P R O F E S I O N A L

Tamaño: px
Comenzar la demostración a partir de la página:

Download "P R O F E S I O N A L"

Transcripción

1 INSTITUTO POLITÉCNICO NACIONAL UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS I N T E L I G E N C I A D E N E G O C I O S E N I N F A I N F O R M E D E P R Á C T I C A P R O F E S I O N A L Q U E P A R A O B T E N E R E L T Í T U L O D E: LICENCIADO EN CIENCIAS DE LA INFORMÁTICA P R E S E N T A : L I L I A N A M E N E S E S B E N Í T E Z S. MÉXICO, D.F. 2010

2 ÍNDICE RESUMEN... i INTRODUCCIÓN...ii CAPÍTULO I. MARCO METODOLÓGICO Planteamiento del problema Objetivos Objetivo general Objetivos específicos Justificación Hipótesis Tipo de investigación Técnica de investigación a emplear CAPÍTULO II. MARCO TEÓRICO Y REFERENCIAL Conceptos clave y su aplicación Inteligencia Negocio Inteligencia de Negocios Data Warehouse Data Mart Arquitectura del Data Warehouse con Data Marts Minería de datos Procesos ETL Modelamiento Dimensional Fact Table / Tabla Fact Tabla de Dimensión Metodología Kimball DataStage... 8

3 Entorno de la Información La empresa: INFA Misión y Visión CAPÍTULO III. ANÁLISIS DE LA INVESTIGACION DE CAMPO Análisis de la Solución (Propuesta) Propuesta de Solución General Análisis de Costos Diagnóstico CAPITULO IV. PROPUESTA Análisis y Diseño Esquema Funcional y Operativo Inteligencia de Negocios en INFA Planteamiento del Problema Propuesta de Solución Análisis Costo Beneficio Construcción Generación de ETL SATA (Visitas Médicas) Análisis SATA Diseño SATA Construcción SATA ATB Análisis ATB Diseño ATB Construcción ATB MPFM Análisis MFPM Diseño MFPM... 82

4 Construcción MFPM Reporte Ejecutivo Análisis Reporte Ejecutivo Diseño Reporte Ejecutivo Construcción Reporte Ejecutivo CLOSE-UP Análisis Close-Up Diseño Close-Up Construcción Close-Up Liberación Manuales CONCLUSIONES BIBLIOGRAFÍA GLOSARIO ANEXOS

5 RESUMEN. La Tecnología de Información (TI) es, en la actualidad, un componente de gran importancia para cualquier organización, sin embargo, en los datos y su adecuado manejo como transformaciones, búsqueda de patrones, y consolidaciones, es lo que da un carácter estratégico a TI en la organización. En este contexto es donde aparecen conceptos como el de Inteligencia de Negocios, que apoyados en técnicas, estrategias, metodologías y herramientas buscan ofrecer información más adecuada para la toma de decisiones. Una decisión adecuada en una organización se traduce en mejoras significativas sea en dinero u otro beneficio. Una solución de Inteligencia de Negocios puede con gran posibilidad, cambiar el rumbo de una organización hacia escenarios más favorables y más beneficiosos. En el mercado existen diversas herramientas que apoyan a la implementación de Inteligencia de Negocios, pero son muy pocas las organizaciones que los utilizan en nuestro país, principalmente por el alto costo que implican la plataforma informática de este tipo de soluciones o porque las soluciones existentes cubren una parte y no todo el espectro de posibilidades. La implementación de soluciones de Inteligencia de Negocios se apoya necesariamente en un conjunto de herramientas informáticas que tienen que cubrir un ciclo de trabajo que comienza con la extracción de los datos de diversas fuentes de información como archivos de bases de datos de diferentes proveedores, hojas de cálculo, archivos planos, entre otros; continuando con un proceso de transformación de los mismos, que puede ser tan simple como la homogenización de los datos a conversiones complejas que se realizan en varias etapas; y, finalmente el análisis de la información a través de diversos reportes tabulares y gráficos que permitan a la alta dirección de una organización tomar decisiones. Una solución básica de Inteligencia de Negocios utiliza grandes almacenes de datos (data Warehouse) y herramientas que ayuden al diseño de las transformaciones y la explotación de la información; cada cual con sus diversas complejidades. i

6 INTRODUCCIÓN. En el mundo de los negocios, ha sido reiteradamente reivindicado el valor del sexto sentido de los altos ejecutivos de las empresas para fundamentar sus decisiones estratégicas. Sin embargo las nuevas, y algunas no tan nuevas características del entorno empresarial bajo los efectos de globalización de las empresas, de los mercados, de las tecnologías, de los flujos de capitales y de los productos, ejercen una enorme influencia sobre la competitividad y la productividad de las organizaciones, presionando con ello a fundamentar cada vez menos las decisiones en los sentidos, para hacerlo cada día más apoyados en los sistemas de información y las tecnologías. En efecto, como respuesta a las nuevas condiciones del mercado, ahora con alcance mundial por la globalización de las economías, se han desatado un valor especial al uso de sistemas de información proveedores de los elementos para la toma de decisiones que corresponda al problema detectado, así como al logro de la meta planteada. Se puede reconocer, que el objetivo final de esta clase de aplicaciones es apoyar al personal responsable de la administración de una función, área o de toda la organización en el mejor desempeño de su tarea, especialmente en la toma de decisiones. En el presente reporte de práctica profesional se enfoca a la problemática de la empresa INFA, empresa mexicana dedicada a la investigación y creación de productos de índole farmacéuticos; con su información. En el primer capítulo de este trabajo se describen las directrices generales para abordar el tema de la práctica profesional, en el que se realizó el planteamiento del problema detectado en la empresa INFA, definiendo desde los objetivos hasta la justificación del problema. En el capítulo II se presenta el marco referencial con el objeto de mostrar la información general de la empresa INFA, así como la definición de conceptos clave. En el capítulo III se presenta la propuesta de solución, elaborada por BIS Soluciones, para la empresa INFA, así como los beneficios, ventajas y desventajas de la implementación de una solución de Inteligencia de Negocios. Finalmente, con base a la información recopilada se presenta el capítulo IV, el cual es el resultado de este trabajo, que es el desarrollo de los procesos que extraerán, transformarán y cargaran la información en el Data Mart de la empresa INFA. ii

7 CAPÍTULO I. MARCO METODOLÓGICO. En este capítulo se describen las directrices generales para abordar el tema de este informe de práctica profesional, en donde se realiza el planteamiento del problema, definición de los objetivos y la justificación de los mismos, así como el tipo de investigación y la técnica de investigación a emplear. 1.1 Planteamiento del problema. En la actualidad las Tecnologías de la Información se han convertido en una herramienta clave en el proceso de desarrollo continuo dentro de las empresas. La competitividad del mercado y la globalización de la industria plantean un reto mayor dentro de toda organización pues se hace necesaria la innovación y el planeamiento estratégico que permita a la empresa trascender con un producto o servicio diferenciado. Para poder lograrlo se requiere que la información de la empresa se encuentre de forma adecuada para realizar un correcto análisis de la misma y se puedan tomar decisiones con mayor índice de certidumbre. 1.2 Objetivos Objetivo general. Proporcionar a INFA la solución de Inteligencia de Negocios adecuada para el análisis correcto y eficiente de su información. Es importante notar que los datos de origen que serán cargados en el Data Mart y que pueden provenir de fuentes de datos heterogéneas Objetivos específicos. Generar cuatro Cubos Multidimensionales con la información del área Comercial, para las siguientes fuentes de datos: SATA (Visitas Médicas, In-Bound/Out-Bound Clientes). ATB (Participación de Mercado e Índice de Evolución por representante de Ventas INFA). MFPM (Desplazamiento en unidades de los productos de INFA y de sus competidores). CLOSE-UP (Close-Up Market y Close-Up Pharma). Generar el Reporte Ejecutivo, con las fuentes de datos que alimentan este mismo: SATA (Visitas Médicas). ATB. ESAKT. 1

8 1.3 Justificación. El problema planteado anteriormente, lleva a BIS Soluciones a plantear una solución que le permita obtener de forma eficiente la información estratégica para la toma de decisiones del área Comercial de INFA; mediante la utilización de herramientas tales como DataStage. Respecto a la carrera de la cual provengo y al entorno en el cual me desenvuelvo, se aplicarán los conocimientos acerca de los procesos que intervienen de forma técnica, así como del análisis del negocio, dando el enfoque a las tecnologías de la información, procurando que cumplan con los objetivos establecidos. Los resultados que obtendré como profesionista serán una proyección y una aplicación sobre el negocio al cual ofrecemos nuestros servicios, no solo de forma operativa sino estratégica para la toma de decisiones y así al tener ambos elementos seré aún más valiosa en mi entorno de trabajo, ya que tendré conocimiento y función sobre las reglas del negocio. 1.4 Hipótesis. Se generará una solución de Inteligencia de Negocios para el área Comercial de INFA, mediante la herramienta de Inteligencia de Negocios DataStage, para integrar la información del área comercial y generar un mejor análisis de dicha información. 1.5 Tipo de investigación. Descriptiva. Ya que se analizaran situaciones y eventos dentro del proyecto, buscando especificar cada uno de los componentes de este proyecto. 1.6 Técnica de investigación a emplear. Para este proyecto las técnicas empleadas serán: Documentales. Fichas bibliográficas, información por parte del cliente y con esta llevar un registro de los pasos del proyecto. De campo. Que será por medio de entrevistas y cuestionarios a los encargados de la dirección del proyecto, así como a los empleados encargados del desarrollo del mismo. 2

9 CAPÍTULO II. MARCO TEÓRICO Y REFERENCIAL. En este capítulo se abordará el tema del marco teórico y referencial sobre algunos aspectos de la Inteligencia de Negocios, con el objetivo de dar un panorama general de los conceptos utilizados dentro de este reporte de práctica profesional. 2.1 Conceptos clave y su aplicación Inteligencia. Es la capacidad para aprender, en un contexto y tiempo reales la relación entre una situación problemática, la necesidad de su solución, la combinación específica de conocimientos conceptuales, instrumentales y operacionales y cómo utilizarlos para lograr, creativamente, una solución Negocio. Actividad comercial o social que se ha pensado y se desea de que desarrollar. Es una herramienta que nos permite organizar y planificar las actividades que debemos realizar para lograr las metas de nuestra empresa cooperativa Inteligencia de Negocios. Se puede definir como el uso de los datos recopilados con el fin de generar mejores decisiones de negocio, esto implica accesibilidad, análisis y revelar nuevas oportunidades. Algunos conceptos de inteligencia de negocios no son nuevos, pero incluyen ahora la experiencia ganada desde los sistemas de información centrales hasta las aplicaciones de Data Warehouse. La inteligencia de negocios busca proveer de un conjunto de tecnologías y productos para proporcionar a los usuarios la información que necesitan para resolver preguntas de negocios y tomar decisiones tácticas y estratégicas para el negocio Data Warehouse. Kimball lo define como la conglomeración de un conjunto de datos, los cuales se requieren almacenar y presentar de forma organizada. Los datos de la operación que se almacenan están estructurados de tal forma que puedan ser consultados con el fin de analizarlos. Según Kimball, podemos distinguir algunos elementos básicos del Data Warehouse: 3

10 Sistemas de Fuente Operacionales, la arquitectura en la cual se almacena los datos de la operación de la empresa. Área de arreglo de los Datos, donde se ejecutan la depuración, estandarización y combinación de los datos de la fuente operacional. Además se almacena los datos y se ejecuta procesos de ordenamiento. Área de Presentación de los Datos, donde se realiza la carga de los datos que conforman un Data Mart, haciendo uso del modelamiento dimensional. Herramientas de Acceso a los Datos, que incluye aplicaciones para consulta específica, generadores de reportes, análisis de datos, modelamiento de proyecciones y estimación de resultados Data Mart. Kimball lo define como subconjunto lógico y físico del área de presentación de datos en un Data Warehouse. Originalmente, los Data Mart fueron definidos como un subconjunto altamente agregado de datos, normalmente usados para resolver preguntas específicas del negocio. Esta definición resultó no ser la más apropiada pues provocaba que los Data Mart sean inflexibles de combinarse con otros. 2 Esta primera concepción ha sido reemplazada, y el Data Mart es ahora definido como un conjunto flexible de datos, idealmente basado en los datos más atómicos posibles que se puedan extraer de una fuente operacional, y presentados en un modelo dimensional que es el que posee mayor capacidad de recuperación ante consultas inesperadas de los usuarios. Los Data Mart pueden estar vinculados usando técnicas específicas al momento de conformar sus dimensiones. En este caso decimos que los Data Mart están conectados al bus del Data Warehouse. En una forma simplificada, podemos decir que un Data Mart representa los datos de un proceso único de negocio Arquitectura del Data Warehouse con Data Marts. El Data Warehouse suele contener un subconjunto de datos corporativos que son valiosos para una unidad de negocio específica, departamento o grupo de usuarios. Este subconjunto esta formado por datos históricos, sumariados, y posiblemente datos detalle del proceso de captura de 1 The Data Warehouse Toolkit, página 40 2 The Data Warehouse Toolkit, página 16 4

11 sistemas (llamados Data Marts independientes), o desde un Data Warehouse de la empresa (llamados Data Marts dependientes). 3 Arquitectura del Data Warehouse con Data Marts Minería de Datos. La minería de datos (DM, Data Mining) consiste en la extracción no trivial de información que reside de manera implícita en los datos. Dicha información era previamente desconocida y podrá resultar útil para algún proceso. En otras palabras, la minería de datos prepara, sondea y explora los datos para sacar la información oculta en ellos. Bajo el nombre de minería de datos se engloba todo un conjunto de técnicas encaminadas a la extracción de conocimiento procesable, implícito en las bases de datos. Está fuertemente ligado con la supervisión de procesos industriales ya que resulta muy útil para aprovechar los datos almacenados en las bases de datos. Las bases de la minería de datos se encuentran en la inteligencia artificial y en el análisis estadístico. Mediante los modelos extraídos utilizando técnicas de minería de datos se aborda la solución a problemas de predicción, clasificación y segmentación. 3 Dimensional Modeling In a Business Intelligence, página 40 5

12 2.1.8 Procesos ETL. ETL - este término viene de ingles de las siglas Extract-Transform-Load y que significa Extraer, Transformar y Cargar. ETL es el proceso que organiza y consolida el flujo de los datos entre diferentes sistemas en una organización desde múltiples fuentes, formateándolos, limpiándolos y cargándolos en otra base de datos, Data Mart ó Data Warehouse. ETL forma parte de lo que se conoce como Business Intelligence, también llamado Administración de los Datos (Data Management). Proceso ETL Modelamiento Dimensional. Según Kimball, constituye una forma de modelamiento lógico de los datos orientado al rendimiento de las consultas y la facilidad de uso que se inicia de un conjunto de eventos de mediciones básicas. En el ámbito del modelo relacional de base de datos, una tabla Fact está acompañada de un conjunto de tablas de dimensión que le describen los atributos en el contexto de cada registro medidor. Por su estructura característica, al modelo dimensional se le conoce también como modelo de esquema estrella. Un modelo dimensional busca con su diseño proveer claridad, predicción, escalabilidad y alta resistencia a una significativa cantidad de consultas, todo ello debido a su naturaleza simétrica. 6

13 Dicho modelos dimensionales son la base de muchos componentes que agregan rendimiento en las bases de datos, incluyendo su considerable facilidad para poder vincular diferentes jerarquías de datos y aproximación por índices. Los modelos dimensionales son la base para el desarrollo incremental y distribuido de los Data Warehouse a través del uso de dimensiones y Facts, además son la base lógica para los sistemas OLAP. 4 Las características para llenar un modelo dimensional son: No deben existir en el modelo dimensional datos nulos. Cada dimensión tiene un código auto correlativo independiente que es su llave principal (IDENTITY). Los datos deben estar estandarizados. Ejemplo: si en alguna tabla se escribía 1 para masculino y 0 para femenino y en otra tabla se escribía M para masculino y F para Femenino. Al momento de llevar esta información al modelo dimensional todo debe esta estandarizado. Este tipo de conversión se hace en el proceso de ETL Extracción, transformación y carga Fact Table / Tabla Fact. Kimball define que en un esquema tipo estrella (modelo dimensional), la tabla Fact representa la tabla central con medidores numéricos de rendimiento caracterizadas por una llave compuesta, cada una de ellas es una llave foránea en las tablas de dimensión Tabla de Dimensión. Kimball define que en el modelo dimensional, una tabla de dimensión es una tabla con una única llave primaria y varias columnas de atributos descriptivos Metodología Kimball. La metodología de Kimball se enfoca principalmente en el diseño de la base de datos que almacenará la información para la toma de decisiones. El diseño se basa en la creación de tablas de hechos (FACTS) que son tablas que contienen la información numérica de los indicadores a analizar, es decir la parte cuantitativa de la información. Ralph Kimball, es reconocido como uno de los padres del concepto de Data Warehouse, se ha dedicado desde hace más de 10 años al desarrollo de su metodología para que éste concepto sea bien aplicado en las organizaciones y se asegure la calidad en el desarrollo de estos proyectos

14 Ciclo de vida de los proyectos BI DataStage. DataStage es una herramienta ETL que permite de una manera sencilla y versátil la creación y administración de procesos que integran información de diversas fuentes, ya sean homogéneas o heterogéneas, que se encuentren ubicadas en el mismo sitio o en servidores físicamente remotos. Es una solución muy útil para proyectos de Data Warehouse, de integración de aplicaciones, integración de datos, etc. Posiblemente existan otros medios más económicos y conocidos que nos permitan realizar las mismas tareas, pero la ventaja de DataStage es la facilidad con que se desarrollan los procesos así como la administración de los mismos Entorno de la Información. BI es sobre toda la información y la casa para dicha información es el Data Warehouse. El cual ya no es construido como una ventaja especial, sino que ahora es visto como un requisito empresarial. Este requisito es tener un entorno de información estructurada y organizada. Esta estructura contiene diferentes tipos y organizaciones de datos; y estos se pueden organizar en un ambiente estructurado. En la siguiente figura se muestra este ambiente como una pirámide de información Dimensional Modeling In a Business Intelligence, páginas 40 y 41. 8

15 Pirámide de la información. 2.2 La empresa: INFA. INFA (Investigación Nacional Farmacéutica) es una empresa mexicana fundada en los años 40 s, la cual esta dedicada a la fabricación de productos farmacéuticos, especializada en productos de salud femenina, así como también para el combate a la obesidad y el síndrome metabólico. 2.1 Misión y Visión. Misión. Nuestra Misión es la salud de los pacientes mejorando su calidad de vida. En Investigación Farmacéutica queremos ser reconocidos y respetados como una compañía que conduce negocios con la aplicación de elevados estándares éticos que cumplan con los requerimientos legales y regulatorios. Visión. Ser líderes en el mercado de obesidad y en el de salud femenina. 9

16 2.2.2 Política de Calidad. Es el compromiso de INFA cumplir con las expectativas de nuestros Clientes ofreciendo productos farmacéuticos y suplementos alimenticios de Calidad a través de una Mejora Continua Objetivos de Calidad. Los objetivos de calidad en la empresa INFA son: Estar dentro del ranking 40 a 45 en el año 2009, así como ser de las primeras 10 empresas farmacéuticas nacionales en el año Mantener un crecimiento de al menos el doble del mercado. Lanzar dos productos por año de al menos 10 millones de pesos cada uno en ventas con utilidad al tercer año como máximo. Lograr un alto nivel de servicio al cliente interno y externo (en tiempo y calidad) comparado con el histórico. Construir una nueva imagen para INFA (identidad corporativa, imagen, marca). Construir la vitalidad de la organización estableciendo un plan de sucesión y aprovechar el talento de la gente Organigrama. Organigrama de la empresa INFA. BIS Soluciones para el desarrollo del proyecto se encuentra ubicado a nivel STAFF en el área de Sistemas, ya que no se considera como parte del área de Sistemas, sino como apoyo a la misma. Es por ello que no aparece en este organigrama. 10

