidad los almacenes de datos se empelan en la organización desde

hace mucho tiempo, pero no se le ha dado la importancia necesaria para el análisis

de datos; es por ello que en la actualidad se usan distintas metodologías para el

tratamiento de las mismas para de esta forma convertir los datos ya existentes en

información que permitan tomar las mejores decisiones.

Según Adkison (2013) afirma que un Data warehouse se caracteriza por ser

integrado, porque se desarrolla en una estructura consistente es decir se integra los

datos de los repositorios de los diferentes almacenes de datos de las áreas del
 48

negocio. Histórico porque contiene información almacenada en el tiempo para realizar

análisis de tendencias y así poder predecir en base a la información brindada por el

sistema. No volátil porque puede ser leído por cualquier usuario del negocio que

requiera información detallada de algún proceso histórico, pero no puede ser

modificado por ninguno de los usuarios visitantes.

A continuación, la Tabla 10 proporciona una descripción general de la

extensión, los objetivos y los atributos tanto del Data warehouse como del Data mart.

Tabla 10

Diferencias entre Data warehouse y Data mart

Data warehouse Data mart

Se construye para la
Se construye para
satisfacción a los
Alcance satisfacer a un área de
requerimientos de toda
especifica
organización

Se diseña para la
Se diseña para integrar y
Objetivo optimización de la
administrar los datos fuente
entrega de información

Guarda resúmenes de
Características de Guarda cantidades de datos
datos de un área
los datos históricos
específica

Solo a un área del

Pertenencia A toda la organización
negocio

Se administra por la unidad de Lo administra un

Administración
sistema de la organización personal del área

2.3.8. Sistemas transaccionales y analíticos

• OLTP - On-Line proceso transaccional.

 49

Son bases de datos que se orientan a transacciones que pueden llevar a cabo

introducción, modificación y eliminación de datos.

• El proceso de transacciones es una ocurrencia frecuente dentro de las bases

de datos operativas.

• A la hora de acceder a los datos, la optimización se centra en facilitar las tareas

diarias de lectura y escritura.

• Por lo general, los datos históricos se limitan a la información actual o

recopilada en el pasado reciente.

• OLAP - On-Line proceso analítico.

El principal objetivo de este instrumento es agilizar el procesamiento analítico

de los datos. Este tipo particular de análisis requiere el escrutinio de cantidades

considerables de información que se guardan en una base de datos para extraer

información significativa. Un ejemplo de tales conocimientos incluye la detección de

patrones en las acciones de los clientes o la identificación de tendencias de ventas

estacionales. Además, esta herramienta también puede generar informes sobre

productos particulares basados en segmentos de mercado Inmon et al. (2013).

• Normalmente el acceso es de lectura. Las operaciones más comunes son

consultas, con muy poca actualización y eliminación de datos.

• Los datos se estructuran de acuerdo con los dominios comerciales y los

formatos de datos se integran uniformemente en toda la organización.

• Los datos históricos abarcan un período significativo, que suele oscilar entre

dos y cinco años de duración Inmon et al. (2013)

• Datos depurados
 50

En la siguiente sección, la Tabla 11 proporciona una descripción general de las

características distintivas de los sistemas OLTP y OLAP, junto con sus cualidades

asociadas.

Tabla 11

Diferencias entre sistemas OLTP - OLAP

Sistemas Transaccionales Data warehouse

Características
(OLTP) (OLAP)
Los datos operativos
se refieren a datos
centrados en Los datos comerciales
procesos que pertenecen a la información que
Datos involucran abarca grandes cantidades de
cantidades limitadas datos, tanto actuales como
de información históricos.
específica y
actualizada
Las consultas
transaccionales se
centran en la
Estas consultas están diseñadas
ejecución de
para facilitar las interacciones del
Unidad de ejecución acciones o
usuario y realizar tareas
transacciones
específicas.
específicas dentro de
una aplicación.

Las consultas Estas consultas tienen como

orientadas al usuario objetivo proporcionar
priorizan las información, orientación o
Nombre de usuarios
necesidades y recomendaciones basadas en la
preferencias del entrada o los requisitos del
usuario. usuario.

Que se orienta a la
Orientación Que se orienta al tema.
aplicación

2.3.9. Base de datos multidimensional

➢ Esquema estrella.
 51

La disposición de los datos dentro de esta base de datos específica adopta un

formato multidimensional. Incorpora tablas de hechos en conjunto con sus respectivas

tablas de dimensiones.

Se presenta un ejemplo junto con el diagrama de estrella en la Figura 9. El

ejemplo presenta una tabla de hechos de ventas, junto con sus dimensiones

correspondientes.

Figura 9

Esquema estrella

Nota: De Dataprix (s.f.)

➢ Esquema copo de nieve.

Este esquema representa una extensión del modelo en estrella.

A continuación, se muestra en la Figura 10 el esquema copo de nieve con su

tabla de hechos y sus respectivas dimensiones.

 52

Figura 10

Esquema copo de nieve

Nota: De Dataprix (s.f.)

➢ Esquema constelación.

La estructura de este modelo consiste en una colección de esquemas en

estrella.

A continuación, se muestra en la Figura 11 el esquema constelación con su

tabla de hechos y sus respectivas dimensiones.

Figura 11

Esquema constelación

Nota: De Dataprix (s.f.)

2.3.10. Proceso ETL

ETL. Es la extracción, transformación y carga de todos los datos en una

empresa.
 53

• Es necesario obtener datos de todas las bases de datos transaccionales, hojas

de cálculo, archivos de texto y documentos XML.

• Transformar cuando ya se tiene la información se debe dar forma a los datos,

para luego llevarlo a los Data mart asignados.

• Según Morales (2016) El proceso de carga se refiere a la transferencia de

datos de la fase anterior a la base de datos de destino designada.

2.3.11. Herramientas y aplicaciones ETL del mercado.

• Pentaho.

• Business Objects Data Integrator (BODI).

• Cognos Decision stream.

• Informática Center.

• Oracle Warehouse Builder.

• Power BI.

2.3.12. Metodología de BI

Enric (2016) recomienda evaluar que metodología se ajusta más a nuestra

actividad cotidiana en nuestra organización. Además, se debe tener en cuenta:

• Tiene que estar dispuesto a la variación y no tanto al efecto final.

• La intención se debe proyectar a un cambio general de toda organización.

• Se tiene que adquirir los medios de trabajar en variedad de proyecto de

manera similar.

• Debe abarcar todas las labores que se desarrolla en la organización.

• Tiene que interrelacionar a las personas entre sí.

• Tiene que concordar con los requerimientos de la empresa.

A continuación, mostraremos algunos enfoques metodológicos de Inteligencia

de negocios.
 54

a) Enfoque basado en datos: está focalizado en la conformación de los datos y

en la manera como son usados por los usuarios finales.

b) Cadena de valor: Se apoya en la red que general el valor y los usa como valor

añadido para la empresa, negocio.

c) Enfoque impulsado por proceso: Tiene que estar abocado en el análisis de

todos los procesos que interactúan dentro del negocio.

2.3.13. Metodologías de inteligencia de negocios

a) Metodología de Ralph Kimball.

Kimball y Ross (2010) manifiestan que para tener el éxito es necesario

desarrollar las siguientes etapas:

• Fase1: Planeación y administración del proyecto

En este ciclo se establece conocer a toda la empresa para poder realizar

un enfoque preliminar, así como la evaluación de factibilidad.

• Fase 2: Definir los requerimientos del negocio

Es de real importancia conocer la interpretación adecuada para los

diferentes tipos de requerimientos entre los distintos usuarios.

• Fase 3. Modelado dimensional

Para satisfacer las necesidades de todos los usuarios comerciales, es

esencial establecer requisitos comerciales. Dichos requisitos se basan en los

datos que se necesitan para satisfacer las necesidades antes mencionadas.

• Fase 4. Diseño físico

En este estadio se debe seleccionar la estructura que soportaran el diseño

lógico.

• Fase 5. Diseño y desarrollo de la presentación de datos

 55

Los procesos de extracción, transformación y carga de datos,

comúnmente denominados ETL, pertenecen a la recopilación de datos

necesarios para la carga de un modelo físico preconcebido.

• Fase 6. Diseño de la arquitectura técnica

Se debe elegir las tecnologías a utilizar. Para diseñar la arquitectura, es

indispensable comprender las demandas del negocio.

• Fase 7. Selección de productos e instalación

Una vez que se establece la arquitectura técnica se debe estimar los

componentes que se utilizaran como plataforma de hardware, así como la base

de datos que se emplearan para almacenar toda la información del negocio.

• Fase 8. Especificación de aplicaciones para usuarios finales

Tener en cuenta que para cada usuario el nivel de análisis es diferente,

es por eso por lo que antes se definen los papeles de cada usuario y el tipo de

análisis que se requiere.

• Fase 9. Desarrollo para usuarios finales

Se desarrolla las configuraciones de los metadatos, así como la

constitución de reporte de acuerdo con el usuario final.

• Fase 10. Implementación

La puesta en funcionamiento representa la coincidencia de la

tecnología, así como la accesibilidad para cada usuario del negocio.

• Fase 11. Mantenimiento y crecimiento

Se debe actualizar constantemente para continuar con el desarrollo de

los objetivos propuestos.

• Fase 12. Gestión del proyecto

 56

En este estadio todas las actividades se deben llevar de forma

simultánea.

b) Metodología Bill Inmon.

Según Inmon et al. (2013) menciona que la información debe transferirse

desde los sistemas transaccionales que hay en la organización hasta un sitio

centralizado donde los datos se analizaran de acuerdo con el requerimiento del

usuario. Las siguientes características se consideran necesarias por ellos.

• Orientado a temas: Los datos deben estar organizados y que todos los

elementos de datos estén relacionados con el mismo objetivo además

deben estar vinculados entre sí.

• Integrado: Para garantizar la precisión y la integridad, la base de datos debe

abarcar todos los datos de los diversos sistemas de información de la

organización. Es esencial que esta información esté actualizada y sea

coherente en todas las plataformas.

• No volátil: Esta información no se debe modificar ni eliminar, es decir una

vez almacenados los datos en el repositorio, están solo se usarían para fines

de lectura y se conserva para referencia futura.

• Variante en el tiempo: Todos los datos registrados se deben usar para crear

informes que reflejen estos cambios en el tiempo y de esta forma elaborar

informes de tendencias en el mercado, así como de los consumidores a lo

largo de un periodo determinado y de esta forma obtener información valiosa

para ser más competitivos.

La información obtenida debe tener una minucioso y conciso detalle. Los Data

mart son vistos como parte del Data warehouse de toda la organización, son

diseñadas en base a os requerimientos de algún área específica.

 57

El método Inmon se le conoce comúnmente como de arriba hacia abajo. Los

datos se extraen del sistema operativo a través de un proceso ETL y se cargan en el

área de escenario, donde se validan e integran, y en el almacén de datos empresarial

también se encuentran los llamados metadatos, el almacén de contenido del que se

pueden extraer los datos. registrarse de forma clara y precisa. Cuando el proceso se

ha realizado el Data mart departamental toma la información de este y, mediante la

consiguiente transformación, organiza los datos en la estructura específica requerida

por cada uno de ellos, actualizando y validando todo el contenido.

Al adaptarlo de forma global, se vuelve más complicado desarrollarlo en un

proyecto simple, ya que trata de resolver el problema general y luego entra en detalles

a partir de él; este enfoque se denomina hoja de ruta de inteligencia empresarial, que

consta de fases y actividades.

Actividades.

1. Diseño de la base de datos

2. Prototipo de aplicación

3. Evaluación del negocio

4. Desarrollo del ETL

5. Diseño del ETL

6. Desarrollo de la aplicación

7. Definición de requerimientos

8. Análisis de datos

9. Implementación

10. Evaluación post producción.

11. Certificación

Fases.
 58

• Análisis del negocio

• Despliegue

• Justificación

• Construcción

• Diseño

c) Metodología de Josep Curto

Según Curto (2017) menciona que hay varias fases involucradas en un

proyecto de inteligencia empresarial, que incluyen lo siguiente:

a) Análisis y requerimientos

b) Formación y documentación.

c) Producción

d) Desarrollo

e) Modelización

El enfoque metodológico propuesto por Josep Curto es el que se ha integrado

en varios proyectos y en el que se basan todos los desarrollos actuales. En este tipo

de metodología se aprecia una gran ventaja que puede ser de utilidad, es decir en la

forma de cómo se crea la aplicación de inteligencia de negocios y estas son de fácil

uso y ejecución, es decir, que pueden ser utilizadas para aplicaciones instantáneas y

software libre.

Según Curto (2017) las diversas fases de un proyecto de inteligencia

empresarial se describen a continuación:

Fase 1: Análisis y requerimientos.

En primer lugar, se debe analizar los requerimientos y los objetivos del negocio

a implementar, así como los posibles riesgos y el alcance de donde se quiere llegar,

tomando en cuenta las necesidades de información. Para establecer los requisitos del
 59

negocio, es crucial celebrar reuniones y realizar entrevistas con las personas

involucradas en el negocio. Este proceso facilita la comprensión de sus necesidades

y requisitos previos, lo que a su vez permite dar una respuesta integral a las

cuestiones planteadas a través de una serie de preguntas formuladas por el mismo

personal (Curto Díaz, 2017).

Fase 2: Modelo conceptual de datos.

La base de este proceso radica en identificar los procesos y perspectivas

específicos dentro de un negocio que son la clave para abordar las consultas de los

usuarios finales. Durante esta etapa, se prestará especial atención a los requisitos

actuales, así como a la capacidad para adaptarse a las demandas futuras.

El objetivo principal de generar un duplicado de la región es garantizar una

accesibilidad conveniente al proceso de transformación de datos. Al crear el diseño

inicial, es imperativo determinar las tablas de hechos y las dimensiones que se

pueden inferir de los requisitos adquiridos.

Modelo lógico de datos.

Durante esta fase en particular, procederemos con la implementación del

diseño lógico mediante la identificación de todas las medidas que se incluyen en la

tabla de hechos. Dentro de la tabla de hechos se encuentra la clave principal, que

sirve como identificador único para cada entrada individual. Adicionalmente, las

claves foráneas son las encargadas de identificar las dimensiones que están

asociadas a la tabla de hechos, así como las distintas medidas (Curto Díaz, 2017).

Modelo físico de datos.

Se elabora el diseño físico; está conformada por una colección de tablas en la

cual se definirán los formatos de cada clave y atributo.

Fase 3: Desarrollo de la aplicación.

 60

ETL: La integración puede darse en cuatro grandes áreas:

• Integración de datos: Esta nos detalla una vista única de todos los datos

comerciales, sin importar dónde residan. Este es el alcance de este

documento, especialmente cuando se refiere al proceso de toma de

decisión.

• Integración de aplicaciones: El proceso implica el desarrollo de una

perspectiva integral que abarque todas las aplicaciones, ya sea que se

utilicen dentro o fuera de la organización. Esta unidad se establece a través

de la coordinación de eventos, como transacciones, mensajes o datos, a

medida que atraviesan diferentes aplicaciones.

