Extensión del Data Warehouse de CIMEX basado en el Modelo Tabular

Transcripción

1 Autores: COMPUMAT 2015 Extensión del Data Warehouse de CIMEX basado en el Modelo Tabular Lic. Alina Simón Cuevas, DATACIMEX, Grupo Empresarial CIMEX. Lic. Maité Torres Sánchez, Universidad de La Habana, Cuba. DraC. Lucina García Hernández, Universidad de La Habana, Cuba. Raudel Ravelo Suárez, Universidad de La Habana, Cuba. Temática: Bases de Datos Resumen En la actualidad los sistemas para la toma de decisiones son necesarios en la conducción de cualquier organización. El Grupo Empresarial CIMEX, una de las grandes empresas comercializadoras cubanas, tiene una amplia experiencia en el desarrollo de soluciones computacionales que en el transcurso de los años han evolucionado progresivamente dando respuesta a los requerimientos informacionales de sus analistas y directivos. Diferentes áreas de negocio como la comercial, la económica y la de recursos humanos se han manejado históricamente mediante soluciones informáticas independientes, dificultándose la conciliación entre los resultados respectivos y el análisis integral de la información. El presente trabajo propone una extensión y enriquecimiento desde el punto de vista de diseño y desarrollo del almacén de datos existente en la institución. Además, brinda una nueva forma de controlar el desempeño empresarial basado en el análisis de los principales indicadores claves de éxito, que posibilita la creación de un tablero o cuadro de mando ajustado a la medida de la Corporación con vistas a la planificación, la ejecución y el control de sus planes respectivos en función de la misión de la organización. El almacén de datos se ha implementado sobre el Modelo Tabular, el cual se sustenta en las tecnologías de almacenamiento columnar y las bases de datos en memoria. La plataforma de desarrollo seleccionada es Microsoft SQL Server 2012 por las variadas herramientas de Inteligencia de Negocios que provee, así como por la práctica acumulada al respecto en CIMEX. Abstract At present the system for decision-making are necessary in the conduct of any organization. The business CIMEX Group, a major Cuban trading companies, has extensive experience in developing computer solutions that over the years have progressively evolved in response to the informational requirements of its analysts and executives. Different business areas such as trade, economic and human resources-of historically have handled through independent solutions, making it difficult to reconcile the respective results and comprehensive analysis of information. This paper proposes an extension and enrichment from the design and development point of view of existing data store in the institution. It provides a new way to monitor business performance based on the analysis of key performance indicators that enables the creation of dashboards or a balanced scorecard adjusted to suit the Corporation with views to planning, execution and control of their plans according to the organization s mission. The data warehouse has been implemented on the Tabular Model, which is based on the columnar storage and in-memory databases technologies. The development platform selected is Microsoft SQL Server 2012 by the various business intelligence tools that it provides, as well as practical experience accumulated in this regard in CIMEX. Keywords: Business Intelligence, Tabular Model, Columnar Databases, In-memory Databases, Key Performance Indicator. 1

2 Introducción Desde el surgimiento del comercio, la contabilidad, las finanzas y las diversas ramas de negocios, el hombre ha estado inmerso en una continua hazaña por obtener mejores resultados en cuanto a cómo controlar y organizar cualquier institución o entidad con el fin de garantizar su existencia y evolución a largo plazo, en cuyo marco desempeña un papel esencial la calidad del proceso de toma de decisiones. En este sentido, con el desarrollo de las Tecnologías de la Información y las Comunicaciones (TIC) la forma de hacer negocios y de competir en los nuevos mercados está promoviendo cambios en el modo de administrar las empresas, basado en el conocimiento [1]. Ante la tensión de las organizaciones competidoras, los dinámicos escenarios de mercado, la evolución tecnológica, la necesidad de innovación permanente, la adquisición de mayor protagonismo