17 CAPÍTULO III. ANÁLISIS DE LA INVESTIGACION DE CAMPO. En este capítulo se pretende mostrar el análisis de la solución, así como los beneficios, ventajas y desventajas de la implementación de una solución de Inteligencia de Negocios. 3.1 Análisis de la Solución (Propuesta) Propuesta de Solución General. Business Intelligence suele definirse como la transformación de los datos de la compañía en conocimiento para obtener una ventaja competitiva (Gartner Group). Desde un punto de vista más pragmático, y asociándolo directamente a las tecnologías de la información, podemos definir Business Intelligence como el conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y transformar datos de los sistemas transaccionales e información desestructurada (interna y externa a la compañía) en información estructurada, para su explotación directa (reporting, análisis OLAP...) o para su análisis y conversión en conocimiento soporte a la toma de decisiones sobre el negocio. Modelo integral de una solución BI. 11

18 3.2 Análisis de Costos. La información en la actualidad se ha vuelto un componente de gran importancia para cualquier organización es la información, esto lo que lo convierte en un activo. En INFA la información se encuentra distribuida en varios repositorios, que pertenecen a diferentes proveedores, esto a su vez, como ya se había mencionado, le genera costos y no sólo con los proveedores, sino también por el tiempo que le implica el poder generar un reporte con la información de sus diferentes fuentes. De tal manera que INFA puede estar perdiendo dinero por la toma de decisiones tardías. Además el uso de recursos humanos es elevado, debido al gran tiempo que estos deben utilizar para la generación de sus reportes. 3.3 Diagnóstico. La empresa INFA presenta problemas en conceptualización de información, su área de sistemas no se encuentra con la capacidad necesaria para poder implementar por sí misma un proceso de Inteligencia de Negocios, que permita a la Gerencia Comercial generar de forma fácil y eficiente el análisis de su información. 12

19 CAPITULO IV. PROPUESTA. En este capítulo se presenta la propuesta de solución planteada por BIS Soluciones para la empresa INFA, en relación a sus problemas de análisis de información. 4.1 Análisis y Diseño. La información en la empresa INFA presenta un grado de complejidad media, ya que no se requiere realizar cálculos complejos para su obtención en algunos casos, en otros simplemente los datos se toman desde la fuente hasta el destino. Se plantea realizar un Data Mart, el cual contenga la información necesaria de las áreas de INFA, que son: Visitas Médicas. Ventas. Mercados. Close Up Esquema Funcional y Operativo. Solución BI para la empresa INFA. 13

20 4.2 Inteligencia de Negocios en INFA. En esta sección se explican los conceptos principales en el cual está fundamentado el procedimiento que se sigue para el desarrollo y determinación de la muestra que se aplicó en Impresora Chávez García y los cálculos realizados para su obtención Planteamiento del Problema. INFA presenta un problema que muchas empresas en la actualidad lo sufren, el cual es tener información en diferentes repositorios, complicando el análisis de la información. En INFA se encontraron las siguientes necesidades de información para la Gerencia Comercial: 1. Contar con un repositorio central, en el que converjan las distintas fuentes de información (VANTAGE, SATA, ATB, etc.) para contar con la capacidad de responder de forma veraz y oportuna a preguntas como las siguientes: 1) Cómo se encuentra la alineación territorial de la fuerza de ventas? 2) Cómo se están dando los Pagos de Incentivos? Producto y por Distrito. Por Producto y por Representante de Ventas. En forma histórica por Distrito. En forma histórica por Representante de Ventas. 3) Cómo se encuentra la Cobertura en Unidades vs. la Cobertura en Visitas Médicas? 4) Cómo se encuentra el Cobro de Incentivos vs. la Cobertura en Visitas Médicas? 5) Cómo se encuentra la Rentabilidad? 6) Cuál es el Costo de Operación en función a: Costo Distrito. Volumen de Ventas en pesos vs. el Precio Promedio Esperado. Costo de la Visita por Contacto (incluye Sueldos, Comisiones, Viáticos). Costo de Material Promocional por ruta. 7) Cuáles son los niveles de Productividad? 8) Cuáles son las Variaciones vs. Rolling Forecast? Tiempo histórico de procesamiento de lotes (desde que abre hasta que cierra) Tiempos de proceso. 9) Cuáles son los costos históricos de Producción? 14

21 2. Contar con los elementos necesarios para la elaboración de reportes más completos, que les permitan realizar análisis, de una forma gráfica y amigable, tales como: 1) Cobertura de la Fuerza de Ventas. 2) Ventas en unidades y dinero. 3) Ventas por Gerencia, por Regiones, por Divisiones, por Fuerza de Ventas, etc. 4) Variaciones de Logística, dando seguimiento en los cambios que se hayan podido realizar en la Fuerza de Ventas. 5) Rotación de Cuentas y Rankeo de Clientes. 6) Expectativas de Venta a través del Rolling Forecast y la Venta. La información a nivel gerencial es un elemento en el cual se fundamentan las acciones y decisiones futuras, no sólo es un registro de lo que ocurrió en el pasado. Por lo que es fundamental para las empresas poder contar con un repositorio único de información Propuesta de Solución. Derivado del punto anterior, la empresa INFA se le propone una solución de Inteligencia de Negocios, la cual consiste en la integración de las siguientes fuentes de datos en un solo repositorio, permitiendo así análisis integrados: 1) MFP. 2) SATA. 3) ATB. 4) CLOSE UP (MARKET Y AUDIT PHARMA). Modelo conceptual de solución para la empresa INFA. 15

22 Esta solución pretende terminar con los problemas actuales de análisis de información para la Gerencia Comercial de INFA Análisis Costo Beneficio. En la actualidad, la mayoría de las empresas manejan el concepto de retorno para sus inversiones. El concepto de retorno viene por la cuantificación de los beneficios que va a suponer una determinada inversión y cuál es la calidad de esa inversión en función de los beneficios generados por ella. Con los sistemas Business Intelligence obtenemos beneficios tanto en generación de nuevas oportunidades, mejora en la toma de decisiones y una notable disminución de costos. En primer lugar hemos de ser conscientes de los costos en los que incurrimos cuando no tenemos una herramienta de Business Intelligence, que gráficamente se representan con esta balanza: Balanza de ejemplificación del costo de no tener una solución BI. Como se observa en esta balanza, se trata de costos contrapuestos. Costos Tangibles de la Información: Costos Humanos. Horas de búsqueda de la información. 16

23 Horas de preparación de la información. Costos de Interpretación de la Información. Costo de los errores humanos en cálculo. Costos No Humanos. Horas de Equipo procesando búsqueda de información. Horas de equipo preparando la información. Horas de equipo transmitiendo. Costos Tangibles de la Desinformación: Costo por no disponer de la información (no detectar los problemas). No detectar objetivos no cumplidos. No detectar desviaciones tácticas. No controlar el cumplimiento de las estrategias. No disponer de información para la toma de decisiones. Tomar decisiones sin toda la información necesaria, coste de los errores. Costo de oportunidad, (no detectar las oportunidades para generar negocio). Comportamientos en campañas que aplicaríamos a mercados decrecientes. Segmentos de alta rentabilidad, productos clientes, mix, etc. Creación de información de alto valor para la toma de decisiones. Costos Intangibles de la información: Costos de satisfacción del cliente interno. Costos de aumento de productividad. Costos de imagen corporativa. Otros de menor importancia. En toda empresa estos dos costos, los de información vs. desinformación deben estar equilibrados, ser iguales y deben sumar lo mínimo posible. Por otra parte vendrá el aumento de beneficios, generados directamente de la posibilidad de disponer de sistemas Business Intelligence. Estos Beneficios vienen derivados de las nuevas oportunidades que se generan al disponer de esta tecnología y el uso correcto de la misma, como por ejemplo: Aumento de ventas por concentración de recursos. Aumento de ventas por focalización en segmentos de rentabilidad de clientes. 17

24 Aumento de ventas por focalización en segmentos de productos. Aumento de márgenes por focalización en segmentos de mix de productosclientes. Alineación de la empresa, (los empleados), según la estrategia. Toma de decisiones contando con todos los parámetros. Posibilidad de simulación de escenarios. Toma de decisiones basadas en cuadro de mando. Hay efectos como el aumento de productividad de los empleados y directivos, la nueva imagen interna de la empresa de modernidad y avance, etc. 4.3 Construcción. En esta sección se describe cada uno de los procesos de carga de los datos al modelo dimensional por cada modulo del proyecto Inteligencia de Negocios en INFA, pasando por el análisis, diseño y desarrollo. Cada proceso desarrollado con la herramienta DataStage Generación de ETL SATA (Visitas Médicas) Análisis SATA. SATA es un sistema que le permite a INFA conocer el número de visitas realizadas por cada uno de sus representantes, hacia los médicos y farmacias; permitiendo a INFA poder conocer la actividad de sus representantes y cuáles son los productos que estos están promocionando. Este proveedor proporciona a INFA reportes y respaldos de la base de datos de forma mensual, los reportes dentro de un sistema Web y el respaldo dentro de un Backup en un Manejador de Base de Datos llamado postgres. Se definió que estas serán nuestras fuentes de análisis del sistema. La fuente de datos final que se tomará, será la base de datos, ya que se considera como la fuente de datos más confiable para la extracción de la información. Para poder obtener la información es necesario conocer la Base de Datos y las tablas de la misma. Dentro de todo el proceso de análisis de la fuente de datos se encontraron los siguientes puntos: SATA cuenta con 74 tablas (No todas serán utilizadas). 18

25 Se puede crear la conexión a la BD desde DataStage para las extracciones. Puntos en contra: No se cuenta con el modelo de la BD. No se cuenta con el diccionario de datos. A través de este sistema, INFA intentar cubrir los siguientes aspectos: Identificar a los clientes más rentables ó potenciales para cada producto, para brindar una atención personalizada y diferenciada. Reducir el tiempo en labores administrativas, permitiendo que su personal se enfoque en sus actividades de venta o servicio. Hacer de la información de sus clientes un activo de la empresa y no información del personal que los atiende. Establecer métricas de desempeño para dar un seguimiento de manera oportuna, cuando todavía hay posibilidad de tomar acciones correctivas en lugar de acciones reactivas. Optimizar el uso su material promocional haciendo que se entregue el material correcto al cliente objetivo y con la frecuencia que INFA defina. Trabajar desde cualquier lugar, ya que sólo se necesita de un acceso a Internet. SATA maneja 2 tipos de entidades: 1. Instituciones. 2. Personas. SATA maneja 2 Fuerzas de Ventas: 1. INFA. 2. CELN. Nota: INFA y CELN solo cubren desde el Ciclo hasta el , se definió que los ciclos anteriores al no se tomarán, debido a que las fuerzas de ventas son diferentes y están alineados a otros Bricks. Las Fuerzas de Ventas están divididas en Territorios que se conocen como Rutas, las cuales a su vez están conformadas por Bricks, los cuales a su vez tienen Códigos Postales y Colonias. Esta estructura aplica a todos los estados de la república Mexicana. Fuerza de Venta > Rutas > Bricks > CP y colonias. 19

26 La Fuerza de Ventas tiene una jerarquía como sigue: Gerencia Nacional > Gerente de Distrito > Representante de Ventas. La información a capturar de los médicos (Ficha del Médico) en el sistema es la siguiente: Estatus del Médico (Nuevo o INFO100). Nombre. Apellido Paterno. Apellido Materno. Fecha de Nacimiento. Sexo. Bandera de Prescripción de Itravil (SI o NO). Especialidad. Actividad Académica. Cédula Profesional. Celular. . Maneja Igualas. Bandera de Prescripción de Sibutraminas (SI o NO). Número de pacientes a los que Prescribe Sibutraminas, expresado en Porcentaje. Bandera de Prescripción de Medicamentos Controlados (SI o NO). Número de pacientes a los que Prescribe Medicamentos Controlados, expresado en Porcentaje. Número de pacientes a los que Prescribe Medicamentos Controlados, expresado en Porcentaje. Número de pacientes que atiende en total por semana. Número de pacientes que atiende de obesidad por semana. Precio de la consulta. Bandera de Prescripción de Alprazolam (SI o NO). Teléfonos. Estatus del médico que se está dando de alta debería de ser siempre INFO100, el cual se asigna una vez que se hayan proporcionado todos los datos requeridos por el sistema (los marcados en negritas, cursivas y subrayados). Para cambiar este estatus los representantes de ventas tienen hasta 90 días para llevarlo a cabo. Para la clasificación del médico se deben tomar en cuenta DIAMANTE, N05C, A80A, N05C, C05C. 20

27 El manejo de Igualas significa que trabajo para algún banco o empresa como parte de su trabajo adicional al de tener su consultorio. Los datos de la dirección a capturar serán los correspondientes a los de su Consultorio Principal, siendo estos los siguientes: Tipo de Dirección. Calle. Número Exterior o Interior. Código Postal. Colonia. Municipio. Estado. Teléfono de la Dirección. Fax. Referencia para ubicación. Horarios. El sistema está ligado al Sistema Postal Mexicano, por lo que los códigos postales se encuentran actualizados; el sistema a partir del código postal o de la colonia, busca y proporciona los datos del Municipio y del Estado correspondientes. Los marcados en negritas, cursivas y subrayados son obligatorios para el sistema. Los datos de las Instituciones que se capturan son los siguientes: Nombre de la Institución. Sucursal. . Página Web. Matriz. Estatus. Los datos de las Farmacias que se capturan son los siguientes: Nombre de la Farmacia. Sucursal. . Matriz. 21

28 Página Web. Estatus. Clasificación 1 (RX, VDF Abierta al Público, VDF Consultorio). Clasificación 2 (No vende Controlados, Si Vende Controlados). Clasificación 3 (Autoservicio, Farmacia Cadena, Farmacia Particular). Estatus (Nuevo, Por Validar, Validado, Suspendido, Pendiente, Audit). En cuanto a las Visitas Médicas se refiere, lo que pueden capturar los representantes de Ventas está lo siguiente: Tipo de Visita (Llamada de Entrada, Llamada de Salida, Visita Farmacia, Visita Médica). Bandera de Reasignación. Fecha o Ciclos. Hora. Bandera indicativa de si tiene o no una cita. Objetivo / Comentario. Objetivo/ Siguiente. Acompañado con: GNAC, GPRD, GDIS, DCOM, GMKT, OTROS. Estatus (Planeada, Terminada, No Realizada, Reprogramada). Clasificación (Normal o Ciclo). Los representantes tienen indicado el grabar o agendar su primera cita del día, así como la primera después de la hora de la comida. También pueden Reasignar la cita a otro compañero de la misma ruta, aunque sea de otra Fuerza de Ventas. Estos casos en su mayoría son a sugerencia del Médico, ya que éste le pide al representante le notifique a su compañero de la necesidad que tiene de verlo. SATA lleva un histórico de estas reprogramaciones, las cuales pueden ser consultadas por medio del módulo de Análisis con que cuenta. Las calendarizaciones de las visitas se pueden visualizar a través del Calendario, ya sea por día, semana o mes. Cuenta con un módulo de Análisis el cual a su vez tiene las siguientes opciones: Cubos. Reportes. 22

29 Indicadores. La obtención de la información desde la fuente de información y la carga de la misma en el Data Mart se plantea con el siguiente diagrama: SATA PROCESAMIENT O PARA CARGA Modelos Comerciales INFAERP Extracción de la información de SATA. En donde toda la información de visitas se obtiene de la fuente SATA, agregándole la fuente INFAERP, de donde obtiene la alineación de la Fuerza de Ventas Diseño SATA. Para la realización del diseño del modelo de visitas para INFA, se realizaron tareas previas, como lo fueron el análisis de la propia fuente de datos, pero no al punto de entender el 100% la aplicación, sino solo de las partes que se consideran importantes para el desarrollo del proyecto Inteligencia de Negocios en INFA ; así también se realizaron entrevistas con los usuarios finales para entender mejor sus necesidades y el negocio. Como se describió en el análisis, la fuente de datos de donde se extrae la información es una base de datos denominada SATA, la cual se encuentra en POSTGRES SQL 8. Para el análisis de la información proveniente de esta fuente y funcionamiento de los cubos de información, se realizo un modelo de datos, el cual se muestra a continuación. 23

30 Modelo de datos para el modulo SATA. 24

31 Este modelo de datos se obtuvo después de las entrevistas con los usuarios, las cuales fueron sensibles a las necesidades de los mismos. Para la realización se tomo como base la metodología de Kimball. Dicho modelo está conformado por dos tablas FACTS (Visitas Resumen y Visitas) y 15 catálogos (Gerentes, Representantes, Clasificación actividad, Acompañamiento, Status visita, Tipo visita, Médicos, Precio Consulta, Fuerza de ventas, Bricks, Ciclos Promocionales, Especialidades, Clientes, Numero de pacientes a la semana, Numero de pacientes a la semana obesidad). Para los catálogos de Gerentes, Representantes, Fuerza Ventas y Bricks su fuente es INFAERP. A continuación se detalla cada uno de los catálogos y FACT contenidos en el modelo de Visitas. GERENTES. COLUMNA LLAVE TIPO LONGITUD ID_DISTRITO_CONS NO VarChar 15 ID_DISTRITO SI VarChar 15 DESC_DISTRITO NO VarChar 45 ID_GTE_CONS SI VarChar 15 ID_NOMINA_GTE NO VarChar 15 DESC_GERENTE NO VarChar 50 ID_CNTO_COSTOS_GTE NO VarChar 10 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 REPRESENTANTES. COLUMNA LLAVE TIPO LONGITUD ID_RUTA_CONS NO VarChar 20 DESC_RUTA NO VarChar 30 ID_RUTA SI VarChar 15 25

32 ID_REPRE_CONS SI VarChar 20 ID_NOMINA_REPRE NO VarChar 10 DESC_REPRE NO VarChar 50 ID_CNTO_COSTOS_RUTA NO VarChar 10 ID_FUERZA_VENTAS NO VarChar 10 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 HIBRIDO NO VarChar 20 CLIENTES. COLUMNA LLAVE TIPO LONGITUD ID_CATEGORIA NO Integer 10 DESC_CATEGORIA NO VarChar 50 ID_TIPO_CLIENTE NO Integer 10 DESC_TIPO_CLIENTE NO VarChar 50 ID_TIPO_CLIENTE_1 NO Integer 10 DESC_TIPO_CLIENTE_1 NO VarChar 50 ID_CLIENTE NO Integer 10 DESC_CLIENTE NO VarChar 50 ID_STATUS NO Integer 10 DESC_STATUS NO VarChar 50 ID_AUDIT NO Integer 10 DESC_AUDIT NO VarChar 50 PREESCRIBE_SIBUTRAMINA NO VarChar 50 PREESCRIBE_CONTROLADOS NO VarChar 50 MANEJA_IGUALAS NO VarChar 50 26

33 ID_PRECIO_CONSULTA NO VarChar 50 RANGO_PRECIO_CONSULTA NO VarChar 50 ID_NUM_PAC_SEM NO VarChar 50 RANGO_NUM_PAC_SEM NO VarChar 50 ID_NUM_PAC_SEM_OBESIDAD NO VarChar 50 RANGO_NUM_PAC_SEM_OBESID NO VarChar 50 CLASIFICACION_ACTIVIDAD. COLUMNA LLAVE TIPO LONGITUD ID_CLASIFICACION NO Integer 10 DESC_CLASIFICACION NO VarChar 50 TIPO NO VarChar 50 ACOMPANAMIENTO. COLUMNA LLAVE TIPO LONGITUD ID_ACOMPANAMIENTO SI BigInt 19 DESC_ACOMPANAMIENTO NO VarChar 255 TIPO NO VarChar 255 STATUS_VISITA. COLUMNA LLAVE TIPO LONGITUD ID_STATUS_VISITA SI BigInt 19 DESC_STATUS_VISITA NO VarChar 255 TIPO NO VarChar