• Integración de procesos de negocio: Proporciona una perspectiva integral

de todos los procesos dentro de una empresa. Su principal beneficio radica

en separar los aspectos de diseño e implementación de los procesos

comerciales del desarrollo de aplicaciones, lo que permite un análisis y una

ejecución enfocados. Esta integración garantiza un enfoque simplificado

para administrar y optimizar las operaciones comerciales.

• Integración de la interacción del usuario: Ofrece una interfaz segura y

personalizada para los usuarios comerciales, que abarca datos,

aplicaciones y procesos comerciales.

Pasos disponibles para transformaciones:

• Entrada: permite la recuperación de datos de varias fuentes, como bases

de datos (JDBC), Access, CSV y archivos de Excel.

• Transformar: otorga la capacidad de ejecutar varias operaciones en los

datos. Estas operaciones incluyen filtrar, ordenar, dividir, agregar nuevos

campos y mapear.
 61

• El proceso de carga implica recopilar datos de varias fuentes, organizarlos

de una manera que sea beneficiosa para futuros análisis operativos,

tácticos y estratégicos, detectar cualquier cambio para mejorar los procesos

ETL (Extraer, Transformar, Cargar) y, en última instancia, mejorar su

eficacia y eficiencia.

Fase 4: Producción.

En esta fase ya se tiene conocimiento sobre lo negativo de los sistemas

transaccionales, y se ha señalado que la herramienta permitirá el uso de jerarquías y

niveles dentro de sus reportes, sirviendo como medio para facilitar la toma de

decisiones (Kimball & Ross, 2010).

Fase 5: Formación de usuarios.

Es aquí donde se formaliza la herramienta de BI donde se tiene resultados muy

eficientes para poder tomar decisiones más acertadas en el área que corresponda

(Kimball & Ross, 2010). A continuación, se muestra en la Figura 12 la fase

metodológica de Ralph Kimball.

Figura 12

Fases de la metodología de Ralph Kimball

Nota: De Hernández (2011)

 62

A continuación, se muestra en la Figura 13 modelo de data Warehouse

corporativo

Figura 13

Data Warehouse corporativo

Nota: De Hernández (2011)

A continuación, se muestra en la Figura 14 las fases que corresponden a un

proyecto de inteligencia de negocios.

Figura 14

Fases de un proyecto de BI

Nota: De Hernández (2011)

 CAPÍTULO III

MARCO METODOLÓGICO
 64

3.1. Tipo y diseño de la investigación

Tipo de investigación

Por otro lado, Hernández (2014) afirma que el nivel de la investigación es el

grado de profundidad que se le brinda al objeto de estudio, es aquí donde se

encuentra las relaciones de causa, así como el diseño de la investigación a emplear

para responder al problema planteado.

El nivel metodológico estará centrado en el aspecto explicativo de nuestro

modelo de inteligencia de negocios. En concreto, profundizaremos en los factores

subyacentes que impulsan los procesos de toma de decisiones. Además,

exploraremos el impacto que tendrá nuestro modelo en estos procesos mediante la

realización de pruebas de hipótesis.

Tipo de Investigación

De acuerdo con nuestro objetivo, la investigación es de tipo aplicada ya que

se examinará e identificará la relación y el impacto que ocurre entre la variable

independiente y su relación con la variable dependiente.

Por otro lado, Paz (2017) refiere la investigación es aplicada porque precisa

del conocimiento que tiene el investigador para responder al problema planteado, a

la vez que se adquieren nuevos conocimientos cuando se implementa.

Diseño de la investigación

El tipo de diseño de investigación implementado para este estudio se clasifica

como Pre-experimental. Hernández (2014) refiere que el objetivo principal de este

diseño es obtener y analizar datos fácticos para presentar información con precisión

y proporcionar una explicación de la situación que se examina.

 65

3.2. Población y muestra

Población

Para analizar en profundidad los procedimientos de toma de decisiones dentro

del sector productivo de la empresa ELCOPE, se tomarán en consideración todas las

unidades.

N=Indeterminado

Muestra

Para las encuestas, se empleará un método de muestreo intencional en lugar

de aleatorio. Se seleccionará una muestra compuesta por 30 decisiones, lo cual se

considera un número apropiado para este propósito.

3.3. Hipótesis

Hipótesis general

Si se desarrolla un Data mart basada en la metodología de Josep Curto por

ende mejorará el soporte de toma de decisiones en la empresa ELCOPE S.A.C.

3.4 Variables-Operacionalización

Definición conceptual de la variable: La solución de Inteligencia de negocios

El proceso de toma de decisiones de ELCOPE S.A.C. actualmente no

incorpora Business Intelligence, como lo demuestra la falta de respuesta negativa.

Por lo tanto, la empresa se enfrenta actualmente al problema que nos ocupa.

• Indicador Presencia – Ausencia:

Elegir la opción "Sí" significa que la solución de inteligencia de negocios ha

sido implementada por ELCOPE S.A.C. con la intención de agilizar los tiempos de

toma de decisiones y, en última instancia, mejorar los resultados. Por el contrario,

seleccionar "No" indica que la implementación de dicha solución aún no está en vigor.
 66

La siguiente tabla, etiquetada como Tabla 12, muestra el indicador que indica

la existencia o inexistencia de la variable independiente.

Tabla 12

Indicador presencia-ausencia

Indicador Índice

Presencia – Ausencia SÍ, No

a) Variable dependiente.

El proceso de toma de decisiones en el área productiva de la empresa

ELCOPE S.A.C.

Indicadores.

• Tiempo promedio empleado en la formulación de reportes: Es el tiempo

que se emplea en la formulación de reportes.

• Tiempo promedio para la trasformación de la data: Preparación de los

datos con el propósito de entregar información de calidad.

• Porcentaje de Exactitud de la información: Es la proximidad entre el

valor estimado y el correspondiente valor real desconocido

• Tiempo promedio que se emplea para generar reportes: Tiempo

utilizado en la generar los reportes.

• Nivel de satisfacción del usuario: Es el nivel de conformidad del

contenido de la información entregada.

Luego, se detalla en la Tabla 13 la operacionalización de la variable

dependiente
 67

Tabla 13

Matriz de operacionalización de variables

Definición Dimensione Unidad de Unidad de

Variable Indicadores Índice Ítem
Conceptual s Medida Observación

Tiempo promedio
empleado en la
[1..1800] Minutos Cronómetro 1-3
Es un proceso de implementación de
reportes
Proceso la elección
de Toma racional entre dos Tiempo promedio para la
Tiempo [1..240] Minutos Cronómetro 4-6
de o mas alternativas, trasformación de la data.

decisione para lograr los El grado de precisión de la

Reportes
información proporcionada [1..100] Porcentaje 7-9
s en la resultados más generados
expresado en porcentaje.
empresa favorables para la Tiempo promedio
ELCOPE organización. empleado en la [1..30] Minutos Cronómetro 10-12
generación de reportes

Bajo,
Nivel de satisfacción del Usuario
Usuario Regular Escala de Likert 13-16
usuario.
, Alto
 68

3.5. Métodos y técnicas de la Investigación

Método de investigación

El diseño de la investigación es preexperimental; se observará como se viene

desarrollando en su entorno actual, para luego poder analizarlos. Utilizaremos el

modelo pre – test y post – test, con medición antes y después.

Experimental: Ge---------> O1 XO2

Dónde:

➢ Ge = Grupo Preexperimental: es el grupo específico que será sometido al

estímulo de Business Intelligence.

➢ O1= Antes de implementar Business Intelligence, se deben recopilar los datos

para los indicadores de la variable dependiente.

➢ X: La implementación de una solución de inteligencia de negocios.

➢ O2: Las mediciones del indicador que corresponden a la variable dependiente

en la prueba posterior.

➢ XO2 = representa los datos recolectados luego de realizar el Post-Test para

los indicadores que miden la variable dependiente. Estas medidas pertenecen

específicamente al grupo de control.

Técnica

La investigación empleará la encuesta aplicada en dos momentos, un antes

pretest y un después postest. El desafío deliberado presentado al grupo Ge, integrado

por diversas actividades dentro de la empresa ELCOPE S.A.C. implica la

implementación de un estímulo Business Intelligence (X). A esto le sigue un examen

posterior de los indicadores pertenecientes a la variable dependiente (O1). Seguido

a esto, se lleva a cabo la aplicación experimental de Business Intelligence X, con la

intención de potenciar el proceso de toma de decisiones y apuntando a lograr

 69

Descripción de los Instrumentos utilizados

A continuación, se muestra en la Tabla 14 la técnica e instrumentos que se

utilizaron en la presente investigación.

Tabla 14

Técnicas e instrumentos para la recolección de datos

Técnicas Instrumentos

Ficha de registro de
Análisis documental
datos.
Observación
Ficha de observación
Entrevista -Encuestas
Cuestionario

En el estudio actual, se emplearon una variedad de métodos para recopilar

información. Estos métodos incluían la realización de entrevistas, la administración

de encuestas y la participación en la observación. Para garantizar una investigación

exhaustiva, se utilizará un cuestionario que consistirá en consultas específicas, junto

con un análisis de los documentos pertinentes. Estas herramientas facilitarán la

recopilación de datos relacionados con la situación existente, contribuyendo así a la

exhaustividad del estudio.

Entrevistas

Las entrevistas nos servirán para recabar información de manera oral a

mediante las preguntas que realiza el entrevistador, las personas que son los

involucrados en las decisiones, serán los que usarán el modelo de inteligencia de

negocios, y responden las encuestas que se muestran en los anexos 02, 03, 04,05

Observación.

Es el registro visual, clasificando los acontecimientos pertinentes de acuerdo

el problema; formulando las acciones para la mejora, mostrada en el ANEXO 06.

 70

Análisis documental.

Es el procedimiento de lectura de las acciones analizando la información en

base a las metas planteadas y proponiendo nuevos objetivos el cual se muestra en

los anexos 7 y 8.

3.6. Procesamiento de los datos

Se realizaron entrevistas al personal que se encarga del análisis de los datos,

con el objetivo de lograr un mejor entendimiento del negocio y definir los requisitos de

información, a continuación, describiremos la arquitectura utilizada.

a) Componentes.

• El componente de la fuente de datos esencialmente define todas las fuentes

posibles que se utilizarán para la recopilación de datos y que se emplearán en

el sistema.

• El componente ETL funciona como una entidad unificada que abarca una

secuencia de procedimientos que están directamente conectados con la

extracción, el control, la manipulación, la integración, la limpieza y la carga de

datos. Estos procesos están interrelacionados y abordan de manera colectiva

las tareas asociadas con estas operaciones.

• Análisis y modelado de datos: Nuestro proceso de análisis y modelado de

datos se realiza utilizando Excel Power Pivot. Esta herramienta potente nos

permite crear y desarrollar varios componentes analíticos, como indicadores

clave de rendimiento (KPI), indicadores, cálculos y métricas. Utilizamos el

lenguaje DAX para llevar a cabo estas tareas de manera eficiente y efectiva.

• Presentación (Reportes y Dashboard): El acto de presentar información al

usuario final en forma de informes y tableros se denomina proceso de

interacción. Su objetivo es mostrar los datos almacenados de manera clara y

 71

útil mediante el uso de consultas. Estas consultas recuperan la información

necesaria y la transforman para su visualización final.

a) Factibilidad Técnica.

La factibilidad técnica de implementar Business Intelligence en este proyecto

es viable, ya que las herramientas requeridas están disponibles para este

propósito.

b) Especificación de Hardware:

o Sistema Operativo: Windows 10 Professional de 64 bits

o Memoria RAM: Memoria DDR3 de 4GB con BUS de 1600 MHZ de

Kingston

o Disco duro: Seagate 600GB 7200 RPM SATA3

o Unidad de CD-ROM

o Procesador Intel Core I5- 2.5GHz

o Tarjeta de video Intel HD 3000

o Modelo del Sistema: Satélite S845

o BIOS InsydeH2O

o Monitor: LED 18" ACER P166HQL 1366X78

o Chip Tipo Intel® HD Graphics Family

o Alimentation CA 120/230 V (50/60 Hz).

c) Especificación de los requerimientos de Software:

o Windows Professional

o Office 365

o Aplicación Power BI. Desktop.

d) Costo de Hardware y Software

 72

Para el desarrollo propuesto se utilizarán herramientas Open Source Power BI;

lo que nos da es un costo cero. Esta opción facilita el desarrollo inmediato del

proyecto.

e) Costo de Recurso Humanos

Se trabajará con el personal de la empresa que está identificada con el

proyecto, en cuanto al investigador del proyecto asumirá con financiamiento propio,

por ser el proyecto de grado.

A continuación, en la Tabla 15 se muestra el presupuesto del presente proyecto

de investigación.

Tabla 15

Presupuesto del proyecto

Costo
Concepto Observación Cantidad Unidad Total, S/
S/

RR. HH

Honorario del
Castillo Quinto Percy 1 Persona 3000 3000
investigador

Hardware

Laptop Toshiba CI5 Precio base 1 Global 2300 2300

Disco duro externo Precio base 1 Global 240 240

Software

Windows 10pro. Precio base 1 Global 560 560

Office 2013 Precio base 1 Global 0 0
Power BI Precio base 1 Global 0 0

Otros 300

Total 6400
 73

3.7.1. Modelamiento

Fase I. Análisis y requerimientos.

Para comenzar, el paso inicial consistirá en examinar las fuentes para discernir

las necesidades de todas las personas involucradas. Esto se logrará planteando

indagaciones que orienten los objetivos que persigue la organización. Luego de este

análisis, será factible conocer los indicadores, con sus respectivas dimensiones, que

serán escrutados y considerados durante el desarrollo y ejecución de la solución de

inteligencia de negocios.

Al final, se creará un modelo conceptual para proporcionar una representación

visual del resultado logrado en esta etapa inicial.

a) Identificar preguntas.

Estos requisitos tienen como objetivo identificar medidas, dimensiones e

indicadores, de acuerdo con las definiciones dadas, se recopilan datos sobre los

ingresos de los usuarios en el ERP, lo que requiere un requisito sobre la cantidad de

productos fabricados.

b) Identificar indicadores y dimensiones.

Para ello se deben considerar indicadores, que para ser verdaderamente

efectivos son generalmente valores numéricos, representativos del contenido

específico a analizar, tales como: cantidad, suma, fórmula, etc.

Por el contrario, las medidas nos presentan los elementos que requieren la

observación y evaluación de ciertas métricas, únicamente para abordar las

necesidades y consultas de cada destinatario respectivo.

Los requerimientos del área de producción se presentan en la siguiente Tabla

16.
 74

Tabla 16

Requerimientos del área de producción

Código Requerimiento Indicador Dimensión

Mostrar las toneladas de cobre Índice de Cobre

Req01
utilizado en función del tiempo. cobre Tiempo

Mostrar la cantidad de cobre Índice de

Clase
Req02 fabricados por Clase en función Productos
Tiempo
del tiempo. fabricados

Mostrar las toneladas de Cobre

Índice de Plástico
Req03 utilizado por Canal en función del
plástico Tiempo
tiempo.

Mostrar las toneladas de plástico Índice de Plástico

Req04
utilizado en función del tiempo Plástico Tiempo

Mostrar la cantidad y Porcentaje

Índice de Scrap
Req05 de Scrap generado en función del
Scrap Tiempo
tiempo

• Req01: Mostrar las toneladas de cobre utilizado en función del tiempo.