por parte de la valoración y el reconocimiento del capital humano e intelectual, la urgencia de sostenerse y trascender en el tiempo, resulta imperioso que las empresas opten por concepciones y mecanismos cada vez más avanzados y sistemáticos para evaluar su eficacia. De ahí que, además de concentrarse en lo inevitablemente apremiante y/o rutinario, se debe estudiar de alguna forma lo importante a corto, mediano y largo plazo. El análisis del desempeño está íntimamente asociado a la gestión de información, sin la cual no es posible determinar grados de cumplimiento o desvíos respecto a resultados esperados [2]. El Grupo Empresarial CIMEX (Corporación Importadora y Exportadora), constituye una de las grandes empresas cubanas cuyo principal objetivo es la adquisición y la comercialización mayorista y minorista de productos y servicios. En su gestión diaria desencadena una gran cantidad de información, almacenada a través de los años y sobre la cual se han desarrollado diversas soluciones de Inteligencia de Negocios que sucesivamente han dado respuesta a la evolución de los requerimientos informacionales de sus ejecutivos y analistas. En este marco, la solución más reciente del ciclo evolutivo de los sistemas para la toma de decisiones en CIMEX consistió en el desarrollo de un almacén de datos (data warehouse) que integró los escenarios comercial y contable, los cuales hasta el momento se analizaban en sistemas computacionales independientes. Entre otras funcionalidades, esta solución proporcionó un ambiente de consultas dinámicas con funcionalidades de autoservicio, donde es posible mantener una experiencia interactiva con los datos [3, 4]. Dicha solución fue una propuesta de investigación reportada en las memorias del Congreso Internacional de Matemática y Computación COMPUMAT 2013 [5] y del II Congreso Internacional de Ingeniería Informática y Sistemas de Información CIIISI 2014 [6], en la cual se logró un primer acercamiento a la utilización de los modelos multidimensional y tabular. El presente trabajo, sustentado sobre el paradigma de la Inteligencia de Negocios, se enmarca en una reformulación de la solución desde el punto de vista informacional, al incluirse nuevos escenarios de análisis como las finanzas y los recursos humanos. Además, la nueva aproximación brinda una forma de controlar el desempeño de las empresas de CIMEX basado en el análisis de los principales indicadores claves de éxito, lo que posibilita la creación de un cuadro de mando integral con vistas particulares, jerárquicas y global, metodología de dirección que en estos momentos está en proceso de maduración en la Corporación. Cabe destacar que el problema científico que motiva la realización de esta investigación es la imposibilidad de controlar de manera automatizada el desempeño empresarial y salud organizacional de CIMEX basados en indicadores clave de éxito. Por lo que nos trazamos el siguiente objetivo general: crear una solución de inteligencia de negocios que permita evaluar el desempeño del Grupo Empresarial CIMEX, 2

3 aprovechando al máximo las potencialidades del Modelo de datos Tabular y extendiendo el almacén de datos existente. Para lograrlo, nos trazamos nos trazamos los siguientes objetivos específicos: - Profundizar desde el punto de vista teórico y práctico en los sistemas de información actuales y los modelos de datos vinculados a la inteligencia de negocios, en particular, el modelo de datos tabular. - Extender el diseño conceptual de la solución de inteligencia de negocios, profundizando en la incorporación de nuevos sujetos de análisis al almacén de datos existente en CIMEX. - Enriquecer la solución computacional con la incorporación de herramientas para favorecer el análisis de los principales indicadores claves de desempeño del Grupo Empresarial CIMEX, haciendo énfasis en las contribuciones del modelo tabular. - Realizar experimentos que validen la concepción de la solución y el cumplimiento de los requerimientos. La implementación de la solución se realizó sobre el Modelo Tabular dentro Microsoft SQL Server Analysis Services (SSAS) Al ser un modelo analítico teóricamente más cercano al conocido modelo relacional, su utilización resulta ser más natural para los desarrolladores y los analistas y es posible lograr una mejor comunicación y mayor independencia entre ellos. Desarrollo