34 TIPO_VISITA. COLUMNA LLAVE TIPO LONGITUD ID_TIPO_VISITA SI BigInt 19 DESC_TIPO_VISITA NO VarChar 50 TIPO NO VarChar 255 SUBTIPO NO VarChar 255 MEDICOS. COLUMNA LLAVE TIPO LONGITUD ID_RUTA SI VarChar 50 DESC_RUTA NO VarChar 50 ID_CLIENTE SI VarChar 50 DESC_CLIENTE NO VarChar 50 NUM_CEDULA_PROF NO VarChar 50 ACTIVIDAD_ACADEMICA NO VarChar 50 ID_ESPECIALIDAD NO VarChar 50 DESC_ESPECIALIDAD NO VarChar 50 ID_STATUS NO Integer 10 DESC_STATUS NO VarChar 50 PREESCRIBE_SIBUTRAMINA NO VarChar 50 PORCENTAJE_SIBUTRAMINA NO VarChar 50 PREESCRIBE_CONTROLADOS NO VarChar 50 PORCENTAJE_CONTROLADOS NO VarChar 50 MANEJA_IGUALAS NO VarChar 50 ID_PRECIO_CONSULTA NO Integer 10 28

35 RANGO_PRECIO_CONSULTA NO VarChar 34 PRECIO_CONSULTA NO VarChar 50 ID_NUM_PAC_SEM NO Integer 10 RANGO_NUM_PAC_SEM NO VarChar 25 PACIENTES_SEMANA_TOTAL NO VarChar 50 ID_NUM_PAC_SEM_OBESIDAD NO Integer 10 RANGO_NUM_PAC_SEM_OBESID NO VarChar 25 PACIENTES_SEMANA_OBESIDA NO VarChar 50 ID_AUDIT NO VarChar 50 DESC_AUDIT NO VarChar 50 PONDERACION NO VarChar 50 PRECIO_CONSULTA. COLUMNA LLAVE TIPO LONGITUD ID_PRECIO_CONSULTA SI Integer 10 RANGO_PRECIO_CONSULTA NO VarChar 34 NUM_PAC_SEM. COLUMNA LLAVE TIPO LONGITUD ID_NUM_PAC_SEM SI Integer 10 RANGO_NUM_PAC_SEM NO VarChar 25 NUM_PAC_OBESIDAD. COLUMNA LLAVE TIPO LONGITUD ID_NUM_PAC_SEM_OBESIDAD SI Integer 10 29

36 RANGO_NUM_PAC_SEM_OBESID NO VarChar 25 ESPECIALIDADES. COLUMNA LLAVE TIPO LONGITUD ID_ESPECIALIDAD SI VarChar 50 DESC_ESPECIALIDAD NO VarChar 50 CICLOS_PROMOCIONALES. COLUMNA LLAVE TIPO LONGITUD ID_CICLO SI BigInt 19 DESC_CICLO NO VarChar 250 DESC_CICLO_FV NO VarChar 50 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 ANIO NO VarChar 4 ID_FUERZA_VENTAS NO VarChar 50 BICKS. COLUMNA LLAVE TIPO LONGITUD ID_ESTADO SI Integer 10 DESC_ESTADO NO VarChar 50 ID_CIUDAD_ZONAPOSTAL SI VarChar 50 DESC_CIUDAD_ZONAPOSTAL NO VarChar 50 ID_BRICK SI VarChar 255 DESC_BRICK NO VarChar 50 30

37 ID_FUERZA_VENTAS NO VarChar 50 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 FUERZA_VENTAS. COLUMNA LLAVE TIPO LONGITUD ID_PAIS SI Integer 10 DESC_PAIS NO VarChar 50 ID_REGION SI Integer 10 DESC_REGION NO VarChar 50 ID_GTE_NAL SI VarChar 50 DESC_GTE_NAL NO VarChar 50 ID_DISTRITO SI VarChar 50 ID_RUTA SI VarChar 50 VISITAS. COLUMNA LLAVE TIPO LONGITUD ID_CICLO SI VarChar 255 ID_CLIENTE SI BigInt 19 ID_DISTRITO_CONS SI VarChar 50 ID_RUTA SI VarChar 255 ID_RUTA_CONS SI VarChar 50 ID_REPRE_CONS SI VarChar 100 ID_BRICK SI VarChar 255 ID_TIPO_VISITA SI BigInt 19 31

38 ID_STATUS_VISITA SI VarChar 255 ID_CLASIFICACION SI BigInt 19 ID_ACOMPANAMIENTO SI BigInt 19 M_VISITAS NO BigInt 19 ID_PRECIO_CONSULTA SI Integer 10 ID_NUM_PAC_SEM SI Integer 10 ID_NUM_PAC_SEM_OBESIDAD SI Integer 10 ID_ESPECIALIDAD SI Integer 10 VISITAS_RESUMEN. COLUMNA LLAVE TIPO LONGITUD ID_CICLO SI BigInt 19 FECHA NO VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_RUTA SI VarChar 255 ID_RUTA_CONS SI VarChar 50 ID_REPRE_CONS SI VarChar 50 ID_TIPO_VISITA SI Integer 10 M_VISITA_REALIZADA NO BigInt 19 M_VISITA_BASE NO Numeric 19 M_VISITA_REQUERIDA NO Numeric 19 M_INCIDENCIAS NO Numeric 19 M_PLAN_TRABAJO NO Numeric 19 M_COBERTURA NO Float 15 M_VISITA_ACOMPANADA NO BigInt 19 DIAS_CICLO NO Integer 10 32

39 Construcción SATA. La construcción de este proyecto está basada en los procesos ETL que cargan la información necesaria para llenar los modelos, en este caso particular es el de Modelos Vistas. Para dicho proceso se crearán los procesos necesarios en la herramienta ETL DataStage ; se dividirán en cargas iníciales (historia) y periódicas (mensuales). Las cargas de la información se realizarán en una BD (Modelos Comerciales) en SQL Server 2005, esta tiene la misma estructura que el modelo de datos previamente mostrado. Los procesos para tales cargas de información son como siguen: Especialidades. En este proceso de carga solo se mapean los datos necesarios para el llenado del catálogo según el modelo de visitas, generando las siguientes reglas de negocio: Se obtienen los valores de entrada se obtienen desde la tabla CAT_DET con el siguiente QUERY: SELECT ID_CAT_DET, CAT_DET_TYPE, VALUE, CAT_DET_SUBTYPE FROM CAT_DET. La derivación que se utiliza para filtrar la información es: CAT_DET_TYPE = 'SPECIALTY'. La inserción hacia la tabla se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_ESPECIALIDADES (ID_ESPECIALIDAD, DESC_ESPECIALIDAD) VALUES (?,?). Siguiendo las reglas de negocio, el proceso queda de la siguiente forma: Proceso de carga de información al catálogo de Especialidades Médicas. 33

40 Ciclos Promocionales. En este proceso solo se mapean los datos necesarios para el llenado del catálogo según el modelo de visitas, para lo cual se derivan las siguientes reglas de negocio: Los valores de entrada de obtienen de la tabla CYCLE, con el siguiente QUERY: SELECT ID_CYCLE, NAME, FULL_NAME, START_DT, END_DT, CYCLE_SUBTYPE FROM CYCLE WHERE NAME LIKE '2%' ORDER BY NAME. Debido a que años anteriores al 2000 no son necesarios. Para la derivación o transformación de datos solo se limpian los valores, ya que se deben eliminar espacios en blanco dobles. La inserción de los valores en la tabla destino, se realizan con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CICLOS_PROMOCIONALES(ID_CICLO, DESC_CICLO, DESC_CICLO_FV, FECHA_INICIO, FECHA_FIN, ANIO, ID_FUERZA_VENTAS) VALUES (?,?,?,CONVERT(SMALLDATETIME,?),CONVERT(SMALLDATETIME,?),?,?). Siguiendo las reglas de negocio, el proceso queda como sigue: Proceso de carga del catálogo de Ciclos Promocionales. 34

41 Número de Pacientes a la Semana. Para este catálogo se definieron las reglas de correspondencia, ya que en la fuente de datos no este criterio no esta contemplado. Se obtiene la información desde un archivo plano (TXT) y las reglas de negocio a realizar son las siguientes: ID Pacientes Consulta. Si el número de pacientes esta dentro de 0 y 24 entonces 1. Si el número de pacientes esta dentro de 25 y 49 entonces 2. Si el número de pacientes esta dentro de 50 y 74 entonces 3. Si el número de pacientes esta dentro de 75 y 99 entonces 4. Si el número de pacientes esta dentro de 100 y 149 entonces 5. Si el número de pacientes esta dentro de 150 y 200 entonces 6. Si el número de pacientes es mayor a 200 entonces 7. Si no es ninguna de las anteriores 8. Rango Pacientes Consulta. Si el número de pacientes esta dentro de 0 y 24 entonces Entre 0 y 25 Pacientes. Si el número de pacientes esta dentro de 25 y 49 entonces Entre 25 y 50 Pacientes. Si el número de pacientes esta dentro de 50 y 74 entonces Entre 50 y 75 Pacientes. Si el número de pacientes esta dentro de 75 y 99 entonces 'Entre 75 y 100 Pacientes. Si el número de pacientes esta dentro de 100 y 149 entonces Entre 100 y 150 Pacientes. Si el número de pacientes esta dentro de 150 y 200 entonces Entre 150 y 200 Pacientes. Si el número de pacientes es mayor a 200 entonces Mayor a 200 Pacientes. Si no es ninguna de las anteriores 'N/A. Para la inserción en la tabla del catálogo se define el QUERY: INSERT "MODELOS_COMERCIALES"."DBO".LT_NUM_PAC_SEM(ID_NUM_PAC_SEM, RANGO_NUM_PAC_SEM) VALUES (?,?). INTO Con las reglas de negocio definidas, se obtiene el siguiente proceso de carga: 35

42 Proceso de carga del catálogo de Número de Pacientes por Semana. Número de pacientes a la semana obesidad. Para este catálogo se definieron las reglas de correspondencia, ya que en la fuente de datos no está contemplada. Y se determino que este se llenaría mediante un archivo plano que se cargaría a la base de datos. Las reglas de negocio son las siguientes: ID Pacientes Consulta Obesidad. Si el número de pacientes esta dentro de 0 y 24 entonces 1. Si el número de pacientes esta dentro de 25 y 49 entonces 2. Si el número de pacientes esta dentro de 50 y 74 entonces 3. Si el número de pacientes esta dentro de 75 y 99 entonces 4. Si el número de pacientes esta dentro de 100 y 149 entonces 5. Si el número de pacientes esta dentro de 150 y 200 entonces 6. Si el número de pacientes es mayor a 200 entonces 7. Si no es ninguna de las anteriores 8. Rango Pacientes Consulta Obesidad. Si el número de pacientes esta dentro de 0 y 24 entonces Entre 0 y 25 Pacientes. Si el número de pacientes esta dentro de 25 y 49 entonces Entre 25 y 50 Pacientes. Si el número de pacientes esta dentro de 50 y 74 entonces Entre 50 y 75 Pacientes. Si el número de pacientes esta dentro de 75 y 99 entonces 'Entre 75 y 100 Pacientes. Si el número de pacientes esta dentro de 100 y 149 entonces Entre 100 y 150 Pacientes. Si el número de pacientes esta dentro de 150 y 200 entonces Entre 150 y 200 Pacientes. Si el número de pacientes es mayor a 200 entonces Mayor a 200 Pacientes'. Si no es ninguna de las anteriores 'N/A. 36

43 Para cargar el archivo plano en la base de datos, se utilizará el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_NUM_PAC_SEM(ID_NUM_PAC_SEM, RANGO_NUM_PAC_SEM) VALUES (?,?). Siguiendo las reglas de negocio antes descritas, se genera el siguiente proceso de carga: Proceso de carga del catálogo de Número de Pacientes por Semana Obesidad. Precio Consulta. En este catálogo de igual forma se define una regla de negocio para su clasificación, la fuente de datos no proporciona estos, por lo que es necesario generar la siguiente regla de negocio: ID Precio Consulta. Si el precio está entre 0 y 249 entonces 1. Si el precio está entre 250 y 499 entonces 2. Si el precio está entre 500 y 749 entonces 3. Si el precio está entre 750 y 999 entonces 4. Si el precio está entre 1000 y 1499 entonces 5. Si el precio está entre 1500 y 2000 entonces 6. Si el precio es mayo a 2000 entonces 7. Si no es ninguna de las anteriores entonces 8. Rango Precio Consulta. Si el precio está entre 0 y 249 entonces 'Entre $0.00 y $ Consulta'. 37

44 Si el precio está entre 250 y 499 entonces 'Entre $ y $ Consulta'. Si el precio está entre 500 y 749 entonces 'Entre $ y $ Consulta'. Si el precio está entre 750 y 999 entonces 'Entre $ y $ Consulta'. Si el precio está entre 1000 y 1499 entonces 'Entre $ y $ Consulta'. Si el precio está entre 1500 y 2000 entonces 'Entre $ y $ Consulta'. Si el precio es mayor a 2000 entonces 'Mayor a $ Consulta'. Si no es ninguna de las anteriores entonces 'N/A'. Para la inserción en la base el QUERY es: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_PRECIO_CONSULTA(ID_PRECIO_CONSULTA, RANGO_PRECIO_CONSULTA) VALUES (?,?). Con las reglas de negocio anteriormente descritas, se tiene el siguiente proceso: Proceso de carga del catálogo de Número de Precio Consulta. Clientes. En este proceso solo se mapean los datos necesarios para el llenado del catálogo según el modelo de visitas, con las siguientes reglas de negocio: Para los valores de entrada se utiliza el siguiente QUERY: SELECT A.ID_PARTY AS ID_CLIENTE, A.ACCNT_NAME AS DESC_CLIENTE, A.ID_TYPE AS ID_TIPO_CLIENTE, CASE WHEN A.ID_TYPE = 2 THEN B.PRIVILEGE_NAME OTRO B.GENERIC002 END AS DESC_TIPO_CLIENTE, 38

45 CASE WHEN C.PERFIL IS NULL THEN 9999 OTRO C.PERFIL END AS ID_CATEGORIA, CASE WHEN C.CLASE IS NULL THEN 'SIN CLASIFICAR' ELSE C.CLASE END AS DESC_CATEGORIA, CASE WHEN C.ID_AUDIT IS NULL THEN 2 ELSE C.ID_AUDIT END AS ID_AUDIT, CASE WHEN C.DESC_AUDIT IS NULL THEN 'SATA' ELSE C.DESC_AUDIT END AS DESC_AUDIT, CASE WHEN A.STATUS_FLAG IS NULL THEN 9999 ELSE A.STATUS_FLAG END AS ID_STATUS, CASE WHEN A.STATUS_FLAG IS NULL THEN 'SIN CLASIFICAR' ELSE D.VALUE END AS DESC_STATUS FROM (SELECT A.ID_PARTY, A.ACCNT_NAME, B.ID_TYPE, B.STATUS_FLAG FROM INSTITUTION A INNER JOIN PARTY_TYPE B ON A.ID_PARTY = B.ID_PARTY WHERE A.STATUS_FLAG <> "ELIMINADO" AND B.ID_TYPE IN (SELECT ID_PRIVILEGE FROM PRIVILEGE WHERE GENERIC002 = 'INSTITUTION') -- INSTITUCIONES) A INNER JOIN PRIVILEGE B ON A.ID_TYPE = B.ID_PRIVILEGE LEFT OUTER JOIN (SELECT A.ID_PARTY, C.CLASE, C.CATEGORIA, C.PERFIL, CASE WHEN C.CATEGORIA = 1 THEN 1 OTRO 2 END AS ID_AUDIT, CASE WHEN C.CATEGORIA = 1 THEN 'AUDIT' ELSE 'SATA' END AS DESC_AUDIT, C.PRIVILEGE_NAME AS DESC_CATEGORIA FROM INSTITUTION A INNER JOIN PARTY_TYPE B ON A.ID_PARTY = B.ID_PARTY LEFT OUTER JOIN (SELECT A.CODIGO_MEDICO, A.CATEGORIA, A.CLASE, A.PERFIL, B. PRIVILEGE_NAME FROM MEDICOS_AUDIT A LEFT OUTER JOIN PRIVILEGE B ON A.PERFIL = B.ID_PRIVILEGE) C ON A.ID_PARTY = C.CODIGO_MEDICO WHERE A.STATUS_FLAG <> "ELIMINADO" AND B.ID_TYPE IN (SELECT ID_PRIVILEGE FROM PRIVILEGE WHERE GENERIC002 = 'INSTITUTION') AND C.CATEGORIA = 1) C ON A.ID_PARTY = C.ID_PARTY LEFT OUTER JOIN CAT_DET D ON A.STATUS_FLAG = D.ID_CAT_DET UNION SELECT A.ID_PARTY AS ID_CLIENTE, A.ACCNT_NAME AS DESC_CLIENTE, A.ID_TYPE AS ID_TIPO_CLIENTE, CASE WHEN A.ID_TYPE = 2 THEN B.PRIVILEGE_NAME ELSE B.GENERIC002 END AS DESC_TIPO_CLIENTE, CASE WHEN C.PERFIL IS NULL THEN 9999 ELSE C.PERFIL END AS ID_CATEGORIA, CASE WHEN C.DESC_CATEGORIA IS NULL THEN 'SIN CLASIFICAR' ELSE C.DESC_CATEGORIA END AS DESC_CATEGORIA, CASE WHEN C.ID_AUDIT IS NULL THEN 2 ELSE C.ID_AUDIT END AS ID_AUDIT, 39

46 CASE WHEN C.DESC_AUDIT IS NULL THEN 'SATA' ELSE C.DESC_AUDIT END AS DESC_AUDIT, CASE WHEN A.STATUS_FLAG IS NULL THEN 9999 ELSE A.STATUS_FLAG END AS ID_STATUS, CASE WHEN A.STATUS_FLAG IS NULL THEN 'SIN CLASIFICAR' ELSE D.VALUE END AS DESC_STATUS FROM ( SELECT A.ID_PARTY, (A.NAME ' ' A.LAST_NAME ' ' A.MAIDEN_NAME) AS ACCNT_NAME, B.ID_TYPE, B.STATUS_FLAG FROM PERSON A INNER JOIN PARTY_TYPE B ON A.ID_PARTY = B.ID_PARTY WHERE A.STATUS_FLAG <> "ELIMINADO" AND B.ID_TYPE IN (SELECT ID_PRIVILEGE FROM PRIVILEGE WHERE PRIVILEGE_NAME = 'MEDICO') -- MEDICOS ) A INNER JOIN PRIVILEGE B ON A.ID_TYPE = B.ID_PRIVILEGE LEFT OUTER JOIN (SELECT A.ID_PARTY, C.CLASE, C.CATEGORIA, C.PERFIL, CASE WHEN C.CATEGORIA = 1 THEN 1 ELSE 2 END AS ID_AUDIT, CASE WHEN C.CATEGORIA = 1 THEN 'AUDIT' ELSE 'SATA' END AS DESC_AUDIT, C.PRIVILEGE_NAME AS DESC_CATEGORIA FROM PERSON A INNER JOIN PARTY_TYPE B ON A.ID_PARTY = B.ID_PARTY LEFT OUTER JOIN (SELECT A.CODIGO_MEDICO, A.CATEGORIA, A.CLASE, A.PERFIL, B. PRIVILEGE_NAME FROM MEDICOS_AUDIT A LEFT OUTER JOIN PRIVILEGE B ON A.PERFIL = B.ID_PRIVILEGE) C ON A.ID_PARTY = C.CODIGO_MEDICO WHERE A.STATUS_FLAG <> "ELIMINADO" AND B.ID_TYPE IN (SELECT ID_PRIVILEGE FROM PRIVILEGE WHERE PRIVILEGE_NAME = 'MEDICO') AND C.CATEGORIA = 1 ) C ON A.ID_PARTY = C.ID_PARTY LEFT OUTER JOIN CAT_DET D ON A.STATUS_FLAG = D.ID_CAT_DET. (Se utilizo este QUERY a solicitud del cliente, INFA). Para la inserción de los valores se utiliza el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLIENTES (ID_CATEGORIA, DESC_CATEGORIA, ID_TIPO_CLIENTE, DESC_TIPO_CLIENTE, ID_CLIENTE, DESC_CLIENTE, ID_STATUS, DESC_STATUS, ID_AUDIT, DESC_AUDIT, PREESCRIBE_SIBUTRAMINA, PREESCRIBE_CONTROLADOS, MANEJA_IGUALAS, ID_PRECIO_CONSULTA, RANGO_PRECIO_CONSULTA, ID_NUM_PAC_SEM, RANGO_NUM_PAC_SEM, ID_NUM_PAC_SEM_OBESIDAD, RANGO_NUM_PAC_SEM_OBESIDAD) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas de negocio anteriormente descritas, se tiene el siguiente proceso: 40

