2025
Fundamentos de Inteligencia de
Negocios
Elí Nelson Mandujano Condor
UNIVERSIDAD CONTINENTAL
25-5-2025
INDICE
INDICE .............................................................................................................. i
INTRODUCCIÓN ................................................................................................. ii
IMPORTANCIA DE ENTENDER LA PREGUNTA DE NEGOCIO Y LOS KPIS ANTES DE
ABORDAR PROBLEMAS DE INTELIGENCIA DE NEGOCIOS .......................................... 1
DIFERENCIA ENTRE OLAP Y OLTP .......................................................................... 2
ARQUITECTURA Y METODOLOGÍA PARA CREAR UN DATA WAREHOUSE ..................... 3
ARQUITECTURA Y METODOLOGÍA PARA CREAR UN DATA LAKE ................................. 4
CASOS DE APLICACIÓN DE TÉCNICAS DE ANÁLISIS DE DATOS .................................... 5
CONCLUSIÓN .................................................................................................... 6
REFERENCIAS .................................................................................................... 7
i
INTRODUCCIÓN
La Inteligencia de Negocios (BI, por sus siglas en inglés) se ha convertido en un pilar
fundamental para la toma de decisiones informadas en las organizaciones modernas.
Mediante la recolección, integración, análisis y visualización de datos, BI permite a las
empresas transformar datos en conocimiento accionable. Este trabajo monográfico
aborda conceptos esenciales como la importancia de formular correctamente la
pregunta de negocio y establecer KPIs, diferencias entre sistemas OLAP y OLTP, así como
la metodología y arquitectura para la implementación de data warehouses y data lakes.
Finalmente, se presentan casos de aplicación que ilustran el impacto real de las técnicas
de análisis de datos en diferentes sectores.
ii
IMPORTANCIA DE ENTENDER LA PREGUNTA DE NEGOCIO Y LOS
KPIS ANTES DE ABORDAR PROBLEMAS DE INTELIGENCIA DE
NEGOCIOS
Antes de comenzar cualquier análisis en Inteligencia de Negocios (BI), es fundamental
comprender cuál es la pregunta de negocio que se desea responder. Esto permite alinear
el análisis con los objetivos estratégicos de la organización y evitar esfuerzos innecesarios
en la recolección y procesamiento de datos irrelevantes. Según Kimball y Ross (2013)
“los data marts pueden implementarse primero por áreas funcionales para luego
integrarse en un DW corporativo” (1).
Las preguntas de negocio guían la definición de los indicadores clave de desempeño
(KPIs), los cuales son métricas cuantificables que permiten evaluar el progreso hacia
metas específicas. Por ejemplo, si una empresa quiere saber si su nueva estrategia de
ventas está funcionando, un KPI relevante podría ser el "incremento porcentual de
ventas mensuales". Comprender la pregunta y los KPIs garantiza que el análisis se
enfoque en generar valor real para la toma de decisiones.
1
DIFERENCIA ENTRE OLAP Y OLTP
OLAP (Online Analytical Processing) y OLTP (Online Transaction Processing) son dos
enfoques distintos para el manejo de datos:
• OLTP está orientado a la gestión de transacciones diarias. Se caracteriza por un
alto volumen de operaciones de escritura (insertar, actualizar, borrar). Un
ejemplo de sistema OLTP es el sistema de punto de venta de un supermercado.
• OLAP, en cambio, se enfoca en el análisis de grandes volúmenes de datos
históricos. Se caracteriza por operaciones de lectura complejas y agregaciones.
Un ejemplo es un sistema de BI que permite analizar las ventas mensuales por
región, categoría y canal de distribución.
En resumen, OLTP apoya las operaciones del día a día, mientras que OLAP apoya la toma
de decisiones estratégicas.
2
ARQUITECTURA Y METODOLOGÍA PARA CREAR UN DATA
WAREHOUSE
• Un Data Warehouse (DW) es una base de datos orientada al análisis que
centraliza datos de distintas fuentes para facilitar la toma de decisiones. Inmon
(2005) “afirma que el Data Warehouse debe ser orientado por temas, integrado,
no volátil y variable en el tiempo” (2).