Con el transcurso de los años, a medida que han aumentado la cantidad de datos acumulados y las exigencias de los directivos, han proliferado las necesidades de realizar análisis más complejos para mantener la competitividad en un negocio. En este contexto surge la Inteligencia de Negocios (BI, Business Intelligence) que reúne un conjunto de metodologías, procesos, arquitecturas y tecnologías que permiten transformar los datos en información útil e importante para formular ideas eficaces para la toma de decisiones estratégicas, tácticas y operativas [7]. La mayoría de los sistemas de gestión de bases de datos que ofrecen herramientas para realizar el procesamiento analítico (OLAP, On Line Analytic Processing) de grandes volúmenes de datos, se apoyan en el almacenamiento orientado a filas/registros (row-oriented), optimizado para el procesamiento transaccional de los datos [8, 9]. Ello significa que cada fila de una tabla se almacena de forma consecutiva. Normalmente, el almacenamiento se divide en páginas de datos en el caso de Microsoft SQL Server, en páginas de 8Kb, de modo que cada página contiene una cantidad de filas en dependencia del tamaño de los registros. El problema de este tipo de almacenamiento es que, si se desea obtener todos los valores de una misma columna de la tabla, es preciso leer todas las filas de la tabla [10]. Sin embargo, varios autores han defendido la contribución del almacenamiento lógico columnar para mejorar el desempeño de las consultas enfocadas hacia el análisis [8, 11-13]. En este tipo de almacenamiento Fig. 1 Almacenamiento por filas y almacenamiento por columnas. 3

4 cada página de datos contiene los valores de una sola columna y, como estos son de un mismo tipo, es más probable que muchos se repitan, lo que favorece la compresión de los datos. En la figura 1 se muestra un ejemplo de ello. Por otra parte, las bases de datos en memoria (in-memory databases), como su nombre lo indica, utilizan la memoria principal de la máquina (RAM, Random Access Memory) para el almacenamiento de la información. La RAM ha sido siempre el medio de almacenamiento más rápido pero con mayores restricciones en cuanto al tamaño. Sin embargo, el desarrollo actual de las tecnologías de hardware ha permitido el almacenamiento de grandes volúmenes de datos en la RAM. La plataforma de Inteligencia de Negocios de Microsoft ha sido seleccionada para la presente investigación por las facilidades que posee, su utilización en innumerables soluciones computacionales a nivel mundial y la experiencia por más de 10 años alcanzada en CIMEX, como caso particular. Microsoft SQL Server 2012 (y sus versiones posteriores) ofrece dos opciones independientes para la creación de los modelos analíticos que representan la lógica del negocio, el clásico modelo multidimensional y el reciente modelo tabular [10]. A partir de esta versión, SQL Server Analysis Services (SSAS) introduce el Modelo Semántico de Inteligencia de Negocios (BISM, Business Intelligence Semantic Model), que combina ambos tipos de modelado, es único para las aplicaciones clientes y además común a todas las formas de presentación de la información reportes, monitores, tableros de mando para todos los tipos de usuarios [14]. El modelo tabular no es un nuevo modelo analítico conceptual sino que está implementado de una manera novedosa en términos de estructuras de datos, aprovecha también las ventajas de la gestión de bases de datos en memoria y el almacenamiento columnar para la modelación del procesamiento informacional [10]. Los datos no se organizan en cubos y dimensiones como en el modelo multidimensional de datos, sino en un conjunto de tablas relacionadas entre sí. Esta arquitectura permite un mejor ajuste a los cambios en el modelo, cuando se requiere actualizar las interrelaciones y/o los cálculos según las necesidades del negocio, por lo que este modelo es más flexible y además ofrece un enfoque más cercano a los usuarios finales, quienes generalmente están familiarizados con el modelo relacional [15]. Gracias a los algoritmos de compresión avanzados y al procesador de consultas multiproceso, el motor analítico en memoria xvelocity (anteriormente también conocido VertiPaq) ofrece un acceso rápido a los objetos y los datos de los modelos tabulares para aplicaciones cliente de informes como Microsoft