Se desea obtener la información de las toneladas de cobre utilizado en

función del tiempo; por ejemplo: ¿Cuántas toneladas de cobre se ha registrado

en un tiempo determinado?

• Req02: Mostrar las toneladas de cobre fabricados por Clase en función del

tiempo.

Se desea obtener la información de las toneladas de cobre distribuidas

por Clase en función del tiempo; por ejemplo: ¿Cuántas toneladas se

registraron en un año, mes determinado en función del tiempo?

 75

• Req03: Mostrar las toneladas de Cobre utilizado por Canal en función del

tiempo.

Se desea tener la información de las toneladas de cobre utilizado por

Canal en un año, mes determinado en función del tiempo.

• Req04: Mostrar las toneladas de plástico utilizado en función del tiempo.

Se desea saber las toneladas de Plástico utilizado en función del tiempo

para contrastar con nuestro balance de materiales.

• Req05: Mostrar la cantidad y Porcentaje de Scrap generado en función del

tiempo.

Se desea tener la información de la cantidad y porcentajes de Scrap

registrado en función del tiempo.

Fase II: Modelización

A continuación, se detallará la descripción de cada dimensión. En la Tabla 17

se muestra la matriz de procesos y dimensiones.

Tabla 17

Matriz de procesos /dimensiones

Proceso
Dimensión Dimensión Dimensión Dimensión Dimensión
de
Clase Canal Maquina Producto Tiempo
Negocios

Es la
Es el tipo Es la
región a Es el Fecha de
Fabricación de cobre máquina
donde está tipo de fabricación
de cables sólido, donde se
destinada product del
eléctricos cableado. fabrica el
la o producto
flexible producto
producción

3.7.2. Hoja de gestión

 76

Tabla 18

Hoja de gestión

Hoja de Gestión

Proceso Reducir los indicadores de gestión

Objetivo Mejorar la toma de decisión de los indicadores

Indicador Medida Fórmula Valores

Productividad % de
Toneladas de cobre 60000
Suma total de CU
cobre utilizado
Suma pronosticada
utilizado
80000
Total, Scrap plástico
Cantidad de % de
Total, entrada de plástico
plástico plástico
utilizado utilizado

Total, Scrap Cu
Cantidad de 1500
Total, entrada de Cu
scrap 2500
generado % de
cobre
utilizado

3.7.3. Hoja de análisis

A continuación, en la Tabla 19 se muestra la hoja de análisis donde se

encuentran el proceso, análisis y medidas.

Tabla 19

Hoja de análisis

Hoja de análisis

Proceso Reducir los indicadores de gestión

 77

Kg de cobre por Utilizado

Kg de cobre registrado por Canal
Medidas Kg de cobre registrado por Clase
Kg de plástico utilizado
Porcentaje de scrap (plástico)

¿Qué? Clase Tipo de clase

¿Quién? Tipo de canal

Canal
¿Cómo?
Tipo Maquina
¿Dónde?
Maquina Tipo de producto

¿Cuándo? Tiempo Año

Las dimensiones y medidas se presentan en la Tabla 20 a continuación

Tabla 20

Dimensiones y medidas

Medidas Dimensiones

Clase Canal Maquina Producto Tiempo

Cantidad x x x x x

Cantidad
x x x x x
en metros
Total,
x x x x x
Cantidad
Total,
x x x x x
metros
Total,
x x x x x
Cobre

A continuación, se puede observar las dimensiones y niveles en la Tabla 21.

 78

Tabla 21

Tabla de dimensiones y niveles

Dimensiones Nivel 1 Nivel 2

Clase Clase Tipos de Clase

Canal Canal Tipos de Canal

Maquina Maquina Tipo de máquina

Cable Cable Tipo de cable

Tiempo Año Semestre

3.7.4. Granularidad
A continuación, en la Figura 15, se presenta el análisis de la dimensión final.
 79

Figura 15

Análisis dimensional final

3.7.5. Diseño dimensional lógico

El diseño dimensional lógico de producción se presenta en la Figura 16 a
continuación.
 80

Figura 16

Diseño dimensional lógico de producción

3.7.6. Diseño físico de las dimensiones.

A continuación, se muestra la Tabla 22 Dim_Clase.

 81

Tabla 22

Diseño físico: Dim_Clase

Columna Tipo de dato Llave primaria (Sí/No)

Cod_Clase Número entero Sí

nombre_Clase texto No

A continuación, se muestra la Tabla 23 Dim_Canal.

Tabla 23

Diseño Físico: Dim_Canal

Columna Tipo de dato Llave primaria (Sí/No)

Número
Cod_Canal Sí
entero

nombre_Canal texto No

A continuación, se muestra la Tabla 24 Dim_Máquina.

Tabla 24

Diseño Físico: Dim_Máquina

Columna Tipo de dato Llave primaria (Sí/No)

Cod_Màquina Número entero Sí

nombre_Màquina texto No

A continuación, se muestra la Tabla 25 Dim_Plástico.

 82

Tabla 25

Diseño Físico_Dim_Plástico

Columna Tipo de dato Llave primaria (Sí/No)

Cod_Plastico Número entero Sí

Nombre Plástico texto No

A continuación, se muestra la Tabla 26 Dim_Calendario.

Tabla 26

Diseño_Físico_Dim_Calendario

Columna Tipo de dato Llave primaria (Sí/No)

Fecha Fecha y hora Sí

Año Numero entero No

MesNom Texto No

Dia Numero entero No

Trimestre Texto No

Semestre Texto No

Semana Texto No

TrimestrNom Texto No

SemestreNom Texto No

Los hechos con las medidas a utilizar:

➢ Porcentaje total de cobre

%TOTAL_COBRE SUMX(TABLA_HECHO_PRODUCCION,

TABLA_HECHO_PRODUCCION[TOTALCOBRE])

➢ Porcentaje de avance
 83

%Avance = SUM(TABLA_HECHO_PRODUCCION[TOTALCOBRE]) /

➢ OBJETIVO POR MES

AVERAGE(TABLA_HECHO_PRODUCCION[OBJEMES])

OBJEMES = IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2019, 70000,

IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2020, 80000,

IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2021, 90000, 0)))

%SCRAP = (SUM(TABLA_HECHOS_PRODUCCION[SCRAP]) /

SUM(TABLA_HECHOS_PRODUCCION[INGRESO PLASTICO]))*100

A continuación, se muestra la tabla 27 Fact_Producción.

Tabla 27

Diseño Físico_Fact_Producción

Llave primaria
Columna Tipo de dato
(Sí/No)

Cod_Producto Número entero Sí

Cod_Clase Número entero si

Cod_Màquina Número entero si
Cod_Canal Número entero si
Cod_Compuesto Número entero Si
Tiempo Fecha si
Total_Producto Número Decimal
Total_Cobre Número Decimal

ObjMes Número entero

Fase III: Desarrollo

En la Figura 17 se muestra la conexión a Power BI

 84

Figura 17

Conexión a Power BI

A continuación, en la Figura 18 se muestra la conexión a la fuente de datos.

Figura 18

Conexión a la fuente de datos

En la Figura 19 se muestra la selección de la fuente de datos.

 85

Figura 19

Selección de la fuente de datos

Así mismo, en la Figura 20 se muestra el proceso de carga de datos.

Figura 20

Carga de la fuente de datos

A continuación, en la Figura 21 se muestra el proceso de carga de datos

 86

Figura 21

Limpieza de datos

A continuación, en la Figura 22 se muestra el proceso de transformación de

datos

Figura 22

Transformación de datos
 87

Fase IV: Producción.

En esta Fase ya se tiene conocimiento sobre lo negativo de los sistemas

transaccionales, y es necesario tener una herramienta de análisis según el

requerimiento del usuario final.

También se hace referencia que la herramienta permitirá la creación de

medidas que use jerarquías y niveles en sus reportes. como la solución para el

soporte del proceso de toma de decisiones.

Mostramos las medidas a utilizar:

➢ Porcentaje total de cobre

%TOTAL_COBRE

SUMX(TABLA_HECHO_PRODUCCION,TABLA_HECHO_PRODUCCION[TOTALC

OBRE])

➢ Porcentaje de avance

%Avance = SUM(TABLA_HECHO_PRODUCCION[TOTALCOBRE]) /

➢ OBJETIVO POR MES

AVERAGE(TABLA_HECHO_PRODUCCION[OBJEMES])

OBJEMES = IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2019, 70000,

IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2020, 80000,

IF( YEAR(TABLA_HECHO_PRODUCCION[TIEMPO]) = 2021, 90000, 0)))

%SCRAP = (SUM(TABLA_HECHOS_PRODUCCION[SCRAP]) /
 88

Fase V: Formación de usuarios.

En esta etapa se lleva a cabo la formalización de la herramienta de BI, lo que

resulta en resultados altamente efectivos que ayudan en el proceso de toma de

decisiones. Además, los usuarios reciben capacitación sobre la herramienta de

análisis para mejorar su capacidad de tomar decisiones informadas dentro de sus

respectivos dominios.

En la Figura 23 se muestra la construcción del dashboard.

3.7.7. Metodología aplicada

La metodología a emplear se basa en la elección del desarrollo del Modelo de

aplicación de Josep Curto, que consiste en realizar un previo análisis y

requerimientos, para luego poder realizar la modelización de la implementación de BI

de acuerdo a la información obtenida en la fase anterior, como tercera fase se

realizará el desarrollo del modelo propuesto, para luego llevarlo a producción para el

despliegue de la solución de BI, y por último se documentará toda la información para

el sustento del desarrollo del proyecto.

3.7.8. Análisis del proyecto

Análisis del proyecto descripción del proyecto.

El objetivo de este compromiso es ofrecer una resolución que ayude en la

toma de decisiones dentro de la sección de producción de ELCOPE. Esta resolución

dependerá de una evaluación exhaustiva de los datos actuales y anteriores que

residen en el archivo de datos de la empresa. El objetivo final es obtener

información útil relacionada con las medidas y dimensiones esenciales.

Al implementar una solución de inteligencia comercial en el departamento de

producción de ELCOPE, la gerencia tendrá los recursos para mejorar su proceso de

toma de decisiones. La solución también optimizará el cronograma de recopilación

 89

de datos, mejorando así la eficiencia de los informes. Como resultado, esta solución

producirá gráficos e informes completos, proporcionando la información necesaria

para el análisis y la toma de decisiones informados.

El objetivo de esta fase es ofrecer un resumen sucinto de las metas, alcance,

contribuyentes y provisiones requeridas para la implementación del proyecto.

3.7.9. Objetivos del proyecto

Con la incorporación del enfoque de Joseph Curto, ELCOPE se propone

ampliar su sistema de apoyo a la toma de decisiones en el sector productivo a través

de la creación de un Data mart. Se anticipa que este avance dará como resultado

prácticas de toma de decisiones más productivas y eficientes.

Con la integración de esta solución de inteligencia comercial, el proceso de

informes del sitio de producción será significativamente más eficiente. Actualmente,

varios obstáculos impiden la pronta recuperación de la información requerida para

esta tarea.

3.7.10. Objetivos específicos del proyecto

• Nuestro objetivo es disminuir el tiempo promedio que lleva implementar los

informes.

• Minimizar la duración de la transformación de datos es el objetivo principal.

• Una forma de mejorar la precisión de los datos es aumentando el porcentaje

de precisión.

• Una forma de mejorar la eficiencia es disminuir la cantidad de tiempo dedicado

a crear informes generados.

• Uno de los objetivos principales es mejorar el nivel de satisfacción de los

usuarios.

3.7.11. Alcance del proyecto

 90

El modelo de solución de inteligencia comercial abarca un examen de los datos

ingresados por usuarios externos. Estos datos se basan en medidas, dimensiones y

jerarquías que existen en varios niveles de análisis. Además, el departamento de

producción de ELCOPE S.A.C. será el área específica que recogerá las ventajas de

este modelo de solución.

3.7.12. Descripción de los Stakeholder

En la Tabla 28, podemos observar el desglose integral de las partes

interesadas, incluidos sus respectivos roles, posiciones y funciones.

Tabla 28

Descripción de los Stakeholder

Stakeholder Cargo Función

Proporcionar la información de la problemática

Roberto Salazar Gerente General
de la empresa ELCOPE SAC

Proporciona información con respecto del

Pablo Valdivia Jefe de Sistemas
tratado de datos.

Analiza información proveniente del área de

Jefe de
Oswaldo Ojeda sistemas para la toma de decisiones en forma
Operaciones
conjunta con la jefatura general.

3.7.13. Requisitos del proyecto

La Tabla 29 a continuación muestra el equipo, así como su cargo y función.

 91

Tabla 29

Equipo gestión del proyecto

Personas Cargo Función

Proporciona información con

Representante del
Oswaldo Ojeda respecto del tratado de
Negocio
datos.

Jefe del Proyecto Coordina y desarrolla la

Percy Castillo
Ejecutante del proyecto solución de BI.

3.7.14. Funciones específicas del equipo de trabajo

En la Tabla 30 se muestra la descripción del equipo, así como el rol y función.

Tabla 30

Equipo de tecnología de información del proyecto

Personas Rol Función

Gestionar el equipo
Coordinador Tecnológico tecnológico e identifica
Percy Castillo
requerimientos para el
desarrollo de BI.

3.7.15. Análisis de la Organización

Con más de 25 años de trayectoria en la industria, Electro Conductores

Peruanos (ELCOPE) es una prestigiosa empresa peruana especializada en la

producción y distribución de conductores eléctricos. A lo largo de los años, hemos

utilizado con éxito nuestra amplia experiencia para garantizar la confiabilidad, la

eficacia y la excelencia de nuestra amplia gama de ofertas. Nuestro compromiso con

la mejora continua nos permite permanecer a la vanguardia de los requisitos y

 92

aspiraciones de nuestros clientes, estableciéndonos como un socio confiable y

confiable.

Misión.

Nuestro principal objetivo es cumplir con los requisitos de nuestra clientela a

través del desarrollo, producción y promoción de cables de energía eléctrica y

sistemas de comunicación dentro de la industria. Al hacerlo, buscamos crear valor

adicional para nuestros clientes, accionistas y colaboradores. Además, nos

esforzamos por fomentar un ambiente de trabajo seguro que esté en línea con

nuestros principios éticos y promueva la mejora continua, la innovación y la adhesión

a los valores fundamentales, al mismo tiempo que mantenemos la armonía con el

medio ambiente.

Visión.

Nuestro objetivo es establecernos como los principales productores de cables

eléctricos y de comunicación en el mercado. Nuestro objetivo es ser reconocidos en

la industria energética por ofrecer soluciones que ofrecen un valor significativo y por

nuestro éxito en la expansión de las exportaciones a Estados Unidos. Además, nos

esforzamos por ser reconocidos como el estándar de calidad excepcional, innovación

y experiencia en nuestros productos, servicios y empleados. Además, estamos

comprometidos en lograr la rentabilidad necesaria para satisfacer a nuestros

accionistas.

3.7.16. Objetivos del negocio

La empresa aspira a posicionarse como líder en el mercado nacional en la

fabricación y comercialización de cables de energía.