47 Proceso de carga del catálogo de Clientes. Médicos. Este proceso de carga busca la información en los catálogos de SATA, para complementarlo con los representantes, para poder ligar los médicos con los representantes que los visitan, además de agregar los campos necesarios del modelo de visitas para este catalogo. Para obtener la información se detallan las reglas de negocio: La obtención de la información de la tabla PARTY_TYPE se obtiene con el siguiente QUERY definido por el cliente: SELECT PT.ID_PARTY, PT.STATUS_FLAG, CD7.VALUE AS STATUS_MEDICO, PT.GENERIC001, CD1.VALUE AS ESPECIALIDAD, PT.GENERIC002 AS CEDULA, CD3.VALUE AS ACTIVIDAD_ACADEMICA, CD4.VALUE AS PREESCRIBE_SIBUTRAMINA, PT.GENERIC005 AS PORCENTAJE_SIBUTRAMINA, CD5.VALUE AS PREESCRIBE_CONTROLADOS, PT.GENERIC007 AS PORCENTAJE_CONTROLADOS, CD6.VALUE AS MANEJA_IGUALAS, PT.GENERIC009 AS PACIENTES_SEMANA_TOTAL, PT.GENERIC010 AS PACIENTES_SEMANA_OBESIDAD, PT.GENERIC011 AS PRECIO_CONSULTA, PT.GENERIC012, CD9.VALUE AS AUDIT_PHARMA FROM PARTY_TYPE PT LEFT JOIN CAT_DET CD1 ON PT.GENERIC001::TEXT = CD1.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT JOIN CAT_DET CD3 ON PT.GENERIC003::TEXT = CD3.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT JOIN CAT_DET CD4 ON PT.GENERIC004::TEXT = CD4.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT JOIN CAT_DET CD5 ON PT.GENERIC006::TEXT = CD5.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT JOIN CAT_DET CD6 ON PT.GENERIC008::TEXT = CD6.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT 41

48 JOIN CAT_DET CD9 ON PT.GENERIC012::TEXT = CD9.ID_CAT_DET::CHARACTER VARYING::TEXT LEFT JOIN CAT_DET CD7 ON PT.STATUS_FLAG::CHARACTER VARYING::TEXT = CD7.ID_CAT_DET::CHARACTER VARYING::TEXT WHERE PT.STATUS_FLAG <> 217 AND PT.ID_TYPE = 2. Los datos obtenidos de PERSON son mediante el siguiente QUERY: SELECT PP.ID_PARTY, PP.ID_POSTN FROM PARTY_POSTN PP WHERE PP.ID_POSTN::TEXT!~~ '%ELIMINA%'::TEXT AND (PP.ID_POSTN::TEXT IN ( SELECT POSTN.ID_POSTN FROM POSTN JOIN OBTIENE_JERARQUIA('000000'::CHARACTER VARYING) OBTIENE_JERARQUIA(ID_ORG, NAME, ID_PARENT, ID_COMPANY, STATUS_FLAG, ID_HISTORY, GENERIC001, GENERIC002, GENERIC003, GENERIC004, GENERIC005, ID_USER_CREATED, ID_USER_MODIF, DATE_CREATED, DATE_MODIF, TIME_MODIF, TIME_CREATED) USING (ID_ORG))). Para el join entre PARTY_TYPE y PERSON, se utiliza un stage de transformación en donde la condición es que siempre sea verdadera la búsqueda en ambas tablas. La información correspondiente a médicos se obtiene con el siguiente QUERY: SELECT ID_RUTA, DESC_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, FECHA_INICIO, FECHA_FIN FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES. La información de PARTY_POSTN se obtiene mediante el siguiente QUERY definido por el cliente: SELECT PP.ID_PARTY, PP.ID_POSTN FROM PARTY_POSTN PP WHERE PP.ID_POSTN::TEXT!~~ '%ELIMINA%'::TEXT AND (PP.ID_POSTN::TEXT IN ( SELECT POSTN.ID_POSTN FROM POSTN JOIN OBTIENE_JERARQUIA('000000'::CHARACTER VARYING) OBTIENE_JERARQUIA(ID_ORG, NAME, ID_PARENT, ID_COMPANY, STATUS_FLAG, ID_HISTORY, GENERIC001, GENERIC002, GENERIC003, GENERIC004, GENERIC005, ID_USER_CREATED, ID_USER_MODIF, DATE_CREATED, DATE_MODIF, TIME_MODIF, TIME_CREATED) USING (ID_ORG))). 42

49 Para la realizar el join con PARTY_POSTN y la información anteriormente obtenida, y la aplicación de las reglas del negocio se utiliza un stage de transformación, en donde se aplican las siguientes variables: Variable: IdPrecio. Derivación: Si precio_consulta >=0 y =<249 Entonces 1. Si precio_consulta>=250 y =<499 Entonces 2. Si precio_consulta>=500 y =<749 Entonces 3. Si precio_consulta>=750 y =<999 Entonces 4. Si precio_consulta>=1000 y =<1499 Entonces 5. Si precio_consulta>=1500 =<2000 Entonces 6. Si precio_consulta>2000 Entonces 7. Cualquier Otro 8. Variable: IdPacSem. Derivación: Si pacientes_semana_total >0 y <24 Entonces 1. Si pacientes_semana_total>25 y <49 Entonces 2. Si pacientes_semana_total>50 y <74 Entonces 3. Si pacientes_semana_total>75 y <99 Entonces 4. Si pacientes_semana_total>100 y <149 Entonces 5. Si pacientes_semana_total>150 y <200 Entonces 6. Si pacientes_semana_total>200 Entonces 7. Cualquier otro 8. Variable: IdPacObe. Derivación: Si pacientes_semana_obesidad >=0 y =<24 Entonces 1. Si pacientes_semana_obesidad>=25 y =<49 Entonces 2. Si pacientes_semana_obesidad>=50 y =<74 Entonces 3. Si pacientes_semana_obesidad>=75 y =<99 Entonces 4. Si pacientes_semana_obesidad>=100 y =<149 Entonces 5. Si pacientes_semana_obesidad>=150 y =< 200 Entonces 6. Si pacientes_semana_obesidad> 200 Entonces 7. Cualquier otro 8. 43

50 Variable: RangoPrecio. Derivación: Si precio_consulta >=0 y =<249 Entonces 'Entre $0.00 y $ Consulta'. Si precio_consulta>=250 y =<499 Entonces 'Entre $ y $ Consulta'. Si precio_consulta >=500 y =<749 Entonces 'Entre $ y $ Consulta'. Si precio_consulta>=750 y =<999 Entonces 'Entre $ y $ Consulta'. Si precio_consulta>=1000 y =<1499 Entonces 'Entre $ y $ Consulta'. Si precio_consulta>=1500 y =<2000 Entonces 'Entre $ y $ Consulta'. Si precio_consulta >2000 Entonces 'Mayor a $ Consulta'. Cualquier otro 'N/A'. Variable: RangoPacSem. Derivación: Si pacientes_semana_total >=0 y =<24 Entonces 'Entre 0 y 25 Pacientes'. Si pacientes_semana_total>=25 y =<49 Entonces 'Entre 25 y 50 Pacientes'. Si pacientes_semana_total>=50 y =<74 Entonces 'Entre 50 y 75 Pacientes'. Si pacientes_semana_total>=75 y =<99 Entonces 'Entre 75 y 100 Pacientes'. Si pacientes_semana_total>=100 y =<149 Entonces 'Entre 100 y 150 Pacientes'. Si pacientes_semana_total>=150 y =<200 Entonces 'Entre 150 y 200 Pacientes'. Si pacientes_semana_total>200 Entonces 'Mayor a 200 Pacientes'. Cualquier otro 'N/A'. Variable: RangoPacObe. Derivación: Si pacientes_semana_obesidad >=0 y =<24 Entonces 'Entre 0 y 25 Pacientes'. Si pacientes_semana_obesidad>=25 y =<49 Entonces 'Entre 25 y 50 Pacientes'. Si pacientes_semana_obesidad>=50 y =<74 Entonces 'Entre 50 y 75 Pacientes'. Si pacientes_semana_obesidad>=75 y =<99 Entonces 'Entre 75 y 100 Pacientes'. Si pacientes_semana_obesidad>=100 y =<149 Entonces 'Entre 100 y 150 Pacientes'. Si pacientes_semana_obesidad>=150 y =< 200 Entonces 'Entre 150 y 200 Pacientes'. Si pacientes_semana_obesidad> 200 Entonces 'Mayor a 200 Pacientes'. Cualquier otro 'N/A'. La inserción en la tabla se realizará con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_MEDICOS(ID_RUTA, DESC_RUTA, ID_CLIENTE, DESC_CLIENTE, NUM_CEDULA_PROF, 44

51 ACTIVIDAD_ACADEMICA, ID_ESPECIALIDAD, DESC_ESPECIALIDAD, ID_STATUS, DESC_STATUS, PREESCRIBE_SIBUTRAMINA, PORCENTAJE_SIBUTRAMINA, PREESCRIBE_CONTROLADOS, PORCENTAJE_CONTROLADOS, MANEJA_IGUALAS, ID_PRECIO_CONSULTA, RANGO_PRECIO_CONSULTA, PRECIO_CONSULTA, ID_NUM_PAC_SEM, RANGO_NUM_PAC_SEM, PACIENTES_SEMANA_TOTAL, ID_NUM_PAC_SEM_OBESIDAD, RANGO_NUM_PAC_SEM_OBESIDAD, PACIENTES_SEMANA_OBESIDAD, ID_AUDIT, DESC_AUDIT, PONDERACION) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas del negocio descritas, el proceso de carga de información es como sigue: Proceso de carga del catálogo de Médicos. Tipos Visita. Para este proceso de carga se tomo en cuenta el catálogo que está en la fuente de datos, para poder obtener los tipos de visitas que realizan los representantes. (Visita Médica o Visita Farmacia). Las reglas de negocio son: 45

52 Para la obtención de los tipos de visita se definió el siguiente QUERY: SELECT ID_PRIVILEGE, PRIVILEGE_NAME FROM PRIVILEGE WHERE ID_PRIVILEGE IN (6, 7, 8, 9). La inserción hacía el catálogo de Tipos_Visita es con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_TIPOS_VISITA(ID_TIPO_VISITA, DESC_TIPO_VISITA, TIPO, SUBTIPO) VALUES (?,?,?,?). Con las reglas anteriormente descritas, se obtiene el siguiente proceso de carga: Proceso de carga del catálogo de Tipos Visita. Status Visita. Para este proceso de carga se tomo en cuenta el catálogo que está en la fuente de datos, para poder obtener los status que pudiera tener una visita. (Realizada, Programada, Reprogramada, etc.). Para este catálogo también se determino la regla de negocio sobre agregar un ID nuevo, el cual es un 9999 que tiene una descripción sin clasificar, para aquellas visitas que no pudieran tener un valor. Para la lectura de la tabla se utilizará el siguiente QUERY: SELECT ID_CAT_DET, CAT_DET_TYPE, VALUE, CAT_DET_SUBTYPE FROM CAT_DET. Los valores aceptados son: id_cat_det = 203 o id_cat_det = 205 o id_cat_det = 330 o id_cat_det = 316 o id_cat_det =

53 Para la inserción en la tabla de LT_STATUS_VISITA, se utiliza el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_STATUS_VISITAS(ID_STATUS_VISITA, DESC_STATUS_VISITA, TIPO) VALUES (?,?,?). Siguiendo las anteriores reglas de negocio, se genera el siguiente proceso: Proceso de carga del catálogo de Status Visita. Clasificación Actividad. Para este proceso de carga se tomo en cuenta el catálogo que está en la fuente de datos, para poder obtener las clasificaciones de actividades que maneja INFA. La extracción sobre la tabla del catálogo se realizara con el siguiente QUERY: SELECT ID_CAT_DET, CAT_DET_TYPE, VALUE, CAT_DET_SUBTYPE FROM CAT_DET. La condición para la inserción es: id_cat_det = 290 o id_cat_det = 291 o id_cat_det = 292. Para la inserción en el catálogo Clasificación_Actividad se utilizara el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASIFICACION_ACTIVIDAD(ID_CLASIFIC ACION, DESC_CLASIFICACION, TIPO) VALUES (?,?,?). 47

54 Con las reglas anteriores, se tiene el siguiente proceso de carga: Proceso de carga del catálogo de Clasificación Actividad. Acompanamientos. Para este proceso de carga se tomo en cuenta el catálogo que está en la fuente de datos, para poder obtener la persona por la que fue acompañado el representante. (Gerencia Nacional, Gerente de distrito, etc.). Las reglas de negocio son las siguientes: Para leer la tabla de entrada el QUERY es el siguiente: SELECT ID_CAT_DET, CAT_DET_TYPE, VALUE, CAT_DET_SUBTYPE FROM CAT_DET. Los valores validos son: id_cat_det=1645 o id_cat_det=1650 o id_cat_det=1649 o id_cat_det=1646 o id_cat_det=1615 o id_cat_det=1638 o id_cat_det=1639 o id_cat_det=1640 o id_cat_det=1641 o id_cat_det=1642 o id_cat_det=1643 o id_cat_det=1644 o id_cat_det=1648 o id_cat_det=1647. La inserción de datos se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_ACOMPANAMIENTO(ID_ACOMPANAMIEN TO, DESC_ACOMPANAMIENTO, TIPO) VALUES (?,?,?); Con las reglas de negocio previamente descritas, se obtiene el siguiente proceso: 48

55 Proceso de carga del catálogo de Acompañamientos. Visitas. Este proceso lo que genera son las visitas realizadas por los representantes, contemplando los diferentes tipos de visitas, acompañamientos, dependiendo al ciclo. Para la realización de este proceso, INFA proporciono un QUERY en el cual se tenía que basar el desarrollo del mismo. El QUERY para iniciar el proceso es: SELECT RUTA, CLIENTE, CICLO, BRICK, TIPO_VISITA, STATUS_VISITA, CLASIFICACION, ACOMPANADA, COUNT(VISITA) AS VISITAS FROM ( SELECT A.ID_POSTN_TARGET AS RUTA, A.ID_PARTY AS CLIENTE, C.ID_CYCLE AS CICLO, B.ID_BRICK AS BRICK, CASE WHEN A.ACT_TYPE IS NULL THEN 9999 ELSE A.ACT_TYPE END AS TIPO_VISITA, CASE WHEN A.ACT_STATUS IS NULL THEN 9999 ELSE A.ACT_STATUS END AS STATUS_VISITA, A.GROUP_TYPE AS CLASIFICACION, A.GENERIC011 AS ACOMPANADA, A.ID_ACT AS VISITA --COUNT(A.ID_ACT) AS VISITAS_TERMINADAS FROM ACT A, CYCLE C, (SELECT A.ID_PARTY, B.ID_ZIPCODE, C.ZIPCODE, D.ZIPCODE, D.ID_BRICK FROM PERSON A INNER JOIN ADDR B ON A.ID_PARTY = B.ID_PARTY INNER JOIN ZIPCODE C ON B.ID_ZIPCODE = C.ID_ZIPCODE INNER JOIN BRICK_ZIPCODE D ON C.ZIPCODE = D.ZIPCODE UNION SELECT A.ID_PARTY, B.ID_ZIPCODE, C.ZIPCODE, D.ZIPCODE, D.ID_BRICK FROM INSTITUTION A INNER JOIN ADDR B ON A.ID_PARTY = B.ID_PARTY INNER JOIN ZIPCODE C ON B.ID_ZIPCODE = C.ID_ZIPCODE INNER JOIN BRICK_ZIPCODE D ON C.ZIPCODE = D.ZIPCODE, C.ZIPCODE ) B WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.ID_PARTY = B.ID_PARTY --AND 49

56 A.GROUP_TYPE::TEXT = 292::TEXT AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 7 AND C.NAME LIKE '2%' AND A.GENERIC011 <> '1637' AND A.GENERIC011 NOT LIKE '%~%') A GROUP BY RUTA, CLIENTE, CICLO, BRICK, TIPO_VISITA, STATUS_VISITA, CLASIFICACION, ACOMPANADA UNION SELECT RUTA, CLIENTE, CICLO, BRICK, TIPO_VISITA, STATUS_VISITA, CLASIFICACION, ACOMPANADA, COUNT(VISITA) AS VISITAS FROM ( SELECT A.ID_POSTN_TARGET AS RUTA, A.ID_PARTY AS CLIENTE, C.ID_CYCLE AS CICLO, B.ID_BRICK AS BRICK, CASE WHEN A.ACT_TYPE IS NULL THEN 9999 ELSE A.ACT_TYPE END AS TIPO_VISITA, CASE WHEN A.ACT_STATUS IS NULL THEN 9999 ELSE A.ACT_STATUS END AS STATUS_VISITA, A.GROUP_TYPE AS CLASIFICACION, '1615'::CHARACTER VARYING AS ACOMPANADA, A.ID_ACT AS VISITA FROM ACT A, CYCLE C, (SELECT A.ID_PARTY, B.ID_ZIPCODE, C.ZIPCODE, D.ZIPCODE, D.ID_BRICK FROM PERSON A INNER JOIN ADDR B ON A.ID_PARTY = B.ID_PARTY INNER JOIN ZIPCODE C ON B.ID_ZIPCODE = C.ID_ZIPCODE INNER JOIN BRICK_ZIPCODE D ON C.ZIPCODE = D.ZIPCODE, C.ZIPCODE UNION SELECT A.ID_PARTY, B.ID_ZIPCODE, C.ZIPCODE, D.ZIPCODE, D.ID_BRICK FROM INSTITUTION A INNER JOIN ADDR B ON A.ID_PARTY = B.ID_PARTY INNER JOIN ZIPCODE C ON B.ID_ZIPCODE = C.ID_ZIPCODE INNER JOIN BRICK_ZIPCODE D ON C.ZIPCODE = D.ZIPCODE, C.ZIPCODE ) B WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.ID_PARTY = B.ID_PARTY AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE IN (6, 8, 9) AND C.NAME LIKE '2%' AND A.GENERIC011 <> '1637') A GROUP BY RUTA, CLIENTE, CICLO, BRICK, TIPO_VISITA, STATUS_VISITA, CLASIFICACION, ACOMPAÑADA. La selección sobre la tabla PARTY_TYPE se realiza con el siguiente QUERY: SELECT PT.ID_PARTY, PT.GENERIC001, PT.GENERIC009 AS PACIENTES_SEMANA_TOTAL, PT.GENERIC010 AS PACIENTES_SEMANA_OBESIDAD, PT.GENERIC011 AS PRECIO_CONSULTA FROM PARTY_TYPE PT WHERE PT.STATUS_FLAG <> 217 AND PT.ID_TYPE = 2. La selección de las rutas se realiza con el siguiente QUERY: SELECT ID_DISTRITO_CONS, ID_DISTRITO, ID_RUTA_CONS, ID_RUTA, DESC_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_RUTAS WHERE FECHA_FIN IS NULL. 50