Excel y Microsoft Power View [16]. En el modelo tabular, al igual que en el multidimensional, también es posible definir medidas sobre las tablas implicadas, que en última instancia no representan más que diferentes criterios o perspectivas de análisis, e indicadores de desempeño clave (KPI, Key Performance Indicator), que reflejan el funcionamiento de la organización. Un KPI es la manera de comparar el valor de una medida con otra o, incluso, con un valor absoluto definido manualmente para poder visualizar mejor el comportamiento de los indicadores principales de una empresa. Se utilizan para cuantificar los objetivos de la organización, fijados en su plan estratégico, lo que contribuye a tener una visión concreta del rendimiento del sujeto en cuestión y tomar decisiones más acertadas para su consecución favorable [2]. Los KPI constituyen una componente fundamental del Cuadro de Mando Integral, cuya automatización es uno de los objetivos específicos de la presente investigación. El concepto de Cuadro de Mando Integral (CMI), conocido también como Tablero de Comando o Balanced ScoreCard (BSC, de sus siglas en inglés), fue propuesto por Kaplan y Norton en 1992 en la Revista Harvard Business Review de la Universidad de Harvard [17]. El BSC es una herramienta revolucionaria para movilizar a la gente hacia el pleno cumplimiento de la misión, a través de canalizar las energías, habilidades y conocimientos específicos de la gente en la organización hacia el logro de metas estratégicas de largo plazo. Permite tanto guiar el desempeño actual como apuntar el desempeño futuro. Usa medidas en cuatro categorías desempeño financiero, conocimiento del 4

5 cliente, procesos internos de negocios y aprendizaje y crecimiento para alinear iniciativas individuales, organizacionales y transdepartamentales, e identifica procesos enteramente nuevos para cumplir con objetivos del cliente y accionistas. El BSC cambia la manera en que se mide y gerencia un negocio [17-19]. La solución BI realizada en el año 2013 fue un logro importante ya que agrupó y concilió la información de dos ramas principales en CIMEX: la contable y la comercial. Sin embargo, en el contexto actual los directivos están interesados en la concepción de un cuadro de mando integral que requiere la incorporación de otros escenarios de análisis en la solución. Con vistas a satisfacer las nuevas interrogantes se reformuló la solución existente, que sirvió de base tanto por su arquitectura como por las experiencias adquiridas. Para la concepción de la solución propuesta, se identificaron los requerimientos informacionales de los directivos y los analistas de las áreas económico-financiera y de recursos humanos, a partir de varias reuniones de intercambio y del estudio de los informes gerenciales que desarrollan: Analizar resumidamente el estado general de la empresa, a través de un cuadro de mando, gráficos, partes operativos, etc. Analizar mensualmente el cumplimiento de los indicadores generales económicos-financieros del Plan de Negocios, entre los que se encuentran: los ingresos totales, detallados por tipos de servicios, por monedas y en comparación con años anteriores; los costos y gastos; las utilidades, detalladas por monedas y en comparación con años anteriores; las cuentas por cobrar, detalladas por tipos de clientes y por edades; las cuentas por pagar, detalladas por tipos de proveedores y por edades; el estado de los inventarios por tipos y ciclos de rotación. Analizar mensualmente el cumplimiento de los indicadores generales de recursos humanos del Plan de Negocios, entre los que se encuentran: el gasto de salario por peso de ingreso; la correlación entre el salario medio y la productividad; el aprovechamiento de la jornada laboral, detallando los tipos de ausencias; el completamiento de la plantilla por cargos; el salario medio mensual; las incidencias laborales, detalladas por tipo. Desde el punto de vista informacional la propuesta de solución de inteligencia de negocios se centra en el diseño e implementación de un almacén de datos orientado al análisis, que integra los datos de los escenarios comercial y contable (ya existente), así como el económico-financiero y de recursos humanos (nuevos) del Grupo Empresarial CIMEX. La solución posee además una capa de presentación de la información que proporciona novedosas facilidades de autoservicio respecto a la aproximación anterior. El almacén de datos se basa en una arquitectura de datos de tres capas, propuesta por Devlin [20] y también conocida como Enterprise Data Warehouse [21, 22]. El modelo general de la arquitectura propuesta se muestra en la Fig. 2. Fig. 2 Modelo general de la solución. 5