• Estrategias del negocio. Desarrollar nuevas estrategias referente al

proceso de gestión en la toma de decisiones que generen expectativas y

 93

beneficios en los usuarios además se debe de realizar capacitaciones para

todo el personal que esté involucrado y que desempeñen un cargo dentro

de la empresa y que vinculado en la toma de decisión.

• Oportunidad de negocio. Es el de mantener el liderazgo de la empresa

ELCOPE SAC incrementando el nivel de gestión de la producción de

productos eléctricos.

• Restricciones. Se considera tomar como datos de referencia los análisis

de registro de producción elaborados por los usuarios que tienen relación

con el presente proyecto los que corresponden al año 2019 hasta el año

2021.

3.7.17. Organigrama de la empresa ELCOPE S.A.C.

La representación de la estructura organizacional y todos los departamentos

involucrados en el procedimiento completo se puede observar en la Figura 24 como

se presenta a continuación.
 94

Figura 23

Organigrama de la empresa ELCOPE

PRESIDENTE DEL
DIRECTORIO

ASISTENTE
ADMINISTRATIVO GERENTE GENERAL
ASISTENTE DE
GERENCIA
AUXILIAR
ADMINISTRATIVO GERENTE GENERAL
FACTURACIÓN ADJUNTO

SOPORTE TÉCNICO

ASESORÍA LEGAL
ASISTENTE SIG COORDINADOR SIG

GERENTE GERENTE DE JEFE DE COLADA JEFE DE CONTROL CONTADOR

COMERCIAL OPERACIONES CONTINUA DE CALIDAD GENERAL

JEFE DE
JEFE DE PLANTA OPERADOR DE ASISTENTE DE ANALISTA
MARKETING
COLADA CONTINUA CONTROL DE CALIDAD CONTABLE
COORDINADOR DE
MARKETING AYUDANTE DE RECUPERADOR DE ASISTENTE CONTABLE
JEFE DE
COLADA CONTINUA COBRE DE PLANILLAS
MANTENIMIENTO

SEGURIDAD
ASISTENTE CONTABLE
COORDINADOR DE MATRICERO
TÉCNICOS DE BANCOS
INTELIGENCIA
COMERCIAL
ASISTENTE
COORDINADOR DE CONTABLE
VENTAS

JEFE DE TREFILA JEFE DE CORTE Y JEFE DE ALMACÉN Y COBRANZA LIMA Y

JEFE DE EXTRUSIÓN
CABLEADO EMPAQUE DESPACHO PROVINCIAS

ASISTENTE DE
COBRANZAS
JEFE DE VENTAS JEFE DE VENTAS COORDINADOR DE COORDINADOR DE OPERARIO DE ASISTENTE DE
TREFILADOR EXTRUSORISTA ALMACÉN Y DESPACHO
LIMA PROVINCIAS CANAL MODERNO LICITACIONES CORTE Y EMPAQUE

ASESOR ASESOR COMERCIAL AYUDANTE DE AYUDANTE DE

PROVINCIA
PROMOTOR CHOFER
COMERCIAL LIMA TREFILA EXTRUSIÓN

ALMACÉN DE REPUESTOS BINADOR / AYUDANTE DE

Y ACCESORIOS BUNCHADOR DESPACHO

OPERARIO DE
CABLEADOR
LIMPIEZA

A continuación, en la figura 24 se muestra todo el cronograma de actividades

del presente proyecto.

 3.6.18. Cronograma de actividades

Figura 24

Cronograma de actividades

13/01/2020

19/01/2020

25/01/2020

31/01/2020

12/02/2020

18/02/2020

24/02/2020

13/03/2020

19/03/2020

25/03/2020

31/03/2020

12/04/2020

18/04/2020

24/04/2020

30/04/2020

12/05/2020

18/05/2020

24/05/2020

30/05/2020

11/06/2020

17/06/2020

23/06/2020

29/06/2020

11/07/2020

17/07/2020
1/01/2020

7/01/2020

6/02/2020

1/03/2020

7/03/2020

6/04/2020

6/05/2020

5/06/2020

5/07/2020
Nombre de tarea Duraciòn Comienzo Fin

DESARROLLO DE UN DATAMART BASADA EN LA METODOLOGÌA

DE JOSEP CURTO PARA MEJORAR EL PROCESO DE SOPORTE DE 141 dias 1/01/2020 15/07/2020
TOMA DE DECISIONES EN EL ÀREA DE PRODUCCIÒN EN LA
EMPRESA ELCOPE S.A.C
Anàlisis y Requerimiento 29 dias
Requerimientos 13 dias 1/01/2020 14/01/2020
Analisis de Fuente 8 dias 14/01/2020 22/01/2020
Mapa de Fuentes 8 dias 22/01/2020 30/01/2020
Modelización 27 dias
Modelización 4 dias 1/02/2020 5/02/2020
Dimensiones 4 dias 5/02/2020 9/02/2020
Tabla de Hecho 7 dias 9/02/2020 16/02/2020
Nomenclatura 2 dias 16/02/2020 18/02/2020
Modelo de Datos 10 dias 18/02/2020 28/02/2020
Desarrollo 31 dias
Testing 20 dias 1/03/2020 21/03/2020
Preceso ETL 17 dias 21/03/2020 7/04/2020
Analisis OLAP 27 dias 7/04/2020 4/05/2020
Informes 27 dias 4/05/2020 31/05/2020
Producción 29 dias
Customatización de la soluciòn 13 dias 1/06/2020 14/06/2020
Parametrizado 6 dias 14/06/2020 20/06/2020
Despliegue / Solución 10 dias 20/06/2020 30/06/2020
Formación y Documentación 14 dias
Documentación / Usuarios 6 dias 1/07/2020 7/07/2020
Formación / Usuarios 3 dias 7/07/2020 10/07/2020
Cierre del Proyecto 5 dias 10/07/2020 15/07/2020
 96

Figura 25

Proceso de toma de decisiones. Producción – ELCOPE (TO-BE)

 CAPÍTULO IV

ANÁLISIS E INTERPRETACIÓN DE DATOS

 98

4.1. Análisis de la fiabilidad de las variables

En esta etapa de desarrollo, que hace en el área de producción de la empresa

para atender los requerimientos obtenidos se utilizará la herramienta Power BI que

además de no incurrir en costos de uso, facilita la integración y análisis de los datos

para las medidas y dimensiones propuestas para brindar información relevante sobre

la información que permite realizar ciertos indicadores de decisiones pertinentes.

4.1.1. Estudio de viabilidad y estimación del proyecto

Según Cattaneo (2012) afirma que la explotación de información es la

continuidad de las ciencias informáticas que contribuyen sustanciales aportes a la

inteligencia del negocio que añaden herramientas para analizar y extraer

conocimientos de los repositorios de datos.

4.1.2. Fundamentación e importancia

a) Relevancia científica.

El proyecto pretende potenciar el campo de la Ingeniería de Explotación de la

Información fomentando el avance y verificación de los procedimientos preliminares,

junto con sus correspondientes metodologías, técnicas e instrumentos, favoreciendo

así la mejora integral.

b) Relevancia social.

El enfoque previsto del proyecto permite la aplicación de sus hallazgos a la

industria y los servicios de inteligencia comercial. Estos servicios tienen como

objetivo proporcionar información valiosa que ayude a los procesos de toma de

decisiones en todas las etapas de la gestión. Esta información es crucial para tomar

decisiones informadas en cualquier industria.

4.1.3. Condiciones para considerar

 99

A partir de la investigación bibliográfica realizada, se identifican conceptos de

interés para analizar la factibilidad del proyecto.

a) Condiciones que determinan la plausibilidad del proyecto.

Incluyen funcionalidades que posibilitan la ejecución de proyectos de

desarrollo de información. Se puede emprender un proyecto de desarrollo de

información si: el repositorio disponible tiene datos actuales y representativos para el

problema de negocio a resolver; el problema de negocio a resolver se entiende

claramente; y hay personas en el equipo de trabajo que tienen conocimiento de la

utilización de la información rara.

b) Condiciones que determinan la adecuación del proyecto.

Incluyen funciones que determinan qué uso de la información es apropiado

para el problema comercial detectado.

En la Figura 26 se muestra la construcción del dashboard.

.
Figura 26

Construcción de dashboard

4.2. Resultados descriptivos de las dimensiones con la variable.

a) Indicador: Tiempo Promedio en Implementar Reportes: KPI 1

 100

A continuación, en la tabla 31 se muestra los resultados obtenidos en el primer

indicador tiempo promedio en implementar reportes, se tomó 30 pruebas en forma

aleatoria para obtener un tiempo promedio general.

Tabla 31

Resultado de la pre-prueba y post-prueba para el KPI1

Pre-Prueba Post-Prueba
(min) (min)

1800 20 20 20

1860 19 19 19
1920 19 19 19
1800 19 19 19
1680 20 20 20
1740 20 20 20
1800 19 19 19
1800 20 20 20
1740 19 19 19
1620 21 21 21
1560 20 20 20
1740 20 20 20
1800 21 21 21
1800 20 20 20
1800 19 19 19
1800 20 20 20
1740 19 19 19
1920 18 18 18
1860 20 20 20
1860 21 21 21
1980 18 18 18
1800 19 19 19
1800 19 19 19
1740 20 20 20
1500 19 19 19
 101

1920 20 20 20
2100 19 19 19
1800 20 20 20
1860 19 19 19

1980 20 20 20

Promedio 1804 19.56

Meta Planteada 60

% menor a Promedio 46% 100% 100%

Menos de la mitad, concretamente el 46%, del tiempo destinado a la ejecución

de informes durante el Post-Test estuvo por debajo de la duración media.

Todos los casos en los que se utilizaron los informes en la prueba posterior

dieron como resultado una tasa de finalización por debajo del objetivo establecido.

En todos los casos en que se utilizaron informes durante la prueba posterior,

la cantidad de tiempo que tomó fue consistentemente menor que el tiempo promedio

registrado durante la prueba previa.

Avanzando, la Figura 27 muestra los resultados del Post-test en relación al

tiempo dedicado a la ejecución de informes que engloban estadísticas descriptivas.

 102

Figura 27

Post-prueba para tiempo empleado para la implementación de reportes

La desviación media del tiempo medio que se tarda en implementar los

informes es de aproximadamente 0,77 minutos.

En la mayoría de los casos, aproximadamente en el 95% para ser precisos, el

tiempo de ejecución de los informes se encuentra dentro de un rango de 2

desviaciones estándar del promedio. En otras palabras, suele estar entre 19,27 y

19,86 minutos.

El valor de la curtosis es -0,21, lo que indica una distribución negativa. Esto

significa que los datos tienen menos picos, lo que sugiere una menor concentración

de puntos de datos alrededor de la media.

El primer cuartil (Q1), que equivale a 19 minutos, significa que el 25% de los

tiempos utilizados en la ejecución del informe son inferiores o iguales a esta duración

particular.

El tercer cuartil (Q3) se calcula en 20 minutos, lo que significa que el 75 % de

los tiempos utilizados en la implementación del informe son inferiores o iguales a esta

duración específica.
 103

b) Indicador: Tiempo Promedio en Extraer la Data: KPI 2

A continuación, en la Tabla 32 se muestra los resultados obtenidos en el

segundo indicador “tiempo promedio en extraer la Data” se tomó 30 pruebas en forma

aleatoria para obtener un tiempo promedio general.

Tabla 32

Resultados pre-prueba y post-prueba - KPI2

Pre-Prueba-
Post-Prueba (minutos)
(minutos)

240 30 30 30

260 33 33 33
250 31 31 31
240 35 35 35
220 34 34 34
265 34 34 34
265 26 26 26

265 33 33 33

256 33 33 33
275 36 36 36
265 38 38 38
260 34 34 34
262 39 39 39
261 32 32 32
259 35 35 35
265 23 23 23
261 29 29 29
263 32 32 32
265 34 34 34
261 30 30 30
262 35 35 35
265 25 25 25
260 32 32 32
244 28 28 28
 104

250 35 35 35
257 38 38 38
244 34 34 34
230 35 35 35
256 33 33 33
251 32 32 32

Promedio 255.9 min 32.6 min

Meta Planteada 45 min

% menor a Promedio 43% 40% 100

Menos de su tiempo promedio, el 43% de las instancias emplearon para extraer

los datos durante la prueba posterior.

Cada instancia en la que se extrajeron datos en la prueba posterior resultó en

un tiempo que estuvo por debajo de la meta predeterminada.

En todos los casos, el tiempo requerido para extraer los datos durante la

prueba posterior fue menor que el tiempo promedio registrado en la prueba previa.

Esto ocurrió el 100% del tiempo.

Con estadistica descriptiva.

A continuación, se muestra en la Figura 28 el resumen de post-prueba para el

tiempo empleado para extraer la data.

 105

Figura 28

Resumen de post-prueba para el tiempo empleado para extraer la data

La desviación media de los datos de tiempos registrados individuales del

promedio es de aproximadamente 32,6 minutos.

Aproximadamente el 95% de los casos en los que se recopilan datos se

encuentran dentro del rango de 2 desviaciones estándar del promedio. Este rango

abarca de 31,22 a 33,97 minutos.

Un valor de curtosis de 0,81 significa una mayor agrupación de puntos de datos

alrededor de la media.

Según el 1er Cuartil (Q1) de 30,75 minutos, se puede inferir que el 25% de las

instancias donde se realizó la extracción de datos tomó menos o igual a esta duración

específica.

Con un período de tiempo de 35 minutos, el tercer cuartil (Q3) significa que el

75 % de las instancias en las que se recopilan datos están por debajo o igual a este

umbral.

c) Indicador: Porcentaje de Exactitud de la Información: KPI 3

 106

A continuación, se muestra en la Tabla 33 los resultados obtenidos en el tercer

indicador “porcentaje de exactitud de la información” se tomó 30 pruebas en forma

aleatoria para obtener un tiempo promedio general.

Tabla 33

Resultados pre-prueba y post-prueba - KPI3

Pre-Prueba Post-Prueba

44.44 84.10 84.10 84.10

50.00 83.91 83.91 83.91

54.55 85.71 85.71 85.71
42.86 80.78 80.78 80.78
55.56 83.80 83.80 83.80
33.33 81.20 81.20 81.20
37.50 81.00 81.00 81.00
66.67 88.50 88.50 88.50
50.00 81.40 81.40 81.40
44.44 82.80 82.80 82.80
50.00 82.31 82.31 82.31
53.85 87.00 87.00 87.00
66.67 81.89 81.89 81.89
33.33 85.71 85.71 85.71
57.14 80.00 80.00 80.00
60.00 80.06 80.06 80.06
60.00 87.31 87.31 87.31
44.44 80.31 80.31 80.31
44.44 84.62 84.62 84.62
44.44 88.04 88.04 88.04
33.33 88.89 88.89 88.89
50.00 80.71 80.71 80.71
55.56 86.31 86.31 86.31
46.15 83.86 83.86 83.86
44.44 80.09 80.09 80.09
44.44 85.71 85.71 85.71
 107

46.67 80.67 80.67 80.67

47.06 81.00 81.00 81.00
42.86 87.32 87.32 87.32
44.44 84.62 84.62 84.62
Promedio 48.29 84
Meta Planteada 80%
% mayor a Promedio 43 100 100

El porcentaje medio de Precisión de la Información Post Test fue superado en

un 43% de los porcentajes registrados.