57 La selección de los representantes se realiza con el siguiente QUERY: SELECT ID_RUTA, DESC_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES WHERE FECHA_FIN IS NULL. La inserción a la tabla de FT_VISITAS, se realiza con el siguiente QUERY: INSERT INTO "Modelos_Comerciales"."dbo".FT_VISITAS(id_ciclo, id_cliente, id_distrito_cons, id_ruta, id_ruta_cons, id_repre_cons, id_brick, id_tipo_visita, id_status_visita, id_clasificacion, id_acompanamiento, m_visitas, id_precio_consulta, id_num_pac_sem, id_num_pac_sem_obesidad, id_especialidad) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas anteriores se obtiene el siguiente proceso: Proceso de carga de Visitas. 51

58 Visitas Resumen. Con este proceso se llena la FACT de Visitas Resumen en donde se colocan las métricas de visitas realizadas, acompañadas, las incidencias (actividades que no permiten a los representantes realizar sus visitas, actividades que no están planeadas), plan de trabajo (actividades que no permiten a los representantes realizar sus visitas, actividades que están planeadas). Para la realización de este proceso INFA proporciono un QUERY que se tomará como base, el cual es: SELECT TODO.RUTA, TODO.CICLO, 7 AS ID_TIPOVISITA, CASE WHEN TODO.VISITAS_BASE IS NULL THEN 0::NUMERIC ELSE TODO.VISITAS_BASE END AS VISITAS_BASE, TODO.PLAN_TRABAJO, TODO.INCIDENCIAS, CASE WHEN (TODO.VISITAS_BASE - TODO.PLAN_TRABAJO - TODO.INCIDENCIAS) IS NULL THEN 0::NUMERIC ELSE TODO.VISITAS_BASE - TODO.PLAN_TRABAJO - TODO.INCIDENCIAS END AS VISITAS_REQUERIDAS, TODO.DIAS_CICLO, TODO.VISITAS_TERMINADAS, TODO.ACOMPANADO FROM (SELECT CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO, CONFIGURACIONES.VISITAS_BASE::NUMERIC AS VISITAS_BASE, CASE WHEN PLAN.CALCULOP IS NULL THEN 0::NUMERIC ELSE PLAN.CALCULOP END AS CALCULOP, CASE WHEN INCI.CALCULOI IS NULL THEN 0::NUMERIC ELSE INCI.CALCULOI END AS CALCULOI, CASE WHEN ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC/ CONFIGURACIONES.DIAS_CICLO::NUMERIC*PLAN.CALCULOP, 2) IS NULL THEN 0::NUMERIC ELSE ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC/CONFIGURACIONES.DIA S_CICLO::NUMERIC * PLAN.CALCULOP, 2) END AS PLAN_TRABAJO, CASE WHEN ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC / CONFIGURACIONES.DIAS_CICLO::NUMERIC*INCI.CALCULOI, 2) IS NULL THEN 0::NUMERIC ELSE ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC/CONFIGURACIONES.DIA S_CICLO::NUMERIC* INCI.CALCULOI, 2) END AS INCIDENCIAS, CONFIGURACIONES.DIAS_CICLO, TERMINADAS.VISITAS_TERMINADAS, ACOMP.ACOMPANADO FROM (SELECT V.ID_POSTN AS RUTA, C.ID_CYCLE AS CICLO, V.CLINIC AS VISITAS_BASE, C.GENERIC001 AS DIAS_CICLO FROM VISIT_BASE V, CYCLE C WHERE V.ID_CYCLE = C.ID_CYCLE AND C.NAME LIKE '2%' ORDER BY V.ID_POSTN, C.ID_CYCLE) CONFIGURACIONES LEFT JOIN ( SELECT SUMADIAS.ID_POSTN_TARGET AS RUTA, SUMADIAS.ID_CYCLE AS 52

59 CICLO, SUM(SUMADIAS.CALCULOP) AS CALCULOP FROM (((SELECT MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE, COUNT(MEDIODIA.ID_ACT)::NUMERIC*0.5 AS CALCULOP FROM (SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG<>217 AND A.ACT_TYPE=17 AND A.GROUP_TYPE::TEXT=292::TEXT AND A.ACT_STATUS=205 AND (A.GENERIC003::TEXT=ANY (ARRAY['361'::CHARACTER VARYING::TEXT, '362'::CHARACTER VARYING::TEXT])) AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') MEDIODIA GROUP BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE ORDER BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE) UNION (SELECT UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE, COUNT(UNDIA.ID_ACT) AS CALCULOP FROM (SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE=17 AND A.GROUP_TYPE::TEXT=292::TEXT AND A.ACT_STATUS=205 AND A.GENERIC003::TEXT='363'::TEXT AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') UNDIA GROUP BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE ORDER BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE)) UNION (SELECT MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE, SUM(MASDIAS.GENERIC004) AS CALCULOP FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE, A.GENERIC004::INTEGER AS GENERIC004 FROM ACT A, CYCLE C WHERE A.STATUS_FLAG<>217 AND A.ACT_TYPE=17 AND A.GROUP_TYPE::TEXT=292::TEXT AND A.ACT_STATUS=205 AND A.GENERIC003::TEXT='1595'::TEXT AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') MASDIAS GROUP BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE ORDER BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE)) SUMADIAS GROUP BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE ORDER BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE) PLAN USING (RUTA, CICLO) LEFT JOIN (SELECT SUMADIAS.ID_POSTN_TARGET AS RUTA, SUMADIAS.ID_CYCLE AS CICLO, SUM(SUMADIAS.CALCULOI) AS CALCULOI FROM (((SELECT MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE, COUNT(MEDIODIA.ID_ACT)::NUMERIC*0.5 AS CALCULOI FROM (SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG<>217 AND A.ACT_TYPE=16 AND A.GROUP_TYPE::TEXT = 292::TEXT AND A.ACT_STATUS=205 AND 53

60 (A.GENERIC003::TEXT=ANY (ARRAY['361'::CHARACTER VARYING::TEXT, '362'::CHARACTER VARYING::TEXT])) AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') MEDIODIA GROUP BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE ORDER BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE) UNION (SELECT UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE, COUNT(UNDIA.ID_ACT) AS CALCULOI FROM (SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG<>217 AND A.ACT_TYPE=16 AND A.GROUP_TYPE::TEXT=292::TEXT AND A.ACT_STATUS=205 AND A.GENERIC003::TEXT='363'::TEXT AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') UNDIA GROUP BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE ORDER BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE)) UNION (SELECT MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE, SUM(MASDIAS.GENERIC004) AS CALCULOI FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE, A.GENERIC004::INTEGER AS GENERIC004 FROM ACT A, CYCLE C WHERE A.STATUS_FLAG<>217 AND A.ACT_TYPE=16 AND A.GROUP_TYPE::TEXT = 292::TEXT AND A.ACT_STATUS = 205 AND A.GENERIC003::TEXT = '1595'::TEXT AND A.GROUP_VALUE=C.ID_CYCLE AND C.NAME LIKE '2%') MASDIAS GROUP BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE ORDER BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE)) SUMADIAS GROUP BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE ORDER BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE) INCI USING (RUTA, CICLO) LEFT JOIN ( SELECT A.ID_POSTN_TARGET AS RUTA, C.ID_CYCLE AS CICLO, COUNT(A.ID_ACT) AS VISITAS_TERMINADAS FROM ACT A, CYCLE C WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.GROUP_TYPE::TEXT=292::TEXT AND A.ACT_STATUS = 205 AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 7 AND C.NAME LIKE '2%' GROUP BY A.ID_POSTN_TARGET, C.ID_CYCLE ORDER BY A.ID_POSTN_TARGET, C.ID_CYCLE) TERMINADAS USING (RUTA, CICLO) LEFT JOIN ( SELECT A.ID_POSTN_TARGET AS RUTA, C.ID_CYCLE AS CICLO, COUNT(A.ID_ACT) AS ACOMPANADO FROM ACT A, CYCLE C WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.GROUP_TYPE::TEXT = 292::TEXT AND A.ACT_STATUS = 205 AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 7 AND A.GENERIC011::TEXT = 1641::TEXT AND C.NAME LIKE '2%' GROUP BY A.ID_POSTN_TARGET, C.ID_CYCLE) ACOMP USING (RUTA, CICLO) GROUP BY 54

61 CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO, CONFIGURACIONES.VISITAS_BASE, PLAN.CALCULOP, INCI.CALCULOI, CONFIGURACIONES.DIAS_CICLO, TERMINADAS.VISITAS_TERMINADAS, ACOMP.ACOMPANADO ORDER BY CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO) TODO UNION SELECT TODO.RUTA, TODO.CICLO, 6 AS ID_TIPOVISITA, CASE WHEN TODO.VISITAS_BASE IS NULL THEN 0::NUMERIC ELSE TODO.VISITAS_BASE END AS VISITAS_BASE, TODO.PLAN_TRABAJO, TODO.INCIDENCIAS, CASE WHEN (TODO.VISITAS_BASE - TODO.PLAN_TRABAJO - TODO.INCIDENCIAS) IS NULL THEN 0::NUMERIC ELSE TODO.VISITAS_BASE - TODO.PLAN_TRABAJO - TODO.INCIDENCIAS END AS VISITAS_REQUERIDAS, TODO.DIAS_CICLO, TODO.VISITAS_TERMINADAS, TODO.ACOMPANADO FROM ( SELECT CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO, CONFIGURACIONES.VISITAS_BASE::NUMERIC AS VISITAS_BASE, CASE WHEN ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC / CONFIGURACIONES.DIAS_CICLO::NUMERIC * PLAN.CALCULOP, 2) IS NULL THEN 0::NUMERIC ELSE ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC / CONFIGURACIONES.DIAS_CICLO::NUMERIC * PLAN.CALCULOP, 2) END AS PLAN_TRABAJO, CASE WHEN ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC / CONFIGURACIONES.DIAS_CICLO::NUMERIC * INCI.CALCULOI, 2) IS NULL THEN 0::NUMERIC ELSE ROUND(CONFIGURACIONES.VISITAS_BASE::NUMERIC / CONFIGURACIONES.DIAS_CICLO::NUMERIC * INCI.CALCULOI, 2) END AS INCIDENCIAS, CONFIGURACIONES.DIAS_CICLO, TERMINADAS.VISITAS_TERMINADAS, ACOMP.ACOMPANADO FROM ( SELECT V.ID_POSTN AS RUTA, C.ID_CYCLE AS CICLO, V.DRUG_STORE AS VISITAS_BASE, C.GENERIC001 AS DIAS_CICLO FROM VISIT_BASE V, CYCLE C WHERE V.ID_CYCLE = C.ID_CYCLE ORDER BY V.ID_POSTN, C.ID_CYCLE) CONFIGURACIONES LEFT JOIN ( SELECT SUMADIAS.ID_POSTN_TARGET AS RUTA, SUMADIAS.ID_CYCLE AS CICLO, SUM(SUMADIAS.CALCULOP) AS CALCULOP FROM ( ( ( SELECT MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE, COUNT(MEDIODIA.ID_ACT)::NUMERIC * 0.5 AS CALCULOP FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 17 AND A.ACT_STATUS = 205 AND (A.GENERIC003::TEXT = ANY (ARRAY['361'::CHARACTER VARYING::TEXT, '362'::CHARACTER VARYING::TEXT])) AND A.GROUP_VALUE = C.ID_CYCLE AND C.NAME LIKE '2%') MEDIODIA GROUP BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE ORDER BY 55

62 MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE) UNION ( SELECT UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE, COUNT(UNDIA.ID_ACT) AS CALCULOP FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 17 AND A.ACT_STATUS = 205 AND A.GENERIC003::TEXT = '363'::TEXT AND A.GROUP_VALUE = C.ID_CYCLE AND C.NAME LIKE '2%') UNDIA GROUP BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE ORDER BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE)) UNION ( SELECT MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE, SUM(MASDIAS.GENERIC004) AS CALCULOP FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE, A.GENERIC004::INTEGER AS GENERIC004 FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 17 AND A.ACT_STATUS = 205 AND A.GENERIC003::TEXT = '1595'::TEXT AND A.GROUP_VALUE = C.ID_CYCLE AND C.NAME LIKE '2%') MASDIAS GROUP BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE ORDER BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE)) SUMADIAS GROUP BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE ORDER BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE) PLAN USING (RUTA, CICLO) LEFT JOIN (SELECT SUMADIAS.ID_POSTN_TARGET AS RUTA, SUMADIAS.ID_CYCLE AS CICLO, SUM(SUMADIAS.CALCULOI) AS CALCULOI FROM (((SELECT MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE, COUNT(MEDIODIA.ID_ACT)::NUMERIC * 0.5 AS CALCULOI FROM (SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 16 AND A.ACT_STATUS = 205 AND (A.GENERIC003::TEXT = ANY (ARRAY['361'::CHARACTER VARYING::TEXT, '362'::CHARACTER VARYING::TEXT])) AND A.GROUP_VALUE = C.ID_CYCLE AND C.NAME LIKE '2%') MEDIODIA GROUP BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE ORDER BY MEDIODIA.ID_ACT, MEDIODIA.ID_POSTN_TARGET, MEDIODIA.ID_CYCLE) UNION ( SELECT UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE, COUNT(UNDIA.ID_ACT) AS CALCULOI FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 16 AND A.ACT_STATUS = 205 AND A.GENERIC003::TEXT = '363'::TEXT AND A.GROUP_VALUE = C.ID_CYCLE) UNDIA GROUP BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE ORDER BY UNDIA.ID_ACT, UNDIA.ID_POSTN_TARGET, UNDIA.ID_CYCLE)) UNION ( 56

63 SELECT MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE, SUM(MASDIAS.GENERIC004) AS CALCULOI FROM ( SELECT A.ID_ACT, A.ID_POSTN_TARGET, C.ID_CYCLE, A.GENERIC004::INTEGER AS GENERIC004 FROM ACT A, CYCLE C WHERE A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 16 AND A.ACT_STATUS = 205 AND A.GENERIC003::TEXT = '1595'::TEXT AND A.GROUP_VALUE = C.ID_CYCLE AND C.NAME LIKE '2%') MASDIAS GROUP BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE ORDER BY MASDIAS.ID_ACT, MASDIAS.ID_POSTN_TARGET, MASDIAS.ID_CYCLE)) SUMADIAS GROUP BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE ORDER BY SUMADIAS.ID_POSTN_TARGET, SUMADIAS.ID_CYCLE) INCI USING (RUTA, CICLO) LEFT JOIN ( SELECT A.ID_POSTN_TARGET AS RUTA, C.ID_CYCLE AS CICLO, COUNT(A.ID_ACT) AS VISITAS_TERMINADAS FROM ACT A, CYCLE C WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.ACT_STATUS = 205 AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 6 AND C.NAME LIKE '2%' GROUP BY A.ID_POSTN_TARGET, C.ID_CYCLE ORDER BY A.ID_POSTN_TARGET, C.ID_CYCLE) TERMINADAS USING (RUTA, CICLO) LEFT JOIN ( SELECT A.ID_POSTN_TARGET AS RUTA, C.ID_CYCLE AS CICLO, COUNT(A.ID_ACT) AS ACOMPANADO FROM ACT A, CYCLE C WHERE A.GROUP_VALUE = C.ID_CYCLE AND A.GROUP_TYPE::TEXT = 292::TEXT AND A.ACT_STATUS = 205 AND A.STATUS_FLAG <> 217 AND A.ACT_TYPE = 6 AND A.GENERIC011::TEXT = 1641::TEXT AND C.NAME LIKE '2%' GROUP BY A.ID_POSTN_TARGET, C.ID_CYCLE) ACOMP USING (RUTA, CICLO) GROUP BY CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO, CONFIGURACIONES.VISITAS_BASE, PLAN.CALCULOP, INCI.CALCULOI, CONFIGURACIONES.DIAS_CICLO, TERMINADAS.VISITAS_TERMINADAS, ACOMP.ACOMPANADO ORDER BY CONFIGURACIONES.RUTA, CONFIGURACIONES.CICLO) TODO. Este QUERY estará contenido en el STAGE TbL_SATA. Para la seleccionar a los representantes, se utiliza el siguiente QUERY: SELECT ID_RUTA_CONS, DESC_RUTA, ID_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES WHERE FECHA_FIN IS NULL. 57

64 Para la selección de la tabla de rutas, se utiliza el siguiente QUERY: SELECT ID_DISTRITO_CONS, ID_DISTRITO, ID_RUTA_CONS, ID_RUTA, DESC_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_RUTAS WHERE FECHA_FIN IS NULL. La inserción hacia la tabla de FT_VISITAS_RESUMEN se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".FT_VISITAS_RESUMEN(ID_CICLO, FECHA, ID_DISTRITO_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, ID_TIPO_VISITA, M_VISITA_REALIZADA, M_VISITA_BASE, M_VISITA_REQUERIDA, M_INCIDENCIAS, M_PLAN_TRABAJO, M_COBERTURA, M_VISITA_ACOMPANADA, DIAS_CICLO) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?). Derivado de las reglas de negocio, previamente descritas se obtiene el siguiente proceso: Proceso de carga de Visitas Resumen. 58

65 Proceso Secuencial Modulo Visitas. Los procesos de control, no son más que disparador de uno o varios procesos en cadena, lo que da la facilidad de solo ejecutar un proceso que manda llamar a varios. A continuación se muestra la imagen del proceso de control del modulo de visitas: Proceso de secuencia del modulo visitas ATB Análisis ATB. INFA para analizar sus ventas y sus principales competidores, dentro del área de Investigación de Mercados, cuenta con la herramienta TWINX (ATB). ATB mide y registra las ventas, tanto en unidades como en valores, resultadas de la demanda generada por el trabajo de los Representantes. Esta herramienta permite analizar las ventas de productos propios y sus principales productos competidores dentro de la república mexicana, la cual se encuentra dividida por los estados, con los cuales un representante conforma su ruta. El 98% de las ventas de los laboratorios a las Farmacias y Cadenas de autoservicio se realizan a través de Mayoristas o Distribuidores. La información de ATB está basada en la facturación diaria de los mayoristas a cada uno de los puntos de venta distribuidos a nivel Nacional. 59

66 El proveedor de ATB a INFA no le proporciona una BD, si no que ellos tienen algunas licencias y pueden consultar la información y generar sus reportes, es por ello, que se ha determinado que la información que se utilizará para llenar el modelo será extraída por los usuarios y depositado en un archivo de Excel con extensión csv. Para dichos archivos se generará un Layout para que sea cargado por la herramienta DataStage. Se requiere que la información de TWINS se mantenga de la siguiente forma: Los datos a partir de los cuales se pueden realizar agrupaciones son los siguientes: Bricks. Mercados. Presentación del Producto. Clase Terapéutica. Periodos. Periodos a partir de los cuales se llevará a cabo el análisis; entre ellos están: Mes, Trimestre, Año Calendario, 12MM. Las métricas disponibles para análisis son las siguientes: Valores/Unidades. Son valores absolutos, correspondientes a las ventas reales. % de Participación de Mercado (%PM). Calculado para Unidades o Valores. Es un porcentaje horizontal. Índice. Índice comparativo en Unidades o Valores versus la Media Nacional en base a la participación de Mercado. Si el índice es mayor que 100, indica que el %PM en un Brick determinado es mayor que el %PM de la Media Nacional. % de Crecimiento. Porcentaje de Crecimiento del Mercado o Productos, en Unidades o Valores. Crecimiento Absoluto. Crecimiento del Mercado o Productos en Unidades o Valores. Índice de Crecimiento. ( (%Crecimiento Producto/% Crecimiento Mercado )+ 100) Tanto para Unidades como para Valores. % Vertical. Porcentaje del Índice de Ventas. Volumen del Mercado. Total en Unidades o Valores del Mercado únicamente. % Crecimiento del Mercado. Porcentaje de Crecimiento del Mercado únicamente, ya sea en Unidades o Valores. % Vertical del Mercado. Porcentaje del índice de ventas únicamente del Mercado, ya sea en Unidades o Valores. Evolución Índice Participación del Mercado. Índice de Evolución de la Participación del Mercado, ya sea en Unidades o Valores ((%PM Periodo Actual / %PM Periodo Anterior) * 100). 60