6 La primera capa de datos corresponde a las fuentes de datos que poseen información de los procesos principales de CIMEX. Esta capa está compuesta por cinco almacenes de datos operacionales (ODS, Operational Data Store) con información diaria detallada y mecanismos de frecuente actualización; ellos son el ODS Comercial, ODS Contable, ODS Financiero, ODS Recursos Humanos y ODS Nomencladores, cada uno de los cuales contiene los datos respectivos provenientes de los sistemas operacionales de la Corporación. Cabe apuntar que, aun cuando las fuentes constituyen almacenes de datos operacionales con sus procesos de carga respectivos, el diseño y la instrumentación del proceso de población del data warehouse se ha caracterizado por un examen minucioso de los datos disponibles en función de la calidad de la información suministrada para la toma de decisiones. La segunda capa (datos conciliados) corresponde al data warehouse empresarial (DWE), que constituye un repositorio único donde se integran los datos y se dispone la información para el análisis. El DWE es una base de datos relacional normalizada y concebida para almacenar la información histórica. La tercera capa (datos derivados) corresponde al warehouse informacional (WI), que se fundamenta en un diseño multidimensional y durante cuya población tiene lugar un proceso de denormalización con el fin de garantizar tiempos de respuestas adecuados durante las consultas informacionales y la navegación. La solución posee además una capa final de presentación de la información que proporciona mayor dinamismo a partir de la experiencia interactiva con los datos utilizando herramientas como Power View sobre SharePoint y las tablas dinámicas de Excel. En el diseño informacional del repositorio de datos se concibió la creación de estructuras multidimensionales que responden a los requerimientos generales. En particular, para cada uno de los sujetos del negocio se identificaron requerimientos informacionales específicos según las exigencias de los usuarios. Los sujetos del negocio modelados dentro del escenario comercial son Ventas, Compras, Inventario, Transferencias, Ajustes y Vales; en el escenario económico, desde el punto de vista contable se modeló el Mayor General, las Cuentas por Cobrar y las Cuentas por Pagar, y en la parte financiera se modeló el Indicador Financiero; y, por último, en el escenario de recursos humanos los sujetos modelados fueron Pago Salario, Incidencia Laboral e Indicador General RRHH. Varios de los criterios de análisis o dimensiones se comparten entre los escenarios existentes como, por ejemplo Entidad y Período. En las figuras 3a y 3b se muestran los esquemas de dimensionales de los Indicadores Financieros e Incidencias Laborales respectivamente, los cuales son dos de los nuevos sujetos de análisis del negocio más significativos. Entre los indicadores financieros considerados valdría mencionar la utilidad, ingresos, costos, gastos, solvencia y liquidez; entre los indicadores de recursos humanos se encuentran el acumulado de vacaciones, índice de ausentismo, completamiento de la plantilla. Fig. 3a Esquema dimensional para los Indicadores Financieros. Fig. 3b Esquema dimensional para las Incidencias Laborales de los Trabajadores. Como parte del diseño se modelaron las jerarquías entre los atributos presentes en cada una de las dimensiones. En particular, en la dimensión Incidencia Laboral, se modeló la jerarquía Tipo de Incidencia que 6