En todos los casos examinados durante la prueba posterior, la precisión de la

información superó el objetivo previsto.

Todos los porcentajes que indican la precisión de los datos en el PostTest

fueron más altos que el porcentaje promedio en el PreTest.

➢ A continuación, se muestra en la Figura 29 el resultado pos-prueba del

porcentaje de exactitud de la información con estadistica descriptiva.

Figura 29

Post-prueba para tiempo empleado para la implementación de reportes

El valor medio de los porcentajes de Exactitud de la información está rodeado

de observaciones individuales que se desvían en una distancia media del 2,86 %.

 108

La gran mayoría, aproximadamente el 95%, de las tasas de precisión de la

información se encuentran dentro de un rango de dos desviaciones estándar del

promedio. Concretamente, este rango va desde el 82,58 % hasta el 84,71 %.

El valor de la curtosis se calcula en -1,24 %, lo que indica una distribución con

asimetría negativa. Esto significa que los datos están menos concentrados alrededor

de la media y exhiben una forma menos puntiaguda.

El valor del 1er Cuartil (Q1) es 80,94%, lo que significa que el 25% de los

porcentajes que representan la Precisión de la Información son iguales o inferiores a

esta cifra.

El valor conocido como 3er Cuartil (Q3) equivale a 85,86%. Este valor significa

que el 75 % de los porcentajes que representan la precisión de la información son

inferiores o iguales a este valor específico.

d) Indicador: Tiempo promedio en generar reportes: KPI 4

A continuación, se muestra en la Tabla 34 los resultados obtenidos en el cuarto

indicador “tiempo promedio en generar reportes” se tomó 30 pruebas en forma

aleatoria para obtener un tiempo promedio general.

Tabla 34

Resultado de pre-prueba y post-prueba – KPI4

Pre-
Post-Prueba
Prueba
26 4 4 4
29 5 5 5
30 6 6 6
30 7 7 7
30 6 6 6
30 4 4 4
29 3 3 3
32 4 4 4
 109

31 4 4 4
27 5 5 5
26 6 6 6
25 5 5 5
32 4 4 4
35 6 6 6
30 5 5 5
31 4 4 4
33 4 4 4
32 5 5 5
32 6 6 6
30 5 5 5
28 4 4 4
29 5 5 5
30 6 6 6
30 4 4 4
29 5 5 5
27 6 6 6
32 4 4 4
30 5 5 5
28 4 4 4
29 6 6 6
Promedio 29.73 5
Meta Planteada 10
% menor a Promedio 40 100 100

Menos de la mitad del tiempo dedicado a generar informes en el post-test

estuvo por debajo de la duración promedio.

Todos los casos en los que se generaron informes después de que se completó

la prueba dieron como resultado un porcentaje que no alcanzó el objetivo

predeterminado.

A continuación, se muestra en la Figura 30 el resultado pos-prueba del

porcentaje de exactitud de la informació[Link] estadistica descriptiva.

 110

Figura 30

Pos-prueba para el tiempo empleado en la generación de reportes

La desviación media de las observaciones individuales de los Tiempos

utilizados para generar informes del promedio es de 0,95 minutos.

Aproximadamente el 95 % de las instancias en las que se generan informes se

encuentran dentro del rango de 4,54 a 5,25 minutos, que está dentro de 2

desviaciones estándar del tiempo promedio.

El valor de curtosis se calcula en -0,76. Este valor negativo indica una

distribución con menos picos, lo que sugiere una menor concentración de datos

alrededor de la media.

Según los datos, el primer cuartil (Q1) es de 4 minutos, lo que sugiere que el

25 % del tiempo total necesario para generar informes se encuentra en este valor o

por debajo de este.

El valor del 3er Cuartil (Q3) es 6 minutos, lo que significa que el 75% del tiempo

dedicado a generar informes es menor o igual a esta duración.

e) Indicador: Nivel de Satisfacción del Usuario: KPI5

A continuación, en la Tabla 35 se parecía los valores de la Pre-prueba

 111

Tabla 35

Resumen de valoración pre-prueba

Estado Frecuencia

Bueno 2

Regular 11

Bajo 17

A continuación, se muestra en la Figura 31 los resultados obtenidos en el quinto

indicador nivel de satisfacción del usuario, se tomó 30 pruebas en forma aleatoria

para obtener un tiempo promedio general.

Figura 31

Nivel de satisfacción del usuario en la pre-prueba

El usuario calificó su nivel de satisfacción como bajo en el 56,7% de los casos.

El usuario clasificó su nivel de satisfacción como regular el 36,7% de las veces.

El usuario calificó su nivel de satisfacción como bueno en el 6,7% de los casos.

El análisis de los datos indica que los niveles bajos de satisfacción prevalecen

en aproximadamente el 93,4% de los casos.

 112

A continuación, mostramos en la Tabla 36 los resultados obtenidos en el quinto

indicador nivel de satisfacción del usuario, se tomó 30 pruebas en forma aleatoria

para obtener un tiempo promedio general valores de la Pos-prueba.

Tabla 36

Resumen de satisfacción del usuario pos-prueba

Estado Frecuencia
Bueno 27
Regular 3
Bajo 0

A continuación, se muestra en la Figura 32 se muestra los resultados obtenidos

en el quinto indicador nivel de satisfacción del usuario, se tomó 30 pruebas en forma

aleatoria para obtener un tiempo promedio general valores de la Pos-prueba.

Figura 32

Nivel de satisfacción del usuario en la posprueba

 113

El usuario clasificó el nivel de satisfacción como regular solo el 10% de las

veces.

En la mayoría de los casos, los usuarios expresaron un nivel de satisfacción

positivo, que fue calificado como bueno aproximadamente el 90% de las veces.

Después de una extensa investigación, se ha llegado a la conclusión de que el

usuario experimenta un alto nivel de satisfacción aproximadamente el 90% del tiempo.

Después de un examen cuidadoso, se ha establecido que solo el 10% de los

usuarios expresan su descontento con el estado actual de las cosas.

4.3. Contrastación de hipótesis

Los KPIS del Pretest y Post-test se muestra en la Tabla 37, ilustrando los

valores promedio.

Tabla 37

Resumen de indicadores

Indicador
Pre-prueba Post-prueba
Media:X1 Media:X2

Tiempo promedio empleado en la

1804 minutos 19.56 min.
Implementación de Reportes.

Tiempo promedio para la

255 min 32 min.
Trasformación de la data.

Porcentaje de Exactitud de la
43.29% 84%
información.

Tiempo promedio empleado en la

29.73 min 4.9 min.
Generación de Reportes

Nivel de Satisfacción del usuario. --------- ------

 114

4.3.1. Contrastación para el tiempo empleado en la implementación de

reportes

La evaluación del impacto de la solución de inteligencia de negocios en el

tiempo necesario para la toma de decisiones en la ejecución de prueba es de suma

importancia. Esta evaluación debe abarcar las mediciones realizadas tanto antes de

la creación de la solución de BI (Pre-Test) como posteriores a su integración (Post-

Test).

Los tiempos de generación de informes para las dos muestras previas a la

prueba se muestra en la Tabla 38.

Tabla 38

Valores pre-prueba

Pre-prueba
1800
1860
1920
1800
1680
1740
1800
1800
1740
1620
1560
1740
1800
1800
1800
1800
1740
1920
1860
1860
1980
1800
1800
 115

1740
1500
1920
2100
1800
1860
1980

A continuación, se muestra la Tabla 39 a los intervalos de tiempo empleados

en la generación del informe para las dos muestras después de la prueba.

Tabla 39

Valores post-prueba

Post-prueba

20
19
19
19
20
20
19
20
19
21
20
20
21
20
19
20
19
18
20
21
18
19
19
20
19
20
19
 116

20
19
20

Hi: La implementación de una solución de inteligencia de negocios reduce el

tiempo dedicado a la elaboración de informes (Post-Prueba) en comparación con el

grupo al que no se le aplicó (Pre-Prueba).

a) Planteamiento de la hipótesis

➢ µ1 = Media del tiempo empleado en la implementación de reportes en

la Pre- Prueba.

➢ µ2 = Media del tiempo empleado en la implementación de reportes en

la Post-Prueba.

H0: µ1 < µ2

Ha: µ1 > µ2

La distribución del KPI 1 se ilustra en la Figura 33 y muestra las probabilidades

asociadas.
Figura 33

Distribución de probabilidad del KPI1

 117

Cálculo: Prueba t para prueba de las dos muestras.

En la Figura 34 muestra el Ingreso de datos para realizar la prueba de t de dos

muestras del KPI 1.

Figura 34

Ingreso de datos para realizar la prueba de t de dos muestras del KPI 1

A continuación, en la Tabla 40 se muestra resumen de prueba de t de Student

del KPI 1.

Tabla 40

Resumen de prueba de t de Student del KPI 1

Pre-Prueba Post-Prueba

Media (x) 1800 19.5

Desviación Estándar (S) 121 0.77

Observaciones 30 30
Diferencia hipotética de las medias 0
calculado: 80.8
p-valor 0

Valor crítico de t 1.672

a) Decisión estadística.
 118

Dado que el valor de p es inferior al nivel de significación de 0,05,

específicamente con el valor de p de 0 y α de 0,05, los resultados presentan evidencia

sustancial para descartar la hipótesis nula (Ho) y adoptar la hipótesis alternativa (Ha)

como válido. En consecuencia, la prueba produjo un resultado estadísticamente

significativo.

4.3.2. Contrastación para tiempo empleado en la extracción de la data

La evaluación del impacto en el tiempo de extracción de datos durante el

proceso de toma de decisiones dentro de la muestra es un factor crítico para evaluar

el desarrollo de soluciones de inteligencia de negocios. El impacto se medirá a través

de evaluaciones previas y posteriores a la prueba, realizadas antes y después de la

implementación de la solución de BI, respectivamente, para determinar el alcance del

efecto.

En la Tabla 41, se encuentran registrados los tiempos en los que se han

extraído los datos de dos muestras diferentes.

Tabla 41

Valores pre-prueba y pos-prueba

Pre-prueba Post-prueba
240 30
260 33
250 31
240 35
220 34
265 34
265 26
265 33
256 33
275 36
265 38
260 34
262 39
261 32
 119

259 35
265 23
261 29
263 32
265 34
261 30
262 35
265 25
260 32
244 28
250 35
257 38
244 34
230 35
256 33
251 32

a) Planteamiento de la hipótesis.

µ1 = se refiere a la duración promedio de la extracción de datos durante la

prueba previa.

µ2 = se refiere a la duración promedio de la extracción de datos durante la

prueba posterior. H0: µ1 < µ2

Ha: µ1 > µ2

En la Figura 35 se muestra la distribución de probabilidades del KPI 2.

Figura 35

Distribución de probabilidad del KPI 2

 120

En la Figura 36 se aprecia el cálculo de la prueba t para prueba de las dos

muestras.

Figura 36

Ingreso de datos para la prueba de t de dos muestras del KPI 2

A continuación, en la Tabla 42 se aprecia el resumen de prueba de t de Student

del KPI 2.

Tabla 42

Resumen de prueba de t de Student del KPI 2

Pre-Prueba Post-Prueba

Media (x) 255.9 32.6

Desviación Estándar (S) 11.8 3.69

Observaciones 30 30

Diferencia hipotética de las medias 223.30

calculado: tc 98.78

p-valor 0.000

Valor crítico de t 1.672

b) Decisión estadística.
 121

La hipótesis nula (Ho) es refutada mientras que la hipótesis alternativa (Ha) es

validada con certeza debido a que el valor p (0) es inferior al nivel de significación

(0,05). La evidencia recopilada de los resultados de las pruebas es definitiva y no deja

lugar a dudas o ambigüedades.

4.3.3. Contrastación para el indicador porcentaje de exactitud de la información

Es crucial verificar el impacto que provoca la implementación de la solución de

inteligencia empresarial en la exactitud de los datos utilizados en el proceso de tomar

decisiones. Este proceso de validación se lleva a cabo mediante la realización de una

medición previa y posterior a la implementación. Los periodos de extracción de datos

para ambas muestras se detallan en la Tabla 43.

Tabla 43

Valores pre-prueba y pos-prueba

Pre-prueba Post-prueba
44 84
50 83
54 85
42 80
55 83
33 81
37 81
66 88
50 81
44 82
50 82
53 87
66 81
33 85
57 80
60 80
60 87
44 80
44 84
44 88
33 88
50 80
 122

55 86
46 83
44 80
44 85
46 80
47 81
42 87
44 84

a) Planteamiento de la hipótesis.

µ1 = tiempo promedio empleado en el Pre-Test en relación al porcentaje de

precisión de la información.

µ2 = tiempo promedio empleado en el Post-Test en relación al porcentaje

de precisión de la información

H0: µ1 < µ2

Ha: µ1 > µ2

En la Figura 37 muestra la distribución de probabilidades del KPI 3.

Figura 37

Distribución de probabilidad del KPI 3

c) Cálculo: Prueba t para prueba de las dos muestras

 123

En la Figura 38 se muestra el ingreso de datos para realizar la prueba de t de

dos muestras del KPI 3

Figura 38

Ingreso de datos para realizar la prueba de t de dos muestras del KPI 3

A continuación, en la Tabla 44 se aprecia el resumen de prueba de t de Student

del KPI 3.

Tabla 44

Resumen de prueba de t de Student del KPI 3

Pre-prueba Post-prueba

Media (x) 44.29 100

Desviación Estándar (S) 8.69 2.86
Observaciones 30 30
Diferencia hipotética de las medias 0
calculado: tc -21.18

p-valor 0.000

Valor crítico de t 1.67

d) Decisión estadística.

Dado que el valor p es igual a cero, lo cual es inferior al nivel de significancia

de 0,05, los hallazgos proporcionan una sólida evidencia que permite descartar la
 124

hipótesis nula (Ho) y validar la hipótesis alternativa (Ha). Por lo tanto, el resultado de

la prueba es considerado altamente significativo desde un punto de vista estadístico.

4.3.4. Contrastación para el indicador tiempo empleado en generar reportes

Para evaluar la influencia de la solución de inteligencia empresarial en la

creación de informes de toma de decisiones dentro de la muestra, es necesario un

proceso de validación. Este proceso implica examinar el estado de cosas antes de la

creación de la solución de BI (Pre-Test) y, posteriormente, examinar la situación

después de la introducción de la solución de BI (Post-Test).

La Tabla 45 contiene los tiempos utilizados para generar el informe para las

dos muestras.

Tabla 45

Valores pre-prueba y post-prueba

Pre 44 50 54 42 55 33 37 66 50 44 50 53 66 33 57
Prueba
60 60 44 44 44 33 50 55 46 44 44 46 47 42 44

84 83 85 80 83 81 81 88 81 82 82 87 81 85 80
Post
Prueba
80 87 80 84 88 88 80 86 83 80 85 80 81 87 84

a) Planteamiento de la hipótesis.

µ1 = duración promedio del tiempo dedicado a la producción de

informes durante la evaluación inicial.

µ2 = duración promedio dedicado a generar informes durante la fase

posterior a la prueba.