67 Evolución Índice Producto. Índice de Evolución calculado sobre los productos, ya sea en Unidades o Valores ((Unidades Periodo Actual / Unidades Periodo Anterior) * 100). La obtención de la información desde la fuente de información y la carga de la misma en el Data Mart se plantea con el siguiente diagrama: Archivos planos PROCESAMIENTO PARA CARGA Modelos Comerciales INFAERP Ejemplificación del proceso de extracción y carga del modulo ATB. En donde toda la información de visitas se obtiene de los archivos enviados, agregándole la fuente INFAERP, de donde obtiene la alineación de la Bricks Diseño ATB. El objetivo del modulo de ATB es: Integrar la información con el menor esfuerzo posible por parte del área Comercial de TWINX. Contar con una herramienta de Inteligencia de negocios. Análisis de Negocio (Análisis Multidimensional). Para cumplir con los objetivos propuestos, se contempla: BIS diseñará los formatos para requerir información fuente del modelo. BIS diseñará el repositorio de la información fuente y de la información requerida para los Cubos de Información. BIS generará 1 cubo con la información de TWINX para su análisis. 61

68 INFA proveerá a BIS los accesos y la conectividad necesaria, así como la descripción de las tablas u otra fuente de datos a utilizar para alimentar el modelo. BIS no es responsable de la calidad de los datos, por lo que se llevará a cabo el desarrollo del modelo y se tomarán cifras de entrada a los que se aplicará la lógica definida y los resultados son los que serán utilizados como control para las pruebas de aceptación. BIS - Diseñará y Construirá los procesos de extracción, transformación y carga (ETL) de la información requerida para alimentar la base de datos que alimentará el Cubo de Información de TWINS contemplado. El Modelo de Análisis Multidimensional se desarrollará con base en los datos de TWINX existentes. En caso de requerir datos de fuentes de datos no incluidas en este alcance se someterán a evaluación a través de un Control de Cambios. Posterior a la entrega de los procesos de extracción, transformación y carga de datos de las fuentes hacia el repositorio serán diseñados, construidos, probados y operados por el personal de INFA. INFA y BIS - Acuerdan que para cambios que puedan o no impactar el alcance del proyecto y para llevar un control adecuado de los mismos, se aplique el PROCEDIMIENTO DE CONTROL DE CAMBIOS. Para cumplir con los objetivos anteriormente planteados se tiene el siguiente modelo: 62

69 Modelo de datos de ATB. 63

70 Se tienen 12 catálogos y una FACT. Siguiendo la metodología de Kimball. A continuación se describen los catálogos y FACT S que comprenden el modelo de ATB: LABORATORIOS. COLUMNA LLAVE TIPO LONGITUD ID_LAB SI VarChar 3 NOM_LAB NO VarChar 50 ID_COR NO VarChar 4 CNT_LAB NO SmallInt 5 COMPANIAS. COLUMNAS LLAVE TIPO LONGITUD ID_COR SI VarChar 4 NOM_COR NO VarChar 35 CNT_COR NO SmallInt 5 PERIODOS. COLUMNAS LLAVE TIPO LONGITUD ID_PERIODO SI VarChar 6 ID_ANIO NO VarChar 4 ID_SEM NO VarChar 7 ID_TRIM NO VarChar 7 ID_MES NO VarChar 7 ID_TIME NO VarChar 6 DATO_VARDEP NO VarChar 7 MES_FUTURO NO VarChar 7 FECHA NO Char 16 64

71 PRODUCTOS_MFP. COLUMNAS LLAVE TIPO LONGITUD ID_PRO SI VarChar 5 NOM_PRO NO VarChar 30 ID_LAB NO VarChar 3 CNT_PRO NO SmallInt 5 PRESENTACIONES_PRODUCTOS. COLUMNAS LLAVE TIPO LONGITUD ID_PRE ID_PRE VarChar 7 NOM_PRE NOM_PRE VarChar 40 NOL_PRE NOL_PRE VarChar 55 DES_PRE DES_PRE VarChar 65 ID_PRO ID_PRO VarChar 5 ID_CT4 ID_CT4 VarChar 5 ID_GEN ID_GEN VarChar 1 ID_FOR ID_FOR VarChar 2 CNT_PRE CNT_PRE VarChar 2 ATB_PRE ATB_PRE VarChar 2 FECHA_LANZ FECHA_LANZ VarChar 6 ID_SAL1 ID_SAL1 VarChar 5 ID_SAL2 ID_SAL2 VarChar 5 ID_SAL3 ID_SAL3 VarChar 5 ID_MOLECULA ID_MOLECULA Integer 10 NOM_PRO NOM_PRO VarChar 30 ID_LAB ID_LAB VarChar 3 CNT_PRO CNT_PRO VarChar 20 CT_PROD CT_PROD VarChar 20 65

72 CLASES_TERAPEUTICAS_N1. COLUMNA LLAVE TIPO LONGITUD ID_CT1 SI VarChar 5 NOM_CT1 NO VarChar 20 NOL_CT1 NO VarChar 50 CNT_CT1 NO SmallInt 5 CLASES_TERAPEUTICAS_N2. COLUMNA LLAVE TIPO LONGITUD ID_CT2 SI VarChar 5 NOM_CT2 NO VarChar 20 NOL_CT2 NO VarChar 50 ID_CT1 NO VarChar 5 CNT_CT2 NO SmallInt 5 CLASES_TERAPEUTICAS_N3. COLUMNA LLAVE TIPO LONGITUD ID_CT3 SI VarChar 5 NOM_CT3 NO VarChar 20 NOL_CT3 NO VarChar 50 ID_CT2 NO VarChar 5 CNT_CT3 NO SmallInt 5 CLASES_TERAPEUTICAS_N4. COLUMNA LLAVE TIPO LONGITUD ID_CT4 SI VarChar 5 NOM_CT4 NO VarChar 20 NOL_CT4 NO VarChar 50 ID_CT3 NO VarChar 5 CNT_CT4 NO SmallInt 5 66

73 SALES1. COLUMNA LLAVE TIPO LONGITUD ID_SAL1 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL1 NO VarChar 2 ATB_SAL1 NO VarChar 2 SALES2. COLUMNA LLAVE TIPO LONGITUD ID_SAL2 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL2 NO VarChar 2 ATB_SAL2 NO VarChar 2 SALES3. COLUMNA LLAVE TIPO LONGITUD ID_SAL3 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL3 NO VarChar 2 ATB_SAL3 NO VarChar 2 Las reglas de negocio para la carga del modelo son las siguientes: 1. El mercado se encuentra dividido en 6 grandes grupos a los cuales llaman Mercados Armados a. Anticonceptivos de emergencia. b. Multivitamincos. c. Orlistat. 67

74 d. Sibus + Met. e. Sibutraminas. f. Vasoprotectores. Los procesos de carga y el modelo deben soportar estas categorías. 2. Las métricas a utilizar son Cálculo del Mes, Calculo Acumulado (Valores y Unidades de enero a la fecha) y el Cálculo Mat (Valores y Unidades desde el mismo mes, pero del año pasado del mes de carga, ejemplo a ). 3. La información fuente se obtendrá de archivos Excel, la cual estará con el siguiente Layout: ARCHIVO PLANO DE UNIDADES: FECHA CODIGO REGION MERCADO PRODUCTO LABORATORIO PRESENTACION UNIDAD ES smalldate() int varchar varchar varchar varchar varchar int ARCHIVO PLANO DE VALORES: FECHA CODIGO REGION MERCADO PRODUCTO LABORATORIO PRESENTACION VALORES smalldate() int varchar varchar varchar varchar varchar int 4. Dichos archivos de Excel seran en formato CSV (Archivo separado por comas). 5. No se debe considerar la información en donde el Brick o Código sea igual a 0 (Cero). 6. En la construcción de esta sección (ATB) solo se realizará el trabajo para la tabla FACT ATB, debido a que las demás tablas serán cubiertas por otros modelos que se realizaran en los siguientes modulos Construcción ATB. La construcción del cubo de información de ATB se basa en el modelo de datos previamente descrito en el análisis ATB, dicho modelo contiene las especificaciones del usuario final sobre las métricas y campos que necesita en sus consultas de información, así como reportes mensuales y diarios dentro de su operación. 68

75 Debido a que la información no se puede obtener se debe generar un Pivoteo de la información para modificarla de Columnas a Renglones, esta es una de las reglas que se utilizara en cada uno de los JOBS a realizar en ATB. A continuación se describen cada unos de los procesos para la carga de información proveniente de ATB. Anticonceptivos de Emergencia. Para los Anticonceptivos la carga de la información se realiza con el siguiente JOB, el cual se encarga de realizar la carga de la información de las unidades y valores de este mercado. Las reglas de negocio son: Leer por separado los archivos de entrada, para las unidades y valores de anticonceptivos de emergencia. Realizar un pivote con los valores y unidades de los archivos, esto para realizar el acomodo de meses, si es que llegase a presentar el caso de carga de dos meses, o más. Se deben eliminar los registros donde el BRICK sea igual a CERO. Se colocarán en archivos planos o HASH temporales para poder hacer un join de los dos archivos. Posteriormente se realiza la inserción en la tabla TEMP_ATB, con el siguiente QUERY: INSERT INTO "Modelos_Comerciales"."dbo"."FT_Temporal_ATB"(codigo, region, mercado, producto, laboratorio, productos, unidades, valores, fecha) VALUES (?,?,?,?,?,?,?,?,?). Siguiendo las reglas de negocio se obtiene el siguiente proceso: 69

76 Proceso de carga de Unidades y Valores del mercado Anticonceptivos de Emergencia. Multivitaminicos. Para la carga de unidades y valores de multivitaminicos de igual forma que los anticonceptivos, es necesario obtener la información desde dos archivos planos, uno de ellos contiene los valores y el otro las unidades correspondientes al mercado de los multivitaminicos. Estos dos archivos se cargan simultáneamente. Posteriormente se pivotean ambos archivos, por la columna de unidades y valores, respectivamente, se deben eliminar los registros donde el BRICK sea igual a CERO; para posteriormente ser insertados a la tabla TEMP_ATB con el siguiente QUERY: INSERT INTO "FT_TEMPORAL_ATB"("CODIGO", "REGION", "MERCADO", "PRODUCTO", "LABORATORIO", "PRODUCTOS", "UNIDADES", "VALORES", "FECHA") VALUES (?,?,?,?,?,?,?,?,?). Se colocarán en archivos planos o HASH temporales para poder hacer un join de los dos archivos. Siguiendo las reglas de negocio, previamente descritas se tiene el siguiente proceso: 70

77 Proceso de carga de Unidades y Valores del mercado Multivitaminicos. Orlistat. Para realizar la carga de los valores y unidades del mercado Orlistat se definen las siguientes reglas de negocio: Leer simultáneamente los archivos de entrada, para las unidades y valores del mercado de Orlistat. Se deben eliminar los registros donde el BRICK sea igual a CERO. Realizar un pivote con los valores y unidades de los archivos, esto para realizar el acomodo de meses, si es que llegase a presentar el caso de carga de dos meses, o más. Se colocarán en archivos planos o HASH temporales para poder hacer la unión de los dos archivos. LA INSERCIÓN EN LA TABLA TEMP_ATB SE REALIZA CON EL SIGUIENTE QUERY: 71

78 INSERT INTO "FT_TEMPORAL_ATB"("CODIGO", "REGION", "MERCADO", "PRODUCTO", "LABORATORIO", "PRODUCTOS", "UNIDADES", "VALORES", "FECHA") VALUES (?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas, se obtiene el siguiente proceso: Proceso de carga de Unidades y Valores del mercado Orlistat. Sibutraminas. Para la carga de las unidades y valores del mercado de Sibutraminas, debido a que son demasiadas presentaciones, se decidió que debería de realizarse un proceso por la carga de las unidades y otro por los valores, y las reglas de negocio para cada uno de ellos son las siguientes: Proceso de Extracción de Unidades Sibutraminas. Para el proceso de extracción de las unidades correspondientes al mercado de las Sibutraminas, se tienen las siguientes reglas de negocio: Se leerán 2 archivos de entrada simultáneamente, con las unidades. Se realizara el pivote por el campo unidades por cada archivo de entrada. 72

79 Se colocarán en archivos planos o HASH temporales para poder hacer la unión de los dos archivos. Posteriormente se colocaran los registros resultantes de ambos pivoteos en un archivo HASH. Con las reglas de negocio, anteriormente descritas se obtiene el siguiente proceso de extracción. Proceso de carga de Unidades del mercado Sibutraminas. Proceso de Extracción de Valores Sibutraminas. Para el proceso de extracción de los valores correspondientes al mercado de las Sibutraminas, se tienen las siguientes reglas de negocio: Se leerán los dos archivos de entrada simultáneamente, los cuales contienen los valores. Se deben eliminar los registros donde el BRICK sea igual a CERO. Se realizará el pivote por el campo valores por cada archivo de entrada. 73

80 Se colocarán los resgistros en archivos planos o HASH temporales para poder hacer la unión de los dos archivos. Posteriormente se colocaran los registros resultantes de ambos pivoteos en un archivo HASH. Con las reglas de negocio, anteriormente descritas se obtiene el siguiente proceso de extracción: Proceso de carga de Valores del mercado Sibutraminas. Proceso de Carga de Valores y Unidades Sibutraminas. Para poder realizar la carga de los valores y unidades de Sibutraminas en la tabla de TEMP_ATB, se requiere realizar un proceso con las siguientes reglas de negocio. Se leen los archivos HASH cargados con los valores y unidades de Sibutraminas. Se hace un join entre los dos archivos HASH mediante los campos: CODIGO, REGION, MERCADO, PRODUCTOS Y FECHA. La inserción en la tabla TEMP_ATB se utiliza el siguiente QUERY: 74

81 INSERT INTO "MODELOS_COMERCIALES"."DBO"."FT_TEMPORAL_ATB"("CODIGO", "REGION", "MERCADO", "PRODUCTO", "LABORATORIO", "PRODUCTOS", "UNIDADES", "VALORES", "FECHA") VALUES (?,?,?,?,?,?,?,?,?). De las reglas de negocio mencionadas, se tiene el siguiente proceso: Proceso de carga de Unidades y Valores del mercado Sibutraminas. Sibus + Met. Para el mercado de Sibus + Met, la carga de las unidades y valores de igual forma se divide en dos procesos para mejorar el tiempo de carga de los archivos. Proceso de Carga de Unidades Sibus + Met. Para el proceso de extracción de las unidades correspondientes al mercado de Sibus + Met, se tienen las siguientes reglas de negocio: Se leerán los cuatro archivos de entrada simultáneamente, los cuales contienen las unidades. Se deben eliminar los registros donde el BRICK sea igual a CERO. Se realizara el pivote por el campo unidades por cada archivo de entrada. 75

82 Se colocarán en archivos planos o HASH temporales para poder hacer la unión de los cuatro archivos. Posteriormente se colocaran los registros resultantes de los 4 pivoteos en un archivo HASH. Con las reglas de negocio, anteriormente descritas se obtiene el siguiente proceso de extracción: Proceso de carga de Unidades del mercado Sibus + Met. Proceso de Carga de Valores Sibus + Met. Para el proceso de extracción de los valores correspondientes al mercado de las Sibus + Met, se tienen las siguientes reglas de negocio: Se leerán los cuatro archivos de entrada simultáneamente, los cuales contienen los valores. Se deben eliminar los registros donde el BRICK sea igual a CERO. Se realizara el pivoteo por el campo valores por cada archivo de entrada. Los registros resultantes de los pivotes se colocarán en archivos planos o HASH temporales para poder hacer la unión de los cuatro archivos. Posteriormente se colocaran los registros resultantes de los 4 pivoteos en un archivo HASH único. 76

83 Con las reglas de negocio, anteriormente descritas se obtiene el siguiente proceso de extracción: Proceso de carga de Valores del mercado Sibus + Met. Proceso de Carga de Unidades y Valores Sibus + Met. Para poder realizar la carga de los valores y unidades de Sibus + Met en la tabla de TEMP_ATB, se requiere realizar un proceso con las siguientes reglas de negocio. Con los archivos HASH cargados con los valores y unidades de Sibus + Met. Se hace un join entre los dos archivos HASH mediante los campos: CODIGO, REGION, MERCADO, PRODUCTOS Y FECHA. La inserción en la tabla TEMPORAL_ATB se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO"."FT_TEMPORAL_ATB"(CODIGO, REGION, MERCADO, PRODUCTO, LABORATORIO, PRODUCTOS, UNIDADES, VALORES, FECHA) VALUES (?,?,?,?,?,?,?,?,?). 77

84 De las reglas de negocio mencionadas, se tiene el siguiente proceso: Proceso de carga de Unidades y Valores del mercado Sibus + Met. Vasoprotectores. Para realizar la carga de los valores y unidades del mercado de Vasoprotectores se definen las siguientes reglas de negocio: Leer simultáneamente los dos archivos de entrada, para las unidades y valores del mercado de Vasoprotectores. Se deben eliminar los registros donde el BRICK sea igual a CERO. Realizar un pivote con los valores y unidades de los archivos, esto para realizar el acomodo de meses, si es que llegase a presentar el caso de carga de dos meses, o más. Los registros resultantes de los pivotes se colocarán en archivos planos o HASH temporales para poder hacer la unión de los cuatro archivos. Se hace un join entre los dos archivos HASH mediante los campos: CODIGO, REGION, MERCADO, PRODUCTOS Y FECHA. Posteriormente se realiza la inserción en la tabla TEMP_ATB, con el siguiente QUERY: 78

85 INSERT INTO "FT_TEMPORAL_ATB"("CODIGO", "REGION", "MERCADO", "PRODUCTO", "LABORATORIO", "PRODUCTOS", "UNIDADES", "VALORES", "FECHA") VALUES (?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas, se obtiene el siguiente proceso: Proceso de carga de Unidades y Valores del mercado Vasoprotectores. FACT ATB. Para realizar la carga de los valores y unidades de todos los mercados a la FACT de ATB, se tienen las siguientes reglas de negocio: Se deben extraer los valores y unidades de la tabla TEMPORAL_ATB con el siguiente QUERY: SELECT CODIGO, REGION, PRODUCTO, LABORATORIO, PRODUCTOS, UNIDADES, VALORES, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMPORAL_ATB". Para la selección de la información de la tabla PRODUCTOS_MFPM, se reuiqre utilizar el QUERY: 79

86 SELECT ID_PRO, NOM_PRO, ID_LAB, CNT_PRO FROM "MODELOS_COMERCIALES"."DBO".LT_PRODUCTOS_MFPM. Para la selección de la información de la tabla PRESENTACIONES_PRODUCTOS es necesario utilizar el QUERY: SELECT ID_PRE, NOM_PRE, NOL_PRE, DES_PRE, ID_PRO, ID_CT4, ID_GEN, ID_FOR, CNT_PRE, ATB_PRE, FECHA_LANZ, ID_SAL1, ID_SAL2, ID_SAL3, MOLECULA, NOM_PRO, ID_LAB, CNT_PRO, CT_PROD FROM "Modelos_Comerciales"."dbo".LT_PRESENTACIONES_PRODUCTOS. La selección de la información del catálogo de laboratorios se tiene el QUERY: SELECT ID_LAB, NOM_LAB, ID_COR, CNT_LAB FROM "MODELOS_COMERCIALES"."DBO".LT_LABORATORIOS. La información obtenida de las tablas PRODUCTOS_MFPM, PRESENTACIONES_PRODUCTOS y LABORATORIOS no podrá ser cargada hasta que se termine el modulo de MFPM, debido a que se toman los valores de este catálogo. La inserción en la tabla TEMP_ATB se realiza con el siguiente QUERY: INSERT INTO "FT_TEMPORAL_ATB"(CODIGO, REGION, MERCADO, PRODUCTO, LABORATORIO, PRODUCTOS, UNIDADES, VALORES, FECHA) VALUES (?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas, se obtiene el siguiente proceso: Proceso de carga de información a la FACT FT_ATB. 80