7 organiza las incidencias según su influencia en la afectación del tiempo laboral y el ausentismo; esta es una jerarquía irregular. Con vistas a almacenar la historia de los cambios ocurridos en las dimensiones, se decidió definir llaves sustitutas y utilizar el método de añadir un nuevo registro con las modificaciones efectuadas [23]. Otra característica importante en los almacenes de datos es la granularidad, pues representa el nivel de detalle con el que se almacenan los registros. En la propuesta, se decidió que correspondiera al nivel mensual en la dimensión Período, al nivel de detalle en la dimensión Producto y al nivel de Establecimiento en la dimensión Entidad. La integración de los datos en las soluciones BI (ETCL, del inglés Extract, Transform, Cleaning and Load) agrupa un conjunto de concepciones, técnicas y subprocesos que se encargan de llevar a cabo las tareas relacionadas con la obtención, manipulación, depuración y actualización del almacén de datos en función de los requerimientos informacionales para ulteriormente derivar la información necesaria [24]. Para la población del data warehouse empresarial, estos procesos se implementaron sobre la herramienta SQL Server 2012 Integration Services (SSIS) de Microsoft. El proceso ETCL desarrollado está compuesto por cuatro módulos principales: carga de las dimensiones, los hechos comerciales, los hechos contables, los hechos financieros y los de recursos humanos. Los módulos se ejecutan de forma periódica, de modo que se actualice el repositorio de datos a partir del estado resultante de la ejecución anterior. En el flujo de ejecución se implementó la población completa de las dimensiones utilizando técnicas de concurrencia con el objetivo de minimizar su costo computacional [25, 26]. En SQL Server Data Tools se definieron las estructuras tabulares del warehouse informacional que responden al diseño informacional realizado al inicio. Entre las transformaciones que se aplicaron a la vista del origen de datos se encuentran la creación de columnas calculadas, para lo cual se utiliza el lenguaje DAX. A propósito, DAX (Data Analysis Expression) es el lenguaje que se utiliza para especificar los cálculos en los modelos tabulares. Es considerado una extensión del lenguaje de fórmulas de Microsoft Excel, pero tiene una sintaxis ligeramente distinta y permite realizar cálculos más complejos con un grupo de funciones avanzadas que ofrece tanto al usuario final como al desarrollador. Con la utilización de DAX es posible implementar funcionalidades analíticas que no están predeterminadas en el contexto tabular que brinda SQL Server hasta el momento, tales como las jerarquías parent-child [15]. La solución propuesta también incluye la presentación de la información, aprovechando las facilidades de las tablas dinámicas de Excel y la riqueza visual de Power View. Además, se publican en un sitio de SharePoint informes que responden a un conjunto de consultas frecuentes y que los directivos pueden editar según sus intereses. La visualización se realiza sobre el portal web de CIMEX para el apoyo a la toma de decisiones, lo que favorece el análisis informacional sobre las estructuras dimensionales instrumentadas. Con el propósito de validar la solución concebida y evaluar los modelos multidimensional y tabular en el procesamiento analítico de fuentes de datos de CIMEX, se diseñaron y ejecutaron cuatro experimentos, que responden a las fases de implementación y presentación de los resultados. En cuanto al hardware empleado cabe apuntar que es considerablemente mejor que el empleado durante la aproximación anterior de la solución de inteligencia de negocios. Se utilizó una PC con sistema operativo Windows 8.1 sobre una arquitectura de 64 bit, CPU QuadCore Intel Core i K, 4000 MHz (4400 Mhz with Turbo Boost), 8Mb Cache L3, 2 Mb Cache L2, con 24 Gb (DDR3 SDRAM) 2400Mhz, 240 Gb SSD Kingston de almacenamiento. El primer experimento consiste en volver a ejecutar las pruebas diseñadas en la versión anterior del almacén de datos para ambos modelos, multidimensional y tabular, con el hardware descrito anteriormente. Con la realización de este experimento se corroboró que en el modelo tabular se obtienen mejores resultados cuando se cuenta con elevados recursos, siendo esto un requerimiento imprescindible para su utilización con 7