En la Figura 39 muestra la distribución de probabilidades del KPI 4.

 125

Figura 39

Distribución de probabilidad del KPI 4

Cálculo: Prueba t para prueba de las dos muestras

En la Figura 40 se muestra el de datos para realizar la prueba de t de dos

muestras del KPI 4

Figura 40

Ingreso de datos para realizar la prueba de t de dos muestras del KPI 4

A continuación, en la Tabla 46 se aprecia el resumen de prueba de t de Student

del KPI 4.
 126

Tabla 46

Resumen de prueba de t de Student del KPI 4

Pre-Prueba Post-Prueba
Media (x) 29.73 4.90
Desviación Estándar (S) 2.21 0.96
Observaciones 30 30

Diferencia hipotética de las medias 0

calculado: tc 56.42
p-valor 0.000
Valor crítico de t 1.67

b) Decisión estadística.

El valor p obtenido de 0,001 que es menor que el umbral de significación

estándar de 0,05, proporciona una fuerte evidencia para rechazar la hipótesis nula

(Ho) y reconocer la hipótesis alternativa (Ha) como válida. Como resultado, la prueba

realizada ha generado resultados estadísticamente significativos.

En la Tabla 47 se aprecia los resultados de la encuesta del instrumento de

recolección.

Tabla 47

Valores de los resultados del instrumento de recolección

Encuestados 1 2 3 4
Item1 2 2 2 1
Item2 2 2 2 3
Item3 2 2 3 3
Item4 1 1 1 2
Item5 2 2 2 3
Item6 2 2 2 1
Item7 2 2 2
Item8 2 2 3 2
Item9 1 2 2 3
Item10 1 2 2 3
 127

Item11 2 2 2 3
Item12 2 2 2 2
Item13 1 2 2 2
Item14 1 2 1 2
Item15 2 2 2 2
Item16 2 2 2 3

4.3.5. Analisis e Interpretación de los resultados

[Link]. Confiabilidad del instrumento.

Para validar la confiabilidad del instrumento se utilizó el coeficiente de Alpha

de Cronbach, Estos coeficientes comprenden entre el valor de 0 y el valor de 1, es

decir cuando se acerca al 0 significa confiabilidad nula y si está más cerca al 1 es

considerada confiabilidad muy alta.

El Alfa de Cronbach determina la confiabilidad del instrumento, y esta

información se muestra en la Tabla 43.

Tabla 48

Confiabilidad del instrumento de investigación

Media de la Varianza de la Alfa de

Correlación total
escala si el escala si el Cronbach si el
de elementos
elemento se elemento se ha elemento se ha
corregida
ha suprimido suprimido suprimido
Ítem 1 28.00 7.00 .000 .765
Ítem 2 28.00 5.33 .000 .737
Ítem 3 27.66 7.00 .765
Ítem 4 29.00 7.00 .5000 .765
Ítem 5 28.00 7.00 .000 .765
Ítem 6 28.00 7.00 .000 .765
Ítem 7 28.00 7.00 .000 .765
Ítem 8 27.00 5.33 .500 .737
Ítem 9 28.00 4.33 .971 .659
Ítem 10 28.00 4.33 .971 .659
 128

Ítem 11 28.00 7.00 .000 .765

Ítem 12 28.00 7.00 .000 .765
Ítem 13 28.00 4.33 .971 .659
Ítem 14 28.00 6.33 .115 .765
Ítem 15 28.00 7.00 .000 .765
Ítem 16 28.00 7.00 .000 .765

[Link]. Análisis del proyecto.

a) Análisis y requerimientos.

• Descripción del proyecto.

• Objetivos del proyecto.

• Alcance del proyecto.

• Stakeholder.

• Requisitos del proyecto.

• Plan de proyecto.

b) Requerimientos del negocio.

• Análisis de la organización visión/misión.

• Objetivos del negocio.

• Estrategias del negocio.

• Indicadores / dimensiones.

• Documentación de los requerimientos.

• Medidas y metas del negocio.

c) Modelización.

Modelado dimensional.

• Matriz de procesos y dimensiones.

• Dimensiones niveles
 129

• Hoja de análisis.

• Dimensiones y medidas.

• Hoja de gestión.

• Tablas de dimensiones.

• Granularidad.

• Diseño dimensional lógico.

• Diseño modelo físico.

• Tabla de hechos.

d) Diseño de la arquitectura.

• Arquitectura.

• Evaluación de los productos.

• Herramientas seleccionadas.

e) Desarrollo.

• Proceso ETL. Extracción –Transformación – Carga

• Análisis del Data Mart. Lista de reportes, elaboración de reportes.

• Pruebas. Funcionamiento, verificación y despliegue de la aplicación.

• Resultados Específicos. Medidas los tiempos tanto de la Pre-Prueba como

de la Post-Prueba.

La implementación de la solución de inteligencia empresarial se puede ver

en los resultados promedio que se muestran en la Tabla 49. La tabla indica

los resultados antes y después de la implementación de la solución.

 130

Tabla 49

Resultados específicos

Indicador
Pre-Prueba Post-Prueba
Comentarios
Media:X1 Media:X2

Tiempo promedio
empleado en la
1800 19 segundos -----
Implementación de
Reportes.

Tiempo promedio
empleado en la extracción 240 32 minutos -----
de la data.

Porcentaje de Exactitud
50% 100% -----
de la información.

Tiempo promedio
empleado en la 30 min 5 seg. -----
Generación de Reportes

No contrastado
Nivel de Satisfacción del
------ Indicador
usuario.
Cualitativo

Los resultados del Pre prueba y Post prueba de los Kpi se presentan en la

Tabla 50.
 131

Tabla 50

Resultados de la pre-prueba y post-prueba de los KPI

Tiempo en la Porcentaje de Tiempo empleado en

KPI Tiempo en la Nivel de satisfacción
implementación de exactitud de la la generación de
extracción de la data del usuario
reportes información reportes

Ítem Pre- Post Pre- Post Pre- Post Pre- Post Post
Pre-Prueba
Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba
1 1800 20 240 30 44 84 26 4 Regular Bueno
2 1860 19 260 33 50 83 29 5 Bajo Bueno
3 1920 21 250 31 54 85 30 6 Bajo Bueno
4 1800 18 240 35 42 80 30 7 Bajo Bueno
5 1680 20 220 34 55 83 30 6 Regular Regular
6 1740 20 265 34 33 81 30 4 Bajo Bueno
7 1800 18 265 26 37 81 29 3 Bueno Bueno
8 1800 20 265 33 66 88 32 4 Regular Regular
9 1740 20 256 33 50 81 31 4 Bajo Bueno
10 1620 21 275 36 44 82 27 5 Regular Bueno
11 1560 20 265 38 50 82 26 6 Bajo Bueno
12 1740 20 260 34 53 87 25 5 Bajo Bueno
13 1800 21 262 39 66 81 32 4 Regular Bueno
14 1800 20 261 32 33 85 35 4 Bajo Bueno
 132

15 1800 19 259 35 57 80 30 5 Bajo Regular

16 1800 20 265 23 60 80 31 6 Regular Bueno
17 1740 19 261 29 60 87 33 5 Bajo Bueno
18 1920 19 263 32 44 80 32 4 Regular Bueno
19 1860 20 265 34 44 84 32 5 Bajo Bueno
20 1860 21 265 30 44 88 30 6 Regular Bueno
21 1980 18 261 35 33 88 28 4 Regular Bueno
22 1800 18 262 25 50 80 29 5 Bajo Regular
23 1800 19 265 32 55 86 30 6 Regular Bueno
24 1740 20 244 28 46 83 30 4 Bajo Bueno
25 1500 19 250 35 44 80 29 5 Regular Bueno
26 1920 20 257 38 44 85 27 6 Regular Bueno
27 2100 19 244 34 46 80 32 4 Regular Bueno
28 1800 20 230 35 47 81 30 5 Bajo Bueno
29 1860 19 256 33 42 87 28 4 Regular Bueno
30 1980 20 251 32 44 84 29 5 Bajo Bueno

Nota: Se aprecian los tiempos (minutos) y porcentajes empleados antes y después de aplicar la solución de inteligencia de negocios.
 CAPÍTULO V

DISCUSIONES, CONCLUSIONES

Y RECOMENDACIONES
 141

5.1. Discusiones

El primer indicador (H1), ha sido corroborado en el estudio, habiéndose

encontrado una relación significativa entre el tiempo para implementar reportes y la

satisfacción del usuario haciendo uso de la herramienta Power BI. Anteriormente otros

estudios han encontrado la misma relación significativa de estas dos variables

Pillasagua (2012). De esta manera queda verificada la relación encontrada por otros

investigadores.

El segundo indicador (H2) indica una correlación entre la cantidad de tiempo

que un usuario dedica a extraer datos y su satisfacción con la herramienta Power BI.

Esta correlación también ha sido notada por otros académicos y se ha encontrado

que es significativa. Este hallazgo respalda aún más la idea de que la satisfacción del

usuario está estrechamente relacionada con la cantidad de tiempo que pasa usando

la herramienta. Esta información se presenta en la página 53 del libro mencionado.

El tercer indicador (H3), ha sido corroborado, encontrando una relación

significativa entre el porcentaje de exactitud de la información con la satisfacción del

usuario al momento de tomar decisiones, haciendo uso de la solución desarrollada

mediante los dashboard. Esto le da gran importancia a la entrega de información

correcta a los encargados de tomar decisiones como da cuenta (Laundon & Laudon,

2012). en su libro la inteligencia y el análisis de negocios para el soporte de

decisiones.

El cuarto indicador (H4), ha sido corroborado en el presente estudio

habiéndose encontrado una relación positiva entre el tiempo empleado para generar

reportes con la satisfacción del usuario haciendo uso de la solución propuesta.

Anteriormente otros estudios demostraron tal relación entre ambos indicadores. De

esta manera queda verificada la relación encontrada por otros autores.

 135

El quinto Indicador (H5) ha sido corroborado que existe una relación

ampliamente positiva en la satisfacción del usuario y el uso de la solución propuesta;

como se menciona en nuestro enunciado, hipótesis y objetivos de reduciendo los

tiempos empleados en los indicadores mencionados líneas arriba. Hay varios estudios

que sí han encontrado relaciones significativas del indicador planteado y el emplear

una solución de Inteligencia de negocios (Curto Díaz, 2017) y (Laundon & Laudon,

2012). queda demostrada la relación encontrada por otros autores.

5.2. Conclusiones

La solución de inteligencia de negocio propuesta utilizando el método de Josep

Curto y la herramienta Power BI explicaba relativamente bien lo que sucedía entre la

variable dependiente y sus medidas cuantitativas de satisfacción del usuario, el uso

de la solución tuvo un impacto positivo, aumentando así el proceso medio de toma de

decisiones. Para validar confiabilidad del instrumento en la presente tesis se empleó

el coeficiente de Alpha de Cronbach, cuyo resultado 0.76% es decir que si es

excelentemente confiable para cuantificar la consistencia interna de nuestro

instrumento.

Se logró disminuir considerablemente el tiempo para implementar reportes

haciendo uso de la herramienta Power BI a través de los dashboard que permitieron

al usuario tener mejor visibilidad de las dimensiones a utilizar; a la vez se da cuenta

la satisfacción del usuario al usar la solución de inteligencia de negocios;

Anteriormente otros estudios han encontrado la misma relación de estas dos variables

como lo aseguro (Curto Díaz, 2017). De esta manera queda verificada la relación

encontrada por otros investigadores.

Se logró disminuir considerablemente el tiempo que el usuario emplea para

extraer la data haciendo uso de la herramienta Power BI ya que permite conexiones

 136

a diversos orígenes de datos y utilizar los algoritmos y operaciones encaminadas a

mejorar la calidad de los datos existentes como lo menciona Curto (2017) en su libro

“Introducción a la inteligencia de negocios”.

Se logró incrementar el porcentaje de exactitud de la información, gracias al

cuadro de mando elaborado como solución esto a la vez permite al usuario visualizar

a través de los dashboard las diferentes dimensiones a utilizar obteniendo información

precisa para tomar decisiones, Esto le da gran importancia a la entrega de información

correcta a los tomadores de decisiones.

Se logró disminuir considerablemente el tiempo para generar reportes a través

del uso del cuadro de mando que permiten al usuario tener mejor visibilidad, debido

a que cada indicador cuenta con sus propias dimensiones; esto trae consigo la

satisfacción del usuario.

La solución propuesta ha demostrado tener éxito en lograr un alto grado de

satisfacción de los usuarios. Como se indica en nuestra hipótesis, los objetivos de la

investigación y la declaración oficial, la solución apunta a agilizar el proceso de toma

de decisiones al disminuir el tiempo dedicado a indicadores específicos. Hay varios

estudios sobre la mejora del proceso de toma de decisiones y el uso de una solución

de Inteligencia de negocios. Queda demostrada y verificada la relación encontrada

por otros autores en el presente estudio.

5.3. Recomendaciones

Para lograr disminuir considerablemente el tiempo para implementar reportes

haciendo uso de la herramienta Power BI es recomendable familiarizar a los

responsables sobre las dimensiones a utilizar. Esto ayudará a implementar los

reportes en el menor tiempo posible.

 137

Para disminuir significativamente la duración requerida para extraer datos con

la herramienta Power BI, es imperativo limpiar la información para evitar

inconsistencias dentro de los datos.

Para mejorar la precisión de la información, es imperativo que la aplicación sea

fácil de usar, facilitando la toma de decisiones efectivas para los responsables.

Para lograr disminuir considerablemente el tiempo para generar reportes a

través del uso del cuadro de mando es necesario que se realice una generación de

reporte a la vez.

Para garantizar la satisfacción del usuario con la solución sugerida, es

imperativo que los informes se presenten de manera comprensible. El objetivo

principal de presentar estos datos es hacerlos visualmente estadísticos, lo que

permite una toma de decisiones eficaz.

 138

REFERENCIAS
 139

Adkison, D. (2013). IBM Cognos business intelligence. Packt Publishing Ltd.

[Link]

11&dq=%E2%80%A2%09IBM+Cognos&ots=Lw1Lo5kgo9&sig=D_CUlzHkex

DGf_OA-iDpnccuH1o

Alegría, E. (2019). Desarrollo e Implementación de un Datamart para Agilizar la Toma

De Decisiones en el Área de Operaciones de la Empresa Servicios Call Center

del Perú [Trabajo de Suficiencia Profesional Universidad Nacional de Lima Sur-

Perú]. Repositorio institucional UNTELS.

[Link]

Alvarado, R; Acosta, Karla; y [Link] (2018). Necesidad de los sistemas

de información gerencial para la toma de decisiones en las organizaciones.

Intersedes, 19(39)., 17-31.

[Link]

24582018000100017

Bustamante, X. (2018). Data Warehouse: Análisis Multidimensional de BAFICI

utilizando Power Pivot. Revista Espacios, 39(34).

[Link]

Camargo, J. (2015). Conociendo big data. Revista Facultad de Ingeniería, 24(38),

63-77.

[Link]

11292015000100006&lng=es

Canós, L. (2012). Toma de decisiones en la empresa: proceso y clasificación. [Tesis

de Grado Universidad, Politécnica de Valencia España]. Repositorio

institucional UPV.