87 Proceso Secuencial Modulo ATB A continuación se muestra la imagen del proceso secuencial del modulo ATB, con la ejecución de este proceso se llamarán a los anteriormente detallados. Proceso de secuencia modulo ATB MPFM Análisis MFPM. INFA sabiendo que el marketing se ha convertido en parte esencial de las empresas y que esta logra hacer la diferencia para muchas otras en el mercado, y preocupado por la comercialización y distribución de sus productos, tiene un área denominada Investigación de Mercados, la cual está encargada de realizar los reportes de Marketing, que pueden contener: % participación en el mercado, % de crecimiento y desempeño del producto respecto al entorno competitivo; todo lo esto contra otros laboratorios competidores, así como los productos y presentaciones de los competidores; mediante una herramienta llamada M.F.P.M. MFPM es una Base de Datos, actualizada mensualmente, que permite a INFA hacer mediciones de todos los productos distribuidos en cada uno de los Estados de la República Mexicana (tiene un 97% de Cobertura), utilizando diversas variables. 81

88 Los datos de las ventas son tomados de las Cadenas de Farmacias y Autoservicios más importantes para que colaboren a nivel de Punto de Venta, a fin de reflejar las ventas al consumidor final. La obtención de la información desde la fuente de información y la carga de la misma en el Data Mart se plantea con el siguiente diagrama: MFPM PROCESAMIENTO PARA CARGA Modelos Comerciales Ejemplificación del proceso de extracción y carga del modulo MFPM. En donde toda la información de visitas se obtiene de la fuente MFPM Diseño MFPM. Para el área de Investigación de Mercados, es importante conservar los datos de las ventas de M.F.P.M. agrupados por las siguientes dimensiones: Tiempo. Agrupa los años y los meses que los conforman, para los cuales hay datos. Geografía. Conformada por los 31 estados de la República Mexicana más el Distrito Federal. Géneros. Géneros en los que se encuentra dividido el Mercado Farmacéutico Privado: Ético. G.I. Son aquellos productos que en su empaque se encuentra la leyenda de Genérico Intercambiable. Otc. Otros. Categoría contemplada para incluir algún otro género en el momento en que este apareciera, como por ejemplo los Productos Similares. Punto de Venta. Dimensión que permite agrupar las ventas ya sea por Mercado Privado o Gobierno. 82

89 Clase Terapéutica. Clases Terapéuticas, agrupadas de primer nivel hasta cuarto nivel. Periodicidad. Periodos con los que cuenta el modelo: Mes. Acumulado. 12 Meses Móviles (MAT). 6 Meses Móviles. 3 Meses Móviles. Empresa. Corporaciones que conforman el Mercado Farmacéutico Privado, detalladas por Laboratorio. Measures. Unidades de medición con que cuenta el modelo: Unidades. Valores en Pesos. Precios Farmacia de todos los productos. Proyecciones para Unidades y Valores. Las Métricas disponibles para análisis son las siguientes: Montos y Variaciones de Crecimiento. Porcentajes de Participación. Índices de Evolución. Otra de las necesidades encontradas dentro del funcionamiento de MFPM, es que los usuarios tienen algunos reportes en los que hay confusión entre las jerarquías (padres e hijos), para las consultas que se realizan para corporaciones, laboratorios, productos y presentaciones. Además la empresa INFA solo cuenta con 5 años de historia en su Base de Datos, ya que como se van haciendo las actualizaciones de la Base de Datos se pierden meses de historia (regla establecida por su proveedor de información); para INFA es importante conservar la información histórica, ya que le permite generar comparaciones con los resultados de años anteriores. Para el modulo de MFPM se generó un modelo de datos, como resultado de las entrevistas con los usuarios y de las necesidades de información expresadas por los mismos; de tal forma que el modelo cumple con las expectativas de consultas de información y reportes, por parte del cliente y se muestra en la siguiente figura: 83

90 Modelo de datos del modulo MFPM. 84

91 Este modelo consiste de 14 catálogos, 2 tablas FACT y 2 vistas que se generaran solo en la consulta de la información. A continuación se detallan los catálogos y las FACT S del Modelo de MFPM. BRICKS_MFPM. COLUMNA LLAVE TIPO LONGITUD CVE_BRICK SI NVarChar 6 NOM_BRICK NO NVarChar 30 CVE_EST NO NVarChar 2 CNT_MOS NO SmallInt 5 CLASES_TERAPEUTICAS_N1. COLUMNA LLAVE TIPO LONGITUD ID_CT1 SI VarChar 5 NOM_CT1 NO VarChar 20 NOL_CT1 NO VarChar 50 CNT_CT1 NO SmallInt 5 CLASES_TERAPEUTICAS_N2. COLUMNA LLAVE TIPO LONGITUD ID_CT2 SI VarChar 5 NOM_CT2 NO VarChar 20 NOL_CT2 NO VarChar 50 ID_CT1 NO VarChar 5 CNT_CT2 NO SmallInt 5 CLASES_TERAPEUTICAS_N3. COLUMNA LLAVE TIPO LONGITUD ID_CT3 SI VarChar 5 85

92 NOM_CT3 NO VarChar 20 NOL_CT3 NO VarChar 50 ID_CT2 NO VarChar 5 CNT_CT3 NO SmallInt 5 CLASES_TERAPEUTICAS_N4. COLUMNA LLAVE TIPO LONGITUD ID_CT4 SI VarChar 5 NOM_CT4 NO VarChar 20 NOL_CT4 NO VarChar 50 ID_CT3 NO VarChar 5 CNT_CT4 NO SmallInt 5 ESTADOS. COLUMNA LLAVE TIPO LONGITUD ID_EST SI VarChar 2 NOM_EST NO VarChar 30 CNT_EST NO SmallInt 5 LABORATORIOS. COLUMNA LLAVE TIPO LONGITUD ID_LAB SI VarChar 3 NOM_LAB NO VarChar 50 ID_COR NO VarChar 4 CNT_LAB NO SmallInt 5 PRESENTACIONES_PRODUCTOS. COLUMNA LLAVE TIPO LONGITUD ID_PRE SI VarChar 7 NOM_PRE NO VarChar 40 86

93 NOL_PRE NO VarChar 55 DES_PRE NO VarChar 65 ID_PRO NO VarChar 5 ID_CT4 NO VarChar 5 ID_GEN NO VarChar 1 ID_FOR NO VarChar 2 CNT_PRE NO VarChar 2 ATB_PRE NO VarChar 2 FECHA_LANZ NO VarChar 6 ID_SAL1 NO VarChar 5 ID_SAL2 NO VarChar 5 ID_SAL3 NO VarChar 5 ID_MOLECULA NO Integer 10 NOM_PRO NO VarChar 30 ID_LAB NO VarChar 3 CNT_PRO NO VarChar 20 CT_PROD NO VarChar 20 MOLECULA. COLUMNA LLAVE TIPO LONGITUD ID_MOLECULA SI Integer 10 DESC_MOLECULA NO VarChar 200 COMPANIAS. COLUMNA LLAVE TIPO LONGITUD ID_COR SI VarChar 4 NOM_COR NO VarChar 35 CNT_COR NO SmallInt 5 87

94 PRODUCTOS_MFP. COLUMNA LLAVE TIPO LONGITUD ID_PRO SI VarChar 5 NOM_PRO NO VarChar 30 ID_LAB NO VarChar 3 SALES1. COLUMNA LLAVE TIPO LONGITUD ID_SAL1 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL1 NO VarChar 2 ATB_SAL1 NO VarChar 2 SALES2. COLUMNA LLAVE TIPO LONGITUD ID_SAL2 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL2 NO VarChar 2 ATB_SAL2 NO VarChar 2 SALES3. COLUMNA LLAVE TIPO LONGITUD ID_SAL3 SI VarChar 5 NOM_SALES NO VarChar 50 ID_GRUPO NO VarChar 2 CNT_SAL3 NO VarChar 2 ATB_SAL3 NO VarChar 2 88

95 FT_VALORES. COLUMNA LLAVE TIPO LONGITUD ID_TIME SI VarChar 6 ID_PRE SI VarChar 7 ID_CT4 SI VarChar 5 ID_GEN SI VarChar 1 ID_PTO SI VarChar 1 UNIDADES_MES NO Numeric 18 UNIDADES_MAT NO Numeric 18 UNIDADES_ACUM NO Numeric 18 VALORES_MES NO Numeric 18 VALORES_MAT NO Numeric 18 VALORES_ACUM NO Numeric 18 ID_PRO SI VarChar 5 ID_LAB SI VarChar 3 ID_COR SI VarChar 4 ID_SAL1 NO VarChar 5 ID_SAL2 NO VarChar 5 ID_SAL3 NO VarChar 5 ID_MOLECULA NO Integer 10 FECHA SI Char 16 FT_VALORES_X_ESTADO. COLUMNA LLAVE TIPO LONGITUD ID_TIME SI VarChar 6 ID_EST SI VarChar 50 ID_PRE SI VarChar 7 ID_CT4 SI VarChar 5 ID_GEN SI VarChar 1 ID_PTO SI VarChar 1 UNIDADES_MES NO Numeric 18 UNIDADES_MAT NO Numeric 18 UNIDADES_ACUM NO Numeric 18 89

96 VALORES_MES NO Numeric 18 VALORES_MAT NO Numeric 18 VALORES_ACUM NO Numeric 18 ID_PRO SI VarChar 5 ID_LAB SI VarChar 3 ID_COR SI VarChar 4 ID_SAL1 NO VarChar 5 ID_SAL2 NO VarChar 5 ID_SAL3 NO VarChar 5 ID_MOLECULA NO Integer 10 FECHA SI Char Construcción MFPM. Esta sección está basada en el análisis de MFPM previamente descrito, la construcción de los procesos, se describen uno a uno. Cada uno de ellos se considera de extracción y carga. Bricks MFPM. Para realizar esta carga se requiere extraer la información de la tabla M_MOS de la fuente y la inserción en la tabla del numevo modelos datos para MFPM, y se tiene las siguientes reglas de negocio para realizar dicho proceso: Para la carga de la tabla BRICKS_MFPM, solo se requiere obtener los registros de la tabla M_MOS de la fuente, lo cual se realiza con el siguiente QUERY: SELECT CVE_MOS, NOM_MOS, CVE_EST, CNT_MOS FROM "CIDMEX_SALES"."DBO".M_MOS. Se mapean los campos correspondientes entre ambas tablas. Para la inserción en la tabla BRICKS_MFPM, se utiliza el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_BRICKS_MFP(CVE_BRICK, NOM_BRICK, CVE_EST, CNT_MOS) VALUES (?,?,?,?). Con las reglas de negocio previamente descritas se tiene el siguiente proceso: 90

97 Proceso de extracción y carga de información del catálogo Bricks MFPM. Clase Terapéutica N1. Para el llenado de este catálogo CLASES_TERAPEUTICAS_N1, las reglas de negocio son: Se extraen de la tabla M_CT1 con el siguiente QUERY: SELECT CVE_CT1, M_CT1.NOM_CT1, M_CT1.NOL_CT1, M_CT1.CNT_CT1 FROM "CIDMEX_SALES"."DBO".M_CT1. Se mapean los campos correspondientes entre ambas tablas. Se insertan los valores en la tabla CLASES_TERAPEUTICAS_N1 con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASES_TERAPEUTICAS_N1(ID_CT1, NOM_CT1, NOL_CT1, CNT_CT1) VALUES (?,?,?,?). Con las reglas de negocio para este proceso se tiene: Proceso de extracción y carga de información del catálogo Clase Terapeutica1. 91

98 Clase Terapéutica N2. Para el llenado de este catálogo CLASES_TERAPEUTICAS_N2, se extraen de la tabla M_CT2 y se tienen las reglas: Se extraen de la tabla M_CT2 con el siguiente QUERY: SELECTCVE_CT2, NOM_CT2, NOL_CT2, CVE_CT1, M_CT2CNT_CT2 FROM "CIDMEX_SALES"."DBO".M_CT2. Se mapean los campos correspondientes entre ambas tablas. Se insertan los valores en la tabla CLASES_TERAPEUTICAS_N2 con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASES_TERAPEUTICAS_N2(ID_CT2, NOM_CT2, NOL_CT2, ID_CT1, CNT_CT2) VALUES (?,?,?,?,?). Con las reglas de negocio descritas, se tiene el proceso de extracción y carga: Proceso de extracción y carga de información del catálogo Clase Terapeutica2. Clase Terapéutica N3. Para el llenado de este catálogo CLASES_TERAPEUTICAS_N3, se extraen de la tabla M_CT3 y se tienen las reglas: Se extraen de la tabla M_CT3 con el siguiente QUERY: SELECT CVE_CT3, NOM_CT3, NOL_CT3, CVE_CT2, CNT_CT3 FROM "CIDMEX_SALES"."DBO".M_CT3. Se mapean los campos correspondientes entre ambas tablas. 92

99 Se insertan los valores en la tabla CLASES_TERAPEUTICAS_N3 con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASES_TERAPEUTICAS_N3(ID_CT3, NOM_CT3, NOL_CT3, ID_CT2, CNT_CT3) VALUES (?,?,?,?,?). Con las reglas de negocio descritas, se tiene el proceso de extracción y carga: Proceso de extracción y carga de información del catálogo Clase Terapeutica3. Clase Terapéutica N4. Para el llenado de este catálogo CLASES_TERAPEUTICAS_N4, se extraen de la tabla M_CT4 y se tienen las reglas: Se extraen de la tabla M_CT3 con el siguiente QUERY: SELECT CVE_CT4, NOM_CT4, NOL_CT4, CVE_CT3, CNT_CT4 FROM "CIDMEX_SALES"."DBO".M_CT4. Se mapean los campos correspondientes entre ambas tablas. Se insertan los valores en la tabla CLASES_TERAPEUTICAS_N3 con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASES_TERAPEUTICAS_N4(ID_CT4, NOM_CT4, NOL_CT4, ID_CT3, CNT_CT4) VALUES (?,?,?,?,?). Con las reglas de negocio descritas, se tiene el proceso de extracción y carga: 93

100 Proceso de extracción y carga de información del catálogo Clase Terapeutica4. Clasificación Canal. La carga de este catálogo se realiza con las siguientes reglas de negocio: Se extraen de la tabla M_PTO con el siguiente QUERY: SELECT CVE_PTO, NOM_PTOCNT_PTO FROM "CIDMEX_SALES"."DBO".M_PTO. Se mapean los campos correspondientes entre ambas tablas. Se insertan los valores en la tabla CLASES_TERAPEUTICAS_N3 con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_CLASIFICACION_CANAL(ID_PTO, NOM_PTO, CNT_PTO) VALUES (?,?,?); Con las reglas de negocio, se tiene el siguiente proceso: Proceso de extracción y carga de información del catálogo Clasificación Canal. 94

101 Compañías. Para la carga del catálogo COMPANIAS, es necesario extraer la información desde la tabla M_MOR de la fuente, para realizar el proceso se toman en cuenta las siguientes reglas de negocio: Para la extracción de la información de la tabla M_COR se utiliza el siguiente QUERY: SELECT M_COR.CVE_COR, NOM_COR, CNT_COR FROM "CIDMEX_SALES"."DBO".M_COR. Se debe agregar un registro más, el cual su ID debe ser SNID y la descripción SIN COMPANIA. Para la inserción en el catalogo COMPANIAS se considera el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_COMPANIAS(ID_COR, NOM_COR, CNT_COR) VALUES (?,?,?). Con las reglas anteriormente descritas, se tiene el siguiente proceso: Proceso de extracción y carga de información del catálogo Compañias. Estados. La carga del catálogo de ESTADOS se realiza con la extracción de información de la tabla M_EST, para este proceso se tienen las siguientes reglas de negocio: 95

102 Para la extracción de la información de la tabla M_EST, se utiliza el QUERY: SELECT CVE_EST, NOM_EST, CNT_EST FROM "CIDMEX_SALES"."DBO".M_EST. Para la carga de la información a la tabla LT_ESTADOS, se utiliza el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_ESTADOS(ID_EST, NOM_EST, CNT_EST) VALUES (?,?,?). Con las reglas de negocio previamente descritas se tiene el proceso: Proceso de extracción y carga de información del catálogo Estados. Laboratorios. La carga del catálogo de LABORATORIOS se realiza mediante la extracción de la tabla M_LAB, las reglas de negocio para realiza la carga son las siguientes: La extracción de la tabla M_LAB se realiza con el siguiente QUERY: SELECT CVE_LAB, NOM_LAB, CVE_COR, CNT_LAB FROM "CIDMEX_SALES"."DBO".M_LAB. Se debe agreagar un registro adicional el cual debe contener la llave SID y la descripción SIN LABORATORIO. La inserción al catálogo de LABORATORIOS se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_LABORATORIOS(ID_LAB, NOM_LAB, ID_COR, CNT_LAB) VALUES (?,?,?,?). Con las reglas anteriormente descritas se tiene el siguiente proceso: 96

103 Proceso de extracción y carga de información del catálogo Laboratorios. Mercados. Para la carga del catálogo de MERCADOS se requiere de la extracción de la información de la tabla M_GEN, para realizar este proceso se tiene las siguientes reglas de negocio: Para la extracción de la información de M_GEN se utiliza el QUERY: SELECT CVE_GEN, NOM_GEN, CNT_GEN FROM "CIDMEX_SALES"."DBO".M_GEN. Se mapean los campos correspondientes entre ambas tablas. Para la carga de la información al catálogo de MERCADOS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_MERCADOS(ID_GEN, NOM_GEN, CNT_GEN) VALUES (?,?,?). Con las reglas de negocio previamente descritas se tiene el proceso: Proceso de extracción y carga de información del catálogo Mercados. 97

104 Molécula. La carga del catálogo de MOLECULA se realiza con la extracción de la información de la tabla M_PRE, se tienen las siguientes reglas de negocio: La extracción de la información de la tabla M_PRE se considera el QUERY: SELECT DISTINCT MOLECULA FROM "CIDMEX_SALES"."DBO".M_PRE. Se requiere de un registro extra que contenga en la llave 0 y en la descripción SIN MOLECULA. La inserción de los registros en el catálogo MOLECULA se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_MOLECULA(ID_MOLECULA, DESC_MOLECULA) VALUES (?,?). Con las reglas de negocio previamente descritas se tiene el proceso: Proceso de extracción y carga de información del catálogo Molecula. Periodos. La información para la carga del catálogo de PERIODOS se debe realizar la extracción de la información de la tabla M_TIME, para tal proceso se tienen las siguientes reglas de negocio: Para la extracción de la información de la tabla M_TIME se considera el QUERY: SELECT CVE_ANIO, CVE_SEM, CVE_TRIM, CVE_MES, CVE_TIME, DATO_VARDEP, MES_FUTURO FROM "CIDMEX_SALES"."DBO".M_TIME. 98