8 grandes volúmenes de datos [27, 28]. Por ejemplo, en la solución anterior se pobló el almacén de datos tabular (data warehouse informacional) para un mes, demorándose 36 min. y ocupando un tamaño de 230 MB, y en esta solución se procesó para cinco años de historia, tardando 6 min. con un tamaño de 877 Mb, lo cual reafirma la conclusión anterior. Además, con este experimento se probó que los componentes de la solución precedente siguen funcionando perfectamente, luego del enriquecimiento de la misma. El segundo experimento consiste en analizar la capacidad de la solución implementada para la población del data warehouse empresarial. Se ejecutaron los procesos ETCL para cargar los datos económicofinancieros y de recursos humanos de CIMEX, con el objetivo de analizar los tiempos de ejecución tanto para la población inicial como para la actualización periódica. Se comprobó que los procesos ETCL funcionan correctamente con tiempos aceptables. Se cargaron 61,517 de registros de las nuevas dimensiones Trabajador, Incidencia e Indicador en 90 seg., y un total de 1,3 millones de registros de todas las dimensiones en 11 min. Con respecto a las nuevas tablas de hechos, se cargaron 3,06 millones de registros en 17 min. ocupándose un espacio de 276 Mb aproximadamente, aunque la base de datos completa con todos los escenarios ocupa un espacio de 2.3 Gb. En el tercer experimento se analiza el comportamiento de los procesos ETL para la población del warehouse informacional. La base de datos tabular ocupó un espacio 470 Mb, lo que demuestra la capacidad de compresión de datos, representando aproximadamente un 20 % del data warehouse empresarial. El tiempo de población fue de 2 min., resultado que responde principalmente al almacenamiento por columnas y a las prestaciones del motor analítico xvelocity. Resulta oportuno recordar que en este modelo el volumen de datos se maneja completamente en la RAM, a diferencia de la manipulación en el modelo multidimensional que almacena los datos en disco. Se desarrolló un cuarto experimento con el objetivo de explorar la capacidad de la solución implementada para responder al análisis informacional y a las expectativas en relación con la visualización de los resultados, a partir de un conjunto de consultas elaboradas según los requerimientos informacionales. Para ello, se crearon informes de Excel y de Power View sobre las estructuras tabulares, garantizando las consultas dinámicas y el enriquecimiento visual. En las figuras 4a, 4b y 4c se presentan ejemplos de los informes gerenciales desarrollados. $ ,00 $ ,00 $50.000,00 $0,00 ($50.000,00) Utilidades (P) Utilidades (R) Utilidades % (R/P) Fig. 3a Comportamiento del indicador Utilidad del escenario económico-financiero de una entidad en el año Plantilla Cant. Cant. Completamien Fluctuación FL Trab. Trab. Row Labels Total Trabajadores Bajas to Plantilla P Status Laboral Status Estimulados E Status Penalizados Enero % 3.53 % 85 0 Febrero % 0.00 % 87 0 Marzo % 1.11 % Abril % 1.10 % Mayo % 1.11 % Junio % 3.33 % 85 0 Julio % 1.12 % 83 0 Agosto % 2.30 % 86 0 Septiembre % 2.15 % 88 0 Octubre % 6.45 % 84 0 Noviembre % 2.17 % 80 0 Diciembre % 1.18 % 0 0 Grand Total % 2.14 % P Status Fig. 3b Comportamiento de los principales indicadores de recursos humanos de una entidad en el año

9 Conclusiones Fig. 3c Comportamiento de las bajas por sucursales de CIMEX en el mes de marzo de Como resultado del presente trabajo se logró extender el almacén de datos del Grupo Empresarial CIMEX al incluir un nuevo escenario de análisis: Recursos Humanos, brindándole a los analistas y directivos indicadores cruciales como Fluctuación Laboral y Completamiento de la Plantilla. Además en el escenario económico, que ya se había iniciado en la versión anterior con el área contable, se incluyeron los indicadores financieros para la toma de decisiones. Finalmente, se construyeron informes gerenciales que formarán parte de una primera aproximación del cuadro de mando integral de CIMEX, donde se visualizan de forma sencilla la información de las diferentes áreas de la empresa facilitando la toma de decisiones a nivel gerencial. Con respecto a las tecnologías utilizadas en esta nueva aproximación se profundizó en el estudio del Mmodelo tabular, fundamentalmente en cuanto a su motor analítico, el lenguaje de consultas DAX, así como en las bondades y las deficiencias del almacenamiento columnar. Como se detalló anteriormente, para esta versión se contó con elevados recursos de hardware lo que permitió corroborar los resultados precedentes en cuanto a la comparación de los modelos multidimensional y tabular. Por último, se emplearon las herramientas Power View sobre SharePoint y Microsoft Excel para la concepción de los informes brindando la posibilidad a los analistas y directivos de construir los suyos propios. Referencias bibliográficas [1] J. Pérez, "Solución para la obtención de los indicadores