Su arquitectura clásica incluye:
• Fuentes de datos: Bases de datos transaccionales, archivos planos, APIs, etc.
• ETL (Extract, Transform, Load): Procesos que extraen los datos de las fuentes, los
transforman para integrarlos de forma coherente, y los cargan al DW.
• Almacén de datos: Repositorio central que puede estar modelado con esquemas
como estrella o copo de nieve.
• Herramientas de BI: Dashboards, reportes, y herramientas de consulta para el
usuario final.
Metodología: Se recomienda seguir un enfoque incremental o iterativo, como el modelo
Kimball (bottom-up), que construye data marts individuales por área funcional y luego
los integra.
3
ARQUITECTURA Y METODOLOGÍA PARA CREAR UN DATA LAKE
Un Data Lake es un repositorio que almacena grandes volúmenes de datos en su formato
original, ya sean estructurados, semi-estructurados o no estructurados. Su arquitectura
incluye:
• Ingesta de datos: Desde diversas fuentes como logs, IoT, redes sociales, bases de
datos, etc.
• Almacenamiento: Escalable y distribuido (por ejemplo, HDFS, Amazon S3).
• Procesamiento: Se puede realizar por lotes (batch) o en tiempo real (streaming)
con herramientas como Apache Spark o Flink.
• Consumo: A través de notebooks, herramientas de visualización o modelos de
machine learning.
Metodología: A diferencia del DW, el Data Lake adopta un enfoque "schema-on-read"
(el esquema se aplica al momento de leer los datos). Se recomienda aplicar buenas
prácticas de gobernanza, como el catálogo de datos, control de acceso y calidad de datos.
4
CASOS DE APLICACIÓN DE TÉCNICAS DE ANÁLISIS DE DATOS
Provost y Fawcett (2013) “sostienen que la ciencia de datos es clave para transformar
datos en decisiones de negocio informadas” (3).
• Análisis descriptivo: Una empresa minorista usa dashboards para visualizar el
comportamiento de ventas semanales por tienda. Por ejemplo, Walmart
monitorea los productos más vendidos para optimizar el inventario.
• Análisis predictivo: Un banco utiliza modelos de machine learning para predecir
la probabilidad de que un cliente caiga en mora. Ejemplo: BBVA implementa
modelos de riesgo crediticio basados en historiales de transacciones.
• Análisis prescriptivo: Amazon recomienda productos a los usuarios usando
algoritmos que sugieren acciones basadas en patrones de compra. Esto
incrementa las ventas cruzadas.
• Análisis de segmentación: Una empresa de telecomunicaciones clasifica a sus
clientes en segmentos para personalizar promociones. Ejemplo: Movistar
segmenta por uso de datos y llamadas para ofrecer planes personalizados.
• Análisis en tiempo real: Uber monitorea ubicaciones de conductores y demanda
de usuarios para ajustar los precios dinámicamente (surge pricing).
Estos casos muestran el potencial de la inteligencia de negocios para optimizar
decisiones en diferentes industrias.
5
CONCLUSIÓN
La inteligencia de negocios es una disciplina clave en la era digital, donde los datos se
han convertido en uno de los activos más valiosos para las organizaciones. Comprender
las preguntas de negocio, seleccionar los KPIs adecuados y aplicar arquitecturas y
metodologías apropiadas para el tratamiento de datos son pasos esenciales para extraer
valor. A través de casos prácticos, se demuestra cómo distintas técnicas de análisis
permiten mejorar la eficiencia operativa, la experiencia del cliente y la competitividad
de las empresas.
6
REFERENCIAS
[1]. KIMBALL, Ralph y ROSS, Margy. The Data Warehouse Toolkit: The Definitive Guide
to Dimensional Modeling. 3. s.l. : Wiley, 2013. pág. 608. 9781118732281.
[2]. INMON, William H. Building the Data Warehouse. 4. s.l. : John Wiley & Sons, 2005.
pág. 576. 9780471774235.
[3]. PROVOST, Foster y FAWCETT, Tom. Data Science for Business: What You Need to
Know about Data Mining and Data-Analytic Thinking. revisada. s.l. : "O'Reilly Media,
Inc.", 2013. pág. 414. 9781449374297.