[Link]
 140

Carrillo, P. (2023). Evaluación de plataformas de inteligencia de negocios con un

proceso multicriterio jerárquico. Contaduría y administración, 68(3), 200-223.

[Link]

Castillo Zumarán, S. (2019). Desarrollo de un datamart para el soporte de la toma

de decisiones en el área de ventas de la empresa boticas fortaleza -

Lambayeque, 2019. [Tesis de pregrado, Universidad de Lambayeque].

Repositorio institucional UDL.

[Link]

Cattaneo, P. (2012). Elementos para una ingeniería de explotación de información.

[Tesis de Grado, Universidad Tecnológica Nacional de Buenos Aires].

Repositorio institucional UTN.

[Link]

[Link]?sequence=1&isAllowed=y

Comisión Económica para América Latina y el Caribe. (2021). Crecimiento de América

Latina. [Link]

caribe-2021-alcanzara-revertir-efectos-adversos-la-pandemia

Curto, J. (2017). Introducción al business intelligence. UOC.

[Link]

[Link]

Enric, J. & Fernández, J. (2016). Factores críticos de éxito de un proyecto de Business

Intelligence. Novática: Revista de la Asociación de Técnicos de Informática.

211., 20-25. [Link]

García, D. (2022). Cuadrante Mágico de Gartner 2022. Disponible en:

[Link]

analisis-y-business-intelligence/
 141

Haber, A., & Anays, M. (2013). Inteligencia organizacional: conceptos, modelos y

metodologías. Encontros Bibli: revista eletrônica de biblioteconomia e ciência

da informação, 18(38), 1-17.

[Link]

Hernández, R., Fernández, C. y Baptista, P. (2014). Metodología de la investigación.

McGraw-hill.

Hurni, T., Huber, T., & Dibbern, J. (2018). Swiss Software Industry Survey 2018-

Current State, Emerging Trends & Long-term Developments in the Swiss

Software Industry. [Link]

Inmon, B., Strauss, D., & Neushloss, G. (2013). The Architecture for the Next

Generation of Data Warehousing. New Jersey: Morgan Kaufmann. Elsevier.

[Link]

Data_Warehouse_systems_in_recent_years

Johnson, G., Melin, L., & Whittington, R. (2003). Micro strategy and strategizing:

towards an activity‐based view. Journal of management studies, 40(1), 3-22.

[Link]

Kendall, K., & Kendall, J. (2011). Análisis y Diseño de Sistemas (8ª ed.). Pearson.

[Link]

Kimball, R., & Ross, M. (2010). Relentlessly Practical Tools for Data Warehousing and

Business Intelligence. Morgan.

[Link]

para_el_dise%C3%B1o_de_almacenes_de_datos_Data_warehouses

Laundon C, K., & Laudon P, J. (2012). Análisis y Diseño de Sistemas. Pearson.

[Link]

Sistemas_de_informacion_gerencial_14%[Link]
 142

Minaya, J. (2017). Implementación de Data Mart para incrementar la productividad en

una empresa minera. [Tesis de pregrado, Universidad San Ignacio de Loyola].

Repositorio institucional USIL.

[Link]

762366fc0a75

Morales, A. (2016). Analytical Processing with Data Mining/Analytical Processing with

Data Mining. RECI Revista Iberoamericana de las Ciencias Computacionales

e Informática, 5 (9), 22-43.

[Link]

Paz, G. (2017). Metodología de la Investigación. PATRIA.

Pillasagua, F. (2012). Desarrollo de un Prototipo de Inteligencia de Negocios para

PYMES Usando Herramientas OPEN SOURCE (PENTAHO). [Tesis de

pregrado, Universidad Nacional de Ecuador]. Repositorio institucional UG.

[Link]
ANEXOS
 Anexo 1. Matriz de consistencia

Anexo 1. Matriz de consistencia

Desarrollo de un Data mart basada en la metodología de Josep Curto para mejorar el proceso de soporte de toma de decisiones

en el área de producción en la empresa Elcope S.A.C

PROBLEMA OBJETIVO HIPOTESIS VARIABLES INDICADORES INDICES UNIDADES DE

GENERAL OBSERVACIÒN
En qué Desarrollar Si se Variable Presencia No, Sí …..... Tipo de investigación
medida el un desarrolla Independiente Ausencia Investigación
desarrollo Data mart un Data La solución de inteligencia de Aplicada
de un Data basada en mart negocios Nivel de investigación
mart con la la basado en Variable Tiempo (30-60) Cronómetro Investigación
metodología metodología la dependiente promedio Explicativa
de Josep de Josep metodología el proceso de toma de empleado en la Diseño de la
Curto Curto para de Josep implementación investigación
mejora el mejorar el Curto decisiones en el área de reportes Preexperimental
soporte del proceso de entonces productiva en la Tiempo (20-40) Cronómetro Universo
proceso de soporte de mejorará el empresa ELCOPE promedio Todas las tomas de
toma toma de soporte de para la decisiones de producción
decisiones decisiones toma de trasformación en la empresa ELCOPE
en el área en el área decisiones de la data. Muestra
de de en la Porcentaje de (80-100) Reporte Proceso de toma de
producción producción empresa Exactitud de la generado decisiones el área de
en la en la ELCOPE información. producción en la empresa
empresa empresa Tiempo (70-90) Cronómetro ELCOPE
ELCOPE ELCOPE promedio
empleado en la Tipo de muestro
generación de Intencional
reportes
Nivel de Regular Usuario
satisfacción Bajo
del usuario. Alto
 Anexo 2. Guía de entrevista N° 01

Entrevistado: Marco Aponte Fecha: 03-enero-2020

Entrevistador: Percy Castillo Quinto Departamento: Producción

Objetivo:

Conocer la situación actual de la empresa,

Dirigido a:

• Jefe de Extrusión.

Preguntas:

1. ¿Cuál es su función principal dentro del área?

2. ¿Cuánto tiempo de creación tiene la empresa?
3. ¿A qué se dedica la empresa?
4. ¿Quién toma las decisiones de la empresa?
4. ¿Cada cuánto tiempo se realizan los requerimientos de reporte para
saber los indicadores de productividad.

Resumen:

• Tengo 10 años en la empresa.

• ELCOPE SAC es una empresa dedicada a la fabricación y
comercialización de cables de energía para la industria y también
para uso general.
• La gerencia General es la encargada de tomar decisiones
estratégicas.
• Los requerimientos se realizan cada 3 meses.
 Anexo 3. Guía de entrevista N° 02

Entrevistado: Pablo Valdivia Fecha: 06-enero-2020

Entrevistador: Percy Castillo Quinto Departamento: Sistemas

Objetivo:

• Conocer la problemática de la empresa ELCOPE con respecto al uso de

los sistemas de información.

Dirigido a:

• Responsable del Área de Sistemas

Preguntas:

1. ¿Cuál es su función principal dentro del área?

2. ¿Cuál es la problemática actual con respecto a los sistemas de información
que se utilizan??
 Anexo 4. Guía de entrevista N° 03

Entrevistado: Oswaldo Ojeda Fecha: 07-enero-2020

Entrevistador: Percy Castillo Departamento: Operaciones
Quinto

Objetivo: Saber la problemática de la empresa ELCOPE con respecto a la

obtención y satisfacción de la información.

Dirigido a: jefe de operaciones.

Preguntas:

1. ¿Cuál es el tiempo promedio para implementar reporte?

2. ¿Cuál considera la demora para implementar los reportes?
3. ¿tiempo promedio para extraer la data?
4. ¿Por qué se demora en extraer la data?
5. ¿Qué tan exacta es la información?
6. ¿Por qué no están exacta la información?
7. ¿Cuánto demora en generar los reportes?
8. ¿Está conforme con la información o la forma como obtiene la
información?
9. ¿Por qué se ha pedido de nuevo la información?
10. ¿Quién toma las decisiones que se obtiene con la información?

Resumen:

• Demora entre 1- 2 días, ya que el responsable de sistemas es un

tercero.
• Para transformar la data nos demoramos 4 a 5 horas porque hay
que obtenerla de diferentes repositorios.
• No están confiable la información por que muchas veces no
correspondía al avance de producción. Para generar el reporte
demora 30 a 45 minutos.
 Anexo 5. Guía de entrevista N° 04

Entrevistado: Marcos Ponte /O. Ojeda Fecha: 08-enero-2020

Entrevistador: Percy Castillo Departamento: Control de calidad

Objetivo General:

• Conocer cuánto tiempo se invierte en la toma de decisiones en

los procesos de gestión del área productiva

Objetivo Específicos:
• Identificar al personal implicado en la toma de decisiones
• Conocer el tiempo invertido en la formulación de estrategias.
• Percibir el tiempo de demora del proceso de análisis de las propuestas
formuladas

Dirigido a:
• Personal involucrado en la toma de decisiones

Preguntas:

1. ¿Cuántas reuniones se realizan mensualmente?

2. ¿Cuántas horas se emplean en el proceso de análisis de la propuesta realizada
en reunión?
3. Después de obtener los informes ¿Cuánto demora en decidir la estrategia para
la mejora en el área productiva?

Conclusiones:

Se realiza 1 reunión y el tiempo para el análisis es de 3 horas y el tiempo que

se demora es de 4 hora debido a las diferentes propuestas.
 Anexo 6. Ficha de entrevista-indicadores N° 01

Lugar y Fecha de aplicación:

Personal:
Evaluador:

Acciones a Evaluar Registro de

cumplimiento
N° Observaciones
SÍ NO NA

Se realizan reuniones
1 semanales.
Se utiliza lluvia de ideas
2 para debatir propuestas.
Se basan en datos
3 históricos para determinar
las propuestas.
Invierte mucho tiempo en la
4 implementación de
reportes.
Invierte tiempo
5 considerable analizar los
reportes.
Invierte el % de horas
6 laborables para el proceso
de análisis.
Intervienen muchas
personas en el proceso de
7 análisis de la propuesta
formulada.
Las propuestas analizadas
8 siempre son aceptadas por
gerencia.
 Anexo 7. Ficha de análisis documental datos de la aplicación

a) Nombre de la Empresa:

b) Fechas:

Fecha de aplicación 1: __/__/__

Fecha de aplicación 2: __/__/__

Fecha de aplicación 3: __/__/__

c) Miembros que participaron:

d) Documentos de la organización revisados:

 Anexo 8. Instrumento para la recolección de datos

Cuestionario para el personal de producción

Nombre y Cargo que desempeña (Personal de Producción)

Introducción (Discutir los objetivos del proyecto y las metas de las entrevistas)

Conocimiento del Negocio (Entender el negocio desde el punto de vista

productivo, identificando: objetivos, estrategias, indicadores y medidas)
Ítem SI NO AV
1- ¿Cree usted que el tiempo empleado para la implementación
de reportes es el adecuado?
2- ¿Cree usted que el sistema de información es eficiente en la
obtención de registros?
3- ¿Cree usted que el sistema de información clasifica los
registros de forma sencilla?
4- ¿Toma demasiado tiempo para transformar los registros de
diferentes repositorios?
5- ¿Obtiene toda la información requerida para la
implementación de reportes?
6- ¿Obtiene todos los registros que precisa en un solo
repositorios para poder transformarla?
7- ¿Cree usted que el sistema de información guarda
informaciones con exactitud?
8- ¿Considera que la información entregada para realizar el
análisis es suficiente?
9- ¿Considera que la información que usted entregada tiene
informes realmente exactos?
10- ¿Considera que el tiempo para la generación de reportes es
el adecuado?
11- ¿Cree usted que el sistema de información exporta reportes
fácilmente?
12- ¿Cree usted que el sistema de información clasifica los
reportes de forma sencilla?
13- ¿Cree usted que el sistema de información es fácil de usar?
14- ¿Está de acuerdo con las herramientas empleadas para la
toma de decisiones?
15- ¿Está satisfecho con la toma de decisión realizada?
16- ¿Cree usted que el sistema de información brinda los
reportes de acuerdo a la necesidad del usuario?
 Anexo 9. Matriz de operacionalización del instrumento

DESARROLLO DE UN DATA MART BASADA EN LA METODOLOGÌA DE JOSEP

CURTO PARA MEJORAR EL PROCESO DE SOPORTE DE TOMA DE
DECISIONES EN EL ÀREA DE PRODUCCIÒN EN LA EMPRESA ELCOPE
Objetivo General: Desarrollar un Data mart basada en la metodología de Josep Curto
para mejorar el proceso de soporte de toma de decisiones en el área de producción
en la empresa ELCOPE

Objetivo Definición
Variable Dimensiones Indicadores Ítem
Específico Conceptual

Reducir el tiempo Tiempo

promedio en la promedio
implementación empleado en la 1-3
implementación
de Reportes.
de reportes

Reducir el tiempo Es un proceso

Tiempo
promedio en la de la elección promedio para
trasformación de racional entre la 4-6
la data. trasformación
Proceso de dos o mas de la data.
Tiempo
Incrementar el Toma de alternativas,
porcentaje de decisiones para lograr los Porcentaje de
exactitud de la Exactitud de la 7-9
información. en la resultados información.
empresa más
Reducir el tiempo ELCOPE favorables
promedio que se Tiempo
para la promedio
emplea para 10-
empleado en la
generar los organización. 12
generación de
reportes. reportes

Mejorar el nivel
de satisfacción Nivel de
Usuario 13-
del usuario para satisfacción del
16
obtener reportes. usuario.
Anexo 10. Alfa de Cronbach con SPSS y confiabilidad del instrumento de

investigación
Anexo 11. Permiso del desarrollo de la solución
 Anexo 12. Constancia de trabajo

Anexo 13. Carta de presentación 1

Dr./Mg. HERRERA SALAZAR JOSE LUIS

………………………………………………
 Presente

Asunto: VALIDACIÓN DE INSTRUMENTOS A TRAVÉS DE JUICIO DE

EXPERTO.

Nos es muy grato comunicarnos con usted para expresarle nuestros saludos y

así mismo, hacer de su conocimiento que, siendo estudiante de la Escuela Profesional

de Ingeniería de sistemas, de la Facultad de Ingeniería y Arquitectura, requerimos

validar los instrumentos con los cuales se recolectará información necesaria

para poder desarrollar nuestra investigación.

El título de investigación es: Desarrollo de un Data Mart basada en la

metodología de Josep Curto para mejorar el proceso de soporte de toma de

decisiones en el área de producción en la empresa Elcope SAC y siendo

imprescindible contar con la aprobación de profesionales especializados para poder

aplicar los instrumentos en mención, hemos considerado conveniente recurrir a usted,

ante su connotada experiencia.

l expediente de validación, que le hacemos llegar contiene:

- Carta de presentación.
- Definiciones conceptuales de las variables y dimensiones.
- Matriz de Operacionalización de las variables.
- Certificado de validez de contenido de los instrumentos.
 Expresándole mi sentimiento de respeto y consideración me despido de usted,

no sin antes agradecerle por la atención que dispense a la presente.

Atentamente.

Firma

NOMBRE: Percy Sandro Castillo Quinto

DNI: 10235090

Definición conceptual de las variables y dimensiones.