financieros en Cedrux," Tesis en opción del título de Máster en Informática Aplicada, Facultad 3. Universidad de las Ciencias Informáticas, Cuba, [2] J. C. Aranibar, Sistemas de Información Gerencial para la Administración del Desempeño Empresarial. La Paz, Bolivia: Gráfica Holding s.r.l., [3] M. Torres and Y. Espinosa, "Solución de inteligencia de negocios para la integración de la información comercial y contable en el Grupo Empresarial CIMEX," Tesis en opción del título de Licenciado en Ciencia de la Computación, Facultad de Matemática y Computación. Universidad de La Habana, Cuba, [4] T. Lachev, Applied Microsoft SQL Server 2012 Analysis Services: Tabular Modeling, [5] L. García, A. Simón, M. Torres, and Y. Espinosa, "Solución de inteligencia de negocios para la integración de la información comercial y contable," in Congreso Internacional de Matemática y Computación (COMPUMAT) 2013, La Habana, Cuba,

10 [6] M. Torres, Y. Espinosa, A. Simón, L. García, and A. Simón, "Modelación Tabular: una alternativa sugerente para el análisis de los datos," in II Congreso Internacional de Ingeniería Informática y Sistemas de Información (CIIISI 14), La Habana, Cuba, [7] T. K. M. Mertens, and H. J. and Appelrath, "Utilizing Structured Information from Multiple External Sources in the Context of the Multidimensional Data Model," in 16th International Conference of Business Information Systems, 2013, pp [8] A. Albano, L. D. Rosa, C. Dumitrescu, L. Goglia, R. Goglia, and V. Minei, "Another Example of a Data Warehouse System Based on Transposed Files," in 10th International Conference on Advances in Database Technology, 2006, pp [9] O. Boateng, J. Singh, Greeshma, and P. Singh, "DATA WAREHOUSING," Business Intelligence Journal, vol. vol. 5, pp. pp , [10] M. Russo, A. Ferrari, and C. Webb, Microsoft SQL Server 2012 Analysis Services: The BISM Tabular Model: Microsoft Press, [11] R. Cattell. (2010, 4/5/2015). Scalable SQL and NoSQL Data Stores. Available: [12] R. Cattell. (2010, 4/5/2015). High Performance Scalable Data Stores. Available: [13] M. Stonebraker, D. J. Abadi, A. Batkin, and X. Chen, "C-Store: A Column-oriented DBMS " in 31st Very Large Data Bases (VLDB) Conference, Trondheim, Norway, [14] P. Savjani, BI Solutions using SSAS Tabular Model Succinctly. Morrisville, USA: Synsfusion Inc., [15] L. Vitt and S. Cameron, "Choosing a Tabular or Multidimensional Modeling Experience in SQL Server 2012 Analysis Services," Microsoft Business Intelligence, [16] M. Russo, "SSAS Tabular as Analytical Engine," SQLBI Article, [17] R. S. Kaplan and D. P. Norton, "Balanced Scorecard - Measures that drive performance," Harvard Business Review, [18] R. S. Kaplan, "Conceptual Foundations of the Balanced Scorecard," Harvard Business School Press, vol , [19] R. S. Kaplan and D. P. Norton, The Balanced Scorecard: Translating Strategy Into Action. Boston, EUA: Harvard Business School Press, [20] B. Devlin, "Data Warehouse from Architecture to Implementation," Addison Wesley Longman, Inc [21] C. Ballard, D. M. Farrell, A. Gupta, C. Mazuela, and S. Vohnik, "Dimensional Modeling: In a Business Intelligence Environmment," International Business Machines Corporation, United States of American SG , [22] R. Kimball and M. Ross, The Data Warehouse Toolkit : The Complete Guide to Dimensional Modeling, 3th ed. United States of America: Wiley Computer Publishing, [23] M. Véliz Monteagudo, "Herramienta genérica para la población del Data Warehouse Empresarial," Tesis en opción del grado de Máster en Ciencia de la Computación. Universidad de La Habana, Cuba2009. [24] J. L. Cano, "Business Intelligence: Competir con Información," Universidad Ramon Llull. Escuela Superior de Administración y Dirección de Empresas (ESADE), Barcelona, España2007. [25] K. S. P. Srinivasu and S. C. Satapathy, "Optimization of ETL Work Flow in Data Warehouse," International Journal on Computer Science and Engineering (IJCSE), vol. vol. 4, pp. p , [26] A. Karagiannis, P. Vassiliadis, and A. Simitsis, "Scheduling strategies for efficient ETL execution," Journal Information Systems, vol. vol. 38, pp. p [27] M. Russo, "BISM: Multidimensional vs. Tabular," in Microsoft TechEd 2012, [28] J. Sirmon, G. Galloway, C. Gross, and K. Gulati, "Performance Tuning of Tabular Models in SQL Server 2012 Analysis Services," SQL Server Technical Article,