Variable:

• Varia b l e independiente: inteligencia de negocios: Lundon C & Laudon P,

(2012) afirman que la “Inteligencia de negocios es un término utilizado tanto
por los distribuidores de hardware y software como por los consultores de
tecnología de la información para describirla infraestructura para almacenar,
integrar, crear informes y analizar los datos que provienen del entorno de
negocios” (p.462).

• Varia b l e dependiente: proceso de toma de decisiones: Es un proceso de la

elección racional entre dos o más alternativas, para poder así lograr los
resultados que más convengan a la organización en cuyo trayecto el pronóstico
del resultado se encuentra en la certeza, riesgo e incertidumbre (Laundon &
Laudon, 2012).

Dimensión de la variable independiente:

Dimensión: Status de la solución
Señala si se encuentra o no la característica de la solución.
 Dimensiones de la variable dependiente:

Dimensión 1: Tiempo

Es el tiempo que demora un proceso de forma específica.

Dimensión 2: Cantidad

Es porcentaje o cantidad que se relaciona con la información.

Dimensión 3: Calidad

El nivel de calidad para el cual el proceso de desarrolla

MATRIZ DE OPERACIONALIZACIÓN DE LAS VARIABLES

Matriz de Operacionalización de variables

Dimensión Indicador Índice Unidad de Unidad de observación

medida

Inteligencia Status Presencia Si --- Observación directa

de Ausencia No
negocios

Tiempo utilizado para transformar la [1...4] Horas Observación directa

información
Tiempo

Proceso de Tiempo utilizado para elaborar los [2...3] Horas Observación directa
toma de reportes
decisiones

Cantidad de personas que participan [2...4] Número de Base de datos

Cantidad en la tomas de decisiones personas

Nivel de satisfacción que tiene el Mala Escala Registro manual / virtual

Calidad usuario frente a los reportes Regular
generados Buena
 CERTIFICADO DE VALIDEZ DE CONTENDO DEL INSTRUMENTO A TRAVES DE JUICIO DE EXPERTO

Título de la investigación DESARROLLO DE UN DATAMART BASADA EN LA METODOLOGÌA DE JOSEP CURTO PARA MEJORAR EL PROCESO DE
SOPORTE DE TOMA DE DECISIONES EN EL AREA DE PRODUCCIÒN EN LA EMPRESA ELCOPE S.A.C

Nombre del instrumento Encuesta

Autor Percy Sandro Castillo Quinto

Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Status Si Si Si
X X X
Presente
Ausente
Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Si Si Si
X X X
Tiempo utilizado para transformar la información
Tiempo
Tiempo utilizado para elaborar los reportes
Si Si Si
DIMENSIÓN 2:
X X X
Cantidad de personas que participan en la toma de
Cantidad
decisiones
Si Si Si
DIMENSIÓN 3:
X X X
Nivel de satisfacción que tiene el usuario frente a los
Calidad
reportes generados

Observaciones (precisar si hay suficiencia): ---------------------------------------------------------------------------------- --------------------------------------------------------------- ---

Opinión de aplicabilidad: Aplicable [ X ] Aplicable después de corregir [ ] No aplicable [ ]

Apellidos y nombres del juez validador: HERRERA SALAZAR JOSE LUIS

Especialidad del validador Ing. Sistemas…INGENIERIA DE SISTEMAS

CIP: 76303

1Pertinencia:El ítem corresponde al concepto teórico formulado.

2Relevancia: El ítem es apropiado para representar al componente o ------------------------------------------ 21 de febrero de 2022
dimensión específica del constructo
3Claridad: Se entiende sin dificultad alguna el enunciado del ítem, es

conciso, exacto y directo

Nota: Suficiencia, se dice suficiencia cuando los ítems planteados

son suficientes para medir la dimensión
 Carta de presentación 2

Dr./Mg. IPARRAGUIRRE VILLANUEVA ORLANDO CLEMENTE

………………………………………………

Presente

Asunto: VALIDACIÓN DE INSTRUMENTOS A TRAVÉS DE JUICIO DE

EXPERTO.

Nos es muy grato comunicarnos con usted para expresarle nuestros saludos y

así mismo, hacer de su conocimiento que, siendo estudiante de la Escuela Profesional

de Ingeniería de sistemas, de la Facultad de Ingeniería y Arquitectura, requerimos

validar los instrumentos con los cuales se recolectará información necesaria

para poder desarrollar nuestra investigación.

El título de investigación es: Desarrollo de un Data Mart basada en la

metodología de Josep Curto para mejorar el proceso de soporte de toma de

decisiones en el área de producción en la empresa Elcope SAC y siendo

imprescindible contar con la aprobación de profesionales especializados para poder

aplicar los instrumentos en mención, hemos considerado conveniente recurrir a usted,

ante su connotada experiencia.

 El expediente de validación, que le hacemos llegar contiene:

- Carta de presentación.
- Definiciones conceptuales de las variables y dimensiones.
- Matriz de Operacionalización de las variables.
- Certificado de validez de contenido de los instrumentos.

Expresándole mi sentimiento de respeto y consideración me despido de usted,

no sin antes agradecerle por la atención que dispense a la presente.

Atentamente.

Firma

NOMBRE: Percy Sandro Castillo Quinto

DNI: 10235090
 Definición conceptual de las variables y dimensiones.

Variable:

• Varia b l e independiente: inteligencia de negocios: afirman que la “Inteligencia

de negocios es un término utilizado tanto por los distribuidores de hardware y
software como por los consultores de tecnología de la información para
describirla infraestructura para almacenar, integrar, crear informes y analizar
los datos que provienen del entorno de negocios” (Laundon & Laudon, 2012)
• Varia b l e dependiente: proceso de toma de decisiones: Es un proceso de la
elección racional entre dos o más alternativas, para poder así lograr los
resultados que más convengan a la organización en cuyo trayecto el pronóstico
del resultado se encuentra en la certeza, riesgo e incertidumbre (Laundon &
Laudon, 2012).

Dimensión de la variable independiente:

Dimensión: Status de la solución
Señala si se encuentra o no la característica de la solución.
Dimensiones de la variable dependiente:

Dimensión 1: Tiempo

Es el tiempo que demora un proceso de forma específica.

Dimensión 2: Cantidad

Es porcentaje o cantidad que se relaciona con la información.

Dimensión 3: Calidad

El nivel de calidad para el cual el proceso de desarrolla

MATRIZ DE OPERACIONALIZACIÓN DE LAS VARIABLES

Matriz de Operacionalización de variables

Dimensión Indicador Índice Unidad de Unidad de observación

medida

Inteligencia Status Presencia Si --- Observación directa

de Ausencia No
negocios

Tiempo utilizado para transformar la [1...4] Horas Observación directa

información
Tiempo

Proceso de Tiempo utilizado para elaborar los [2...3] Horas Observación directa
toma de reportes
decisiones

Cantidad de personas que participan [2...4] Número de Base de datos

Cantidad en la tomas de decisiones personas

Nivel de satisfacción que tiene el Mala Escala Registro manual / virtual

Calidad usuario frente a los reportes Regular
generados Buena
 Ficha de observación para la variable independiente

N
Status Presente Ausente
°

Se aplica la inteligencia de negocios

Ficha de observación para la variable dependiente

Apellidos y Nombres:
Cargo: Sede:
Sexo: Edad:
Fecha: / /

N
I. Tiempo 1 2 3 4
°

Tiempo utilizado para transformar la información

Tiempo utilizado para elaborar los reportes

N
II. Cantidad
°
Cantidad de personas que participan en la toma de
decisiones
N III. Calidad M
Buena Regular
° Mala
Nivel de satisfacción que tiene el usuario frente a
los reportes generados
 CERTIFICADO DE VALIDEZ DE CONTENDO DEL INSTRUMENTO A TRAVES DE JUICIO DE EXPERTO

Título de la investigación DESARROLLO DE UN DATAMART BASADA EN LA METODOLOGÌA DE JOSEP CURTO PARA MEJORAR EL PROCESO DE
SOPORTE DE TOMA DE DECISIONES EN EL AREA DE PRODUCCIÒN EN LA EMPRESA ELCOPE S.A.C

Nombre del instrumento Encuesta

Autor Percy Sandro Castillo Quinto

Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Status Si Si Si
X X X
Presente
Ausente
Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Si Si Si
X X X
Tiempo utilizado para transformar la información
Tiempo
Tiempo utilizado para elaborar los reportes
Si Si Si
DIMENSIÓN 2:
X X X
Cantidad de personas que participan en la toma de
Cantidad
decisiones
Si Si Si
DIMENSIÓN 3:
X X X
Nivel de satisfacción que tiene el usuario frente a los
Calidad
reportes generados

Observaciones (precisar si hay suficiencia): --------------------------------------------------------------------------------------------------------------------------------- -------------------

Opinión de aplicabilidad: Aplicable [ X ] Aplicable después de corregir [ ] No aplicable [ ]

Apellidos y nombres del juez validador: IPARRAGUIRRE VILLANUEVA ORLANDO CLEMENTE

Especialidad del validador Ing. Sistemas…INGENIERIA DE SISTEMAS

CIP: 95884 21 de febrero de 2022

1Pertinencia:El ítem corresponde al concepto teórico formulado.

2Relevancia: El ítem es apropiado para representar al componente o
dimensión específica del constructo
3Claridad: Se entiende sin dificultad alguna el enunciado del ítem, es

conciso, exacto y directo

------------------------------------------
Nota: Suficiencia, se dice suficiencia cuando los ítems planteados
son suficientes para medir la dimensión
 Carta de presentación 3

Dr./Mg. Víctor Jaime Polo Romero.

………………………………………………

Presente

Asunto: VALIDACIÓN DE INSTRUMENTOS A TRAVÉS DE JUICIO DE

EXPERTO.

Nos es muy grato comunicarnos con usted para expresarle nuestros saludos y

así mismo, hacer de su conocimiento que, siendo estudiante de la Escuela Profesional

de Ingeniería de sistemas, de la Facultad de Ingeniería y Arquitectura, requerimos

validar los instrumentos con los cuales se recolectará información necesaria

para poder desarrollar nuestra investigación.

El título de investigación es: Desarrollo de un Data mart basada en la

metodología de Josep Curto para mejorar el proceso de soporte de toma de

decisiones en el área de producción en la empresa Elcope SAC y siendo

imprescindible contar con la aprobación de profesionales especializados para poder

aplicar los instrumentos en mención, hemos considerado conveniente recurrir a usted,

ante su connotada experiencia.

 El expediente de validación, que le hacemos llegar contiene:

- Carta de presentación.
- Definiciones conceptuales de las variables y dimensiones.
- Matriz de Operacionalización de las variables.
- Certificado de validez de contenido de los instrumentos.

Expresándole mi sentimiento de respeto y consideración me despido de usted,

no sin antes agradecerle por la atención que dispense a la presente.

Atentamente.

Firma

NOMBRE: Percy Sandro Castillo Quinto

DNI: 10235090
 Definición conceptual de las variables y dimensiones.

Variable:

• Varia b l e independiente: inteligencia de negocios: Lundon y Laudon (2012)

afirman que la “Inteligencia de negocios es un término utilizado tanto por los
distribuidores de hardware y software como por los consultores de tecnología
de la información para describirla infraestructura para almacenar, integrar,
crear informes y analizar los datos que provienen del entorno de negocios”
(p.462).

• Varia b l e dependiente: proceso de toma de decisiones: Es un proceso de la

elección racional entre dos o más alternativas, para poder así lograr los
resultados que más convengan a la organización en cuyo trayecto el pronóstico
del resultado se encuentra en la certeza, riesgo e incertidumbre (Laundon &
Laudon, 2012).

Dimensión de la variable independiente:

Dimensión: Status de la solución
Señala si se encuentra o no la característica de la solución.
Dimensiones de la variable dependiente:

Dimensión 1: Tiempo

Es el tiempo que demora un proceso de forma específica.

Dimensión 2: Cantidad

Es porcentaje o cantidad que se relaciona con la información.

Dimensión 3: Calidad

El nivel de calidad para el cual el proceso de desarrolla

MATRIZ DE OPERACIONALIZACIÓN DE LAS VARIABLES

Matriz de Operacionalización de variables

Dimensión Indicador Índice Unidad de Unidad de observación

medida

Inteligencia Status Presencia Si --- Observación directa

de Ausencia No
negocios

Tiempo utilizado para transformar la [1...4] Horas Observación directa

información
Tiempo

Proceso de Tiempo utilizado para elaborar los [2...3] Horas Observación directa
toma de reportes
decisiones

Cantidad de personas que participan [2...4] Número de Base de datos

Cantidad en la tomas de decisiones personas

Nivel de satisfacción que tiene el Mala Escala Registro manual / virtual

Calidad usuario frente a los reportes Regular
generados Buena
 Ficha de observación para la variable independiente

N
Status Presente Ausente
°

Se aplica la inteligencia de negocios

Ficha de observación para la variable dependiente

Apellidos y Nombres:
Cargo: Sede:
Sexo: Edad:
Fecha: / /

N
I. Tiempo 1 2 3 4
°

Tiempo utilizado para transformar la información

Tiempo utilizado para elaborar los reportes

N
II. Cantidad
°
Cantidad de personas que participan en la toma
de decisiones
N III. Calidad M
Buena Regular
° Mala
Nivel de satisfacción que tiene el usuario frente a
los reportes generados
 172

CERTIFICADO DE VALIDEZ DE CONTENDO DEL INSTRUMENTO A TRAVES DE JUICIO DE EXPERTO

Título de la investigación DESARROLLO DE UN DATAMART BASADA EN LA METODOLOGÌA DE JOSEP CURTO PARA MEJORAR EL PROCESO DE
SOPORTE DE TOMA DE DECISIONES EN EL AREA DE PRODUCCIÒN EN LA EMPRESA ELCOPE S.A.C

Nombre del instrumento Encuesta

Autor Percy Sandro Castillo Quinto

Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Status Si Si Si

Presente
Ausente
Nº DIMENSIONES / ítems Pertinencia1 Relevancia2 Claridad3 Sugerencias

DIMENSIÓN 1: Si Si Si

Tiempo utilizado para transformar la información

Tiempo
Tiempo utilizado para elaborar los reportes
DIMENSIÓN 2: Si Si Si

Cantidad de personas que participan en la tomas de

Cantidad
decisiones

DIMENSIÓN 3: Si Si Si
Nivel de satisfacción que tiene el usuario frente a los
Calidad
reportes generados

Observaciones (precisar si hay suficiencia): Si hay suficiencia-------------------------------------------------------------------------------------------------

Opinión de aplicabilidad: Aplicable [X] Aplicable después de corregir [ ] No aplicable [ ]

Apellidos y nombres del juez validador: Víctor Jaime Polo Romero.

Especialidad del validador Ing. Computación y Sistemas.

CID: 80822

1Pertinencia:El ítem corresponde al concepto teórico formulado. 21 de febrero de 2022

2Relevancia: El ítem es apropiado para representar al componente o

dimensión específica del constructo ------------------------------------------

3Claridad: Se entiende sin dificultad alguna el enunciado del ítem, es

conciso, exacto y directo Firma del Experto

Nota: Suficiencia, se dice suficiencia cuando los ítems planteados

son suficientes para medir la dimensión