105 Para la carga de la información del catálogo PERIODOS se considera el QUERY: INSERT INTO "Modelos_Comerciales"."dbo".LT_PERIODOS(id_periodo, id_anio, id_sem, id_trim, id_mes, id_time, dato_vardep, mes_futuro, fecha) VALUES (?,?,?,?,?,?,?,?,convert(smalldatetime,?)). Con las reglas anteriormente definidas se tiene el proceso: Proceso de extracción y carga de información del catálogo Periodos. Productos. Para la carga del catálogo de PRODUCTOS, es necesario realizar la extracción de la información de la tabla M_PRO, para tal proceso se tienen las siguientes reglas de negocio: Para la extracción de la información de la tabla M_PRO se considera el QUERY: SELECT CVE_PRO, NOM_PRO, CVE_LAB, CNT_PRO FROM "CIDMEX_SALES"."DBO".M_PRO. Se mapean los campos correspondientes entre ambas tablas. Se debe agregar un registro nuevo donde se coloque la clave y la descripción SIN PRODUCTO. Para la inserción de la información en el catálogo PRODUCTOS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_PRODUCTOS_MFP(ID_PRO, NOM_PRO, ID_LAB, CNT_PRO) VALUES (?,?,?,?). Con las reglas de negocio descritas anteriormente se tiene el proceso de extracción y carga: 99

106 Proceso de extracción y carga de información del catálogo Productos. Presentaciones Productos. La carga del catálogo PRESENTACIONES_PRODUCTOS se realiza con la extracción de la información de las tablas M_PRO y M_PRE, y un join con la información del catálogo MOLECULA, para tal proceso se tienen las reglas de negocio: Para la extracción de la información de la tabla M_PRO se tiene el QUERY: SELECT CVE_PRO, NOM_PRO, CVE_LAB, CNT_PRO FROM "CIDMEX_SALES"."DBO".M_PRO. Para la extracción de la información de la tabla M_PRE se tiene el QUERY: SELECT CVE_PRE, NOM_PRE, NOL_PRE, DES_PRE, CVE_PRO, CVE_CT, CVE_GEN, CVE_FOR, CNT_PRE, ATB_PRE FROM "CIDMEX_SALES"."DBO".M_PRE. Para la extracción de la información del catálogo MOLECULA se considera el QUERY: SELECT ID_MOLECULA, DESC_MOLECULA FROM MODELOS_COMERCIALES"."DBO".LT_MOLECULA. Con las reglas negocio anteriores, se tiene el siguiente proceso de extracción y carga: 100

107 Proceso de extracción y carga de información del catálogo Presentaciones Productos. Sales1. Para la carga del catálogo de SALES1 es necesario realizar la extracción de la tabla M_SAL1, y cargarlo en la tabla SALES1, para este proceso se tienen las reglas: Para la extracción de la información de la tabla M_SAL1 se tiene el QUERY: SELECT CVE_SAL1, NOM_SALES, CVE_GRUPO, CNT_SAL1, ATB_SAL1 FROM "CIDMEX_SALES"."DBO".M_SAL1. Se mapean los campos correspondientes entre ambas tablas. Para la carga de la información del catálogo SALES1 se considera el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_SALES1(ID_SAL1, NOM_SALES, ID_GRUPO, CNT_SAL1, ATB_SAL1) VALUES (?,?,?,?,?). Con las reglas de negocio descritas para este proceso, se obtiene: 101

108 Proceso de extracción y carga de información del catálogo Sales1. Sales2. Para la carga del catálogo de SALES2 es necesario realizar la extracción de la tabla M_SAL2, para el proceso se tienen las reglas: Para la extracción de la información de la tabla M_SAL2 se tiene el QUERY: SELECT CVE_SAL2, NOM_SALES, CVE_GRUPO, CNT_SAL2, ATB_SAL2 FROM "CIDMEX_SALES"."DBO".M_SAL2. Se mapean los campos correspondientes entre ambas tablas. Para la carga de la información del catálogo SALES2 se considera el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_SALES2(ID_SAL2, NOM_SALES, ID_GRUPO, CNT_SAL2, ATB_SAL2) VALUES (?,?,?,?,?). Con las reglas de negocio descritas para este proceso, se obtiene: Proceso de extracción y carga de información del catálogo Sales2. 102

109 Sales3. Para la carga del catálogo de SALES3 es necesario realizar la extracción de la tabla M_SAL3, para el proceso se tienen las reglas: Para la extracción de la información de la tabla M_SAL3 se tiene el QUERY: SELECT CVE_SAL3, NOM_SALES, CVE_GRUPO, CNT_SAL3, ATB_SAL3 FROM "CIDMEX_SALES"."DBO".M_SAL3. Se mapean los campos correspondientes entre ambas tablas. Para la carga de la información del catálogo SALES3 se considera el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_SALES3(ID_SAL3, NOM_SALES, ID_GRUPO, CNT_SAL3, ATB_SAL3) VALUES (?,?,?,?,?). Con las reglas de negocio descritas para este proceso, se obtiene: Proceso de extracción y carga de información del catálogo Sales3. Para la carga de las tablas FACT se realiza una carga previa en tablas temporales, esto para poder generar el cálculo MAT y ACUMULADO, definido anteriormente para esta auditoría. Se tienen los siguientes procesos: Temporal Valores. En este proceso de extracción y de carga se utilizan dos tablas de extracción y una tabla temporal de carga para poder almacenar los valores y poder generar posteriormente los cálculos. 103

110 Las reglas de negocio para este proceso son: La extracción de la información de la tabla PERIODOS se realiza con el siguiente QUERY: SELECT ID_PERIODO, ID_ANIO, ID_SEM, ID_TRIM, ID_MES, ID_TIME, DATO_VARDEP, MES_FUTURO, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_PERIODOS. La extracción de información de la tabla VALOR1 se realiza con el siguiente QUERY: SELECT CVE_TIME, CVE_PRE, CVE_CT, CVE_GEN, CVE_PTO, DATO_UNIDAD1, DATO_PESO1, DATO_UINV1, DATO_PINV1, CVE_PRO, CVE_LAB, CVE_COR FROM "CIDMEX_SALES"."DBO".D_VALOR1. El layout de la tabla TEMPORAL_VALORES es: COLUMNA LLAVE TIPO LONGITUD ID_TIME SI VarChar 6 ID_PRE SI VarChar 7 ID_CT4 SI VarChar 5 ID_GEN SI VarChar 1 ID_PTO SI VarChar 1 DATO_UNIDAD1 NO Numeric 18 DATO_PESO1 NO Numeric 18 DATO_UINV1 NO Numeric 14 DATO_PINV1 NO Numeric 14 ID_PRO SI VarChar 5 ID_LAB SI VarChar 3 ID_COR SI VarChar 4 FECHA SI Char

111 La carga de la información a la tabla TEMPORAL_VALORES se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES"(ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD1, DATO_PESO1, DATO_UINV1, DATO_PINV1, ID_PRO, ID_LAB, ID_COR, FECHA) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?). Derivado de las reglas descritas anteriormente se tiene el siguiente proceso: Proceso de extracción y carga de información a la FACT FT_Temporal_Valores. Temporal Valores Por Estado. En este proceso de extracción y de carga se utilizan dos tablas de extracción y una tabla temporal de carga para poder almacenar los valores y poder generar posteriormente los cálculos. Las reglas de negocio para este proceso son: La extracción de la información de la tabla PERIODOS se realiza con el siguiente QUERY: SELECT ID_PERIODO, CONVERT(CHAR(16), FECHA,20) FROM LT_PERIODOS. La extracción de información de la tabla VALOR2 se realiza con el siguiente QUERY: 105

112 SELECT CONVERT(VARCHAR(6), CVE_TIME), CVE_EST, CVE_PRE, CVE_CT, CVE_GEN, CVE_PTO, DATO_UNIDAD2, DATO_PESO2, DATO_UINV2, DATO_PINV2, CVE_PRO, CVE_LAB, CVE_COR FROM "CIDMEX_SALES"."DBO".D_VALOR2. El layout de la tabla TEMPORAL_VALORES_X_ESTADO es: COLUMNA LLAVE TIPO LONGITUD ID_TIME SI VarChar 50 ID_EST SI VarChar 50 ID_PRE SI VarChar 50 ID_CT4 SI VarChar 50 ID_GEN SI VarChar 50 ID_PTO SI VarChar 50 DATO_UNIDAD2 NO Numeric 14 DATO_PESO2 NO Numeric 14 DATO_UINV2 NO Numeric 14 DATO_PINV2 NO Numeric 14 ID_PRO SI VarChar 50 ID_LAB SI VarChar 50 ID_COR SI VarChar 50 FECHA SI Char 16 La carga de la información a la tabla TEMPORAL_VALORES_X_ESTADO se realiza con el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES_X_ESTADO"(ID_TIME, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD2, DATO_PESO2, DATO_UINV2, DATO_PINV2, ID_PRO, ID_LAB, ID_COR, FECHA) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?). 106

113 Derivado de las reglas descritas anteriormente se tiene el siguiente proceso: Proceso de extracción y carga de información a la FACT FT_Valores_X_Estado. Para poder realizar los cálculos de MAT y ACUMULADO, es necesario tomar como base las dos anteriores tablas temporales (Temporal_Valores y Temporal_Valores_X_Estado). Los procesos de la generación de los mismos se describen a continuación. FACT Valores. En este proceso se toman los valores existentes en la tabla de Temporal_Valores, para generar el cálculo MAT y ACUMULADO correspondiente al periodo. Para dicho proceso las reglas de negocio son las siguientes: La extracción de la información de la tabla de Temporal_Valores, estará delimitada por 3 QUERYS, uno para obtener la información del mes de carga, otro para la información para el cálculo MAT (12 meses atrás) y el último para el cálculo ACUMULADO (Enero al mes de carga). Se definen 2 variables para determinar el mes de carga y el año correspondiente, estas variables serán llenadas por el usuario al momento de su ejecución, las variables son ANIO y MES, y estas serán utilizadas en los QUERYS para la obtención de la información. QUERY para la obtención de la información del mes de carga: 107

114 SELECT ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD1, DATO_PESO1, DATO_UINV1, DATO_PINV1, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES" WHERE FECHA='#ANIO#'+'-'+'#MES#'+'-01'. QUERY para la obtención de la información valores MAT: SELECT ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD1, DATO_PESO1, DATO_UINV1, DATO_PINV1, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES" WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'-'+'#MES#'+'-01 00:00' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. QUERY para la obtención de la información valores ACUMULADO: SELECT ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD1, DATO_PESO1, DATO_UINV1, DATO_PINV1, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES" WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01 00:00' AND '#ANIO#'+'-'+'#MES#'+'-01'. Una vez obtenidos estos valores (mes, ACUMULADO y MAT) se debe hacer una agrupación de cada una, esto para solo obtener un valor a insertar en la tabla destino. La agrupación no aplica para la información obtenida del mes, sino, solo la de los valores para ACUMULADO y MAT, y se realiza por los siguientes campos, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, ID_PRO, ID_LAB, ID_COR, para los campos ID_TIME y ID_FECHA se obtiene el valor máximo, y los valores de DATO_UNIDAD2 y DATO_PESO2 se suman cada uno de ellos. La selección de la información de la tabla PRESENTACIONES_PRODUCTOS se toma en cuenta este QUERY: SELECT ID_PRE, NOM_PRE, NOL_PRE, DES_PRE, ID_PRO, ID_CT4, ID_GEN, ID_FOR, CNT_PRE, ATB_PRE, FECHA_LANZ, ID_SAL1, ID_SAL2, ID_SAL3, ID_MOLECULA, NOM_PRO, ID_LAB, CNT_PRO, CT_PROD FROM "MODELOS_COMERCIALES"."DBO".LT_PRESENTACIONES_PRODUCTOS. 108

115 Para la inserción de los datos en la tabla FT_VALORES ya sumarizados, se utiliza el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".FT_VALORES(ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, UNIDADES_MES, UNIDADES_MAT, UNIDADES_ACUM, VALORES_MES, VALORES_MAT, VALORES_ACUM, ID_PRO, ID_LAB, ID_COR, ID_SAL1, ID_SAL2, ID_SAL3, ID_MOLECULA, FECHA) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas anteriormente se obtiene el siguiente proceso: Proceso de extracción y carga de información a la FACT FT_Valores. FACT Valores Por Estado. En este proceso se toman los valores existentes en la tabla de Temporal_Valores_X_Estado, para generar el cálculo MAT y ACUMULADO correspondiente al periodo. Para dicho proceso las reglas de negocio son las siguientes: La extracción de la información de la tabla de Temporal_Valores_X_Estado, estará delimitada por 3 QUERYS, uno para obtener la información del mes de carga, otro para la información para el cálculo MAT (12 meses atrás) y el último para el cálculo ACUMULADO (Enero al mes de carga). 109

116 Se definen 2 variables para determinar el mes de carga y el año correspondiente, estas variables serán llenadas por el usuario al momento de su ejecución, las variables son ANIO y MES, y estas serán utilizadas en los QUERYS para la obtención de la información. QUERY para la obtención de la información del mes de carga: SELECT ID_TIME, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD2, DATO_PESO2, DATO_UINV2, DATO_PINV2, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES_X_ESTADO" WHERE FECHA='#ANIO#'+'-'+'#MES#'+'-01'. QUERY para la obtención de la información valores MAT: SELECT ID_TIME, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD2, DATO_PESO2, DATO_UINV2, DATO_PINV2, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES_X_ESTADO" WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'-'+'#MES#'+'-01 00:00' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. QUERY para la obtención de la información valores ACUMULADO: SELECT ID_TIME, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, DATO_UNIDAD2, DATO_PESO2, DATO_UINV2, DATO_PINV2, ID_PRO, ID_LAB, ID_COR, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO"."FT_TEMP_VALORES_X_ESTADO" WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01 00:00' AND '#ANIO#'+'-'+'#MES#'+'-01'. Una vez obtenidos estos valores (mes, ACUMULADO y MAT) se debe hacer una agrupación de cada una, esto para solo obtener un valor a insertar en la tabla destino. La agrupación no aplica para la información obtenida del mes, sino, solo la de los valores para ACUMULADO y MAT, y se realiza por los siguientes campos, ID_EST, ID_PRE, ID_CT4, ID_GEN, ID_PTO, ID_PRO, ID_LAB, ID_COR, para los campos ID_TIME y ID_FECHA se obtiene el valor máximo, y los valores de DATO_UNIDAD2 y DATO_PESO2 se suman cada uno de ellos. La selección de la información de la tabla PRESENTACIONES_PRODUCTOS se toma en cuenta este QUERY: 110

117 SELECT ID_PRE, NOM_PRE, NOL_PRE, DES_PRE, ID_PRO, ID_CT4, ID_GEN, ID_FOR, CNT_PRE, ATB_PRE, FECHA_LANZ, ID_SAL1, ID_SAL2, ID_SAL3, ID_MOLECULA, NOM_PRO, ID_LAB, CNT_PRO, CT_PROD FROM "MODELOS_COMERCIALES"."DBO".LT_PRESENTACIONES_PRODUCTOS. Para la inserción de los datos en la tabla FT_VALORES ya sumarizados, se utiliza el siguiente QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".FT_VALORES(ID_TIME, ID_PRE, ID_CT4, ID_GEN, ID_PTO, UNIDADES_MES, UNIDADES_MAT, UNIDADES_ACUM, VALORES_MES, VALORES_MAT, VALORES_ACUM, ID_PRO, ID_LAB, ID_COR, ID_SAL1, ID_SAL2, ID_SAL3, ID_MOLECULA, FECHA) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas anteriormente se obtiene el siguiente proceso: Proceso de extracción y carga de información a la FACT FT_Valores_X_Estado. 111

118 Proceso Secuencial modulo MFPM. A continuación se muestra el proceso secuencial de ejecución del modulo de MFPM. Proceso secuencial del modulo MFPM Reporte Ejecutivo Análisis Reporte Ejecutivo. En la actualidad el análisis de la información de forma rápida y práctica es una pieza crucial en las empresas, dado que se requiere tomar decisiones en tiempos muy cortos. Derivado de esto INFA para el análisis de la información a nivel gerencial, utiliza un Reporte Ejecutivo, el cual le permite conocer como se encuentra el área de Comercial en los siguientes aspectos del área: Visitas médicas Son las visitas realizadas por los representantes a los diferentes clientes (médicos y farmacias). ATB Información sobre las unidades y valores de productos vendidos en el territorio nacional, por las familias de productos de INFA. El reporte ejecutivo debe ser claro y conciso, por lo que se INFA plantea el siguiente formato para la realización del reporte. 112

119 Cada una de las secciones está dividida por el concepto al que se refiere el reporte. Visitas Médicas Reporte Ejecutivo. Administrativo de ventas VisiMed VisiMed VisiMed VisiMed Distrito VisiMed VisiMed VisiMed VisiMed Acom Acom Acom Acom VisSiarmac VisSiarmac VisSiarmac VisSiarmac Gerente Objetivo % Real % Objetivo % Real % VisSiarmac Objetivo Objetivo Representante # % # % # % # % # % # % En donde el primer renglón es el área responsable de proporcionar la información, la segunda columna son los campos que INFA requiere se coloquen como lo son: Visita Médica (Objetivo), en donde se coloca las visitas a médicos que se deben cubrir en el ciclo, a nivel de Gerente y Representante. Visita Médica (Porcentaje de participación), se considera porcentaje de participación, a la división entre el total de visitas objetivo a médicos por distrito, entre para cada uno de los representantes de ese distrito. Visita Médica (Real), se debe mostrar el valor de las visitas realizadas a médicos por cada y representante y el total por distrito, realizadas en el ciclo. Visita Médica (Porcentaje de participación), se considera el porcentaje de participación, a la división entre el total de visitas realizadas a médicos por distritos, entre cada uno de los representantes de ese distrito. Visita Médica Acompañada (Objetivo), son las visitas acompañas que se planea que los representantes realicen dentro de un ciclo determinado. Visita Médica Acompañada (Porcentaje de participación), se considera porcentaje de participación, a la división entre el total de visitas acompañadas objetivo a médicos por distrito, entre para cada uno de los representantes de ese distrito. Visita Médica Acompañada (Real), se debe mostrar el valor de las visitas realizadas acompañadas a médicos por cada y representante y el total por distrito, realizadas en el ciclo. Visita Médica Acompañada (Porcentaje de participación), se considera el porcentaje de participación, a la división entre el total de visitas acompañadas realizadas a médicos por distritos, entre cada uno de los representantes de ese distrito. 113

120 Visita Farmacia (Objetivo), en donde se coloca las visitas a farmacias que se deben cubrir en el ciclo, a nivel de Gerente y Representante. Visita Farmacia (Porcentaje de participación), se considera porcentaje de participación, a la división entre el total de visitas objetivo a farmacias por distrito, entre para cada uno de los representantes de ese distrito. Visita Farmacia (Real), se debe mostrar el valor de las visitas realizadas a farmacias por cada y representante y el total por distrito, realizadas en el ciclo. Visita Farmacia (Porcentaje de participación), se considera el porcentaje de participación, a la división entre el total de visitas realizadas a farmacias por distritos, entre cada uno de los representantes de ese distrito. ATB Reporte Ejecutivo. Este se dividirá en 2 secciones, el primero considerará las unidades vendidas y el segundo los valores de las ventas reflejadas en pesos. Además estos 2 rubros se dividen por los productos que INFA considero importantes en el mercado (Sibutraminas, Sibutramina + Metmorfina y Vasoprotectores). Toda la información mostrada en el reporte deberá ser a nivel gerente y se deberá poder bajar la información a nivel representante. ATB Unidades. Ventas ATB Unidades Sibutraminas + Distrito Sibutraminas Metformina Vasoprotectores Gerente OBJETIVO REAL OBJETIVO REAL OBJETIVO REAL Representante # % # % # % # % # % # % Para las columnas de Sibutraminas, tenemos el objetivo como subdivisión, en donde se observará las unidades de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segunda subcolumna está el porcentaje de participación, el cual es la división de las unidades por cada representante entre el total por la gerencia, y la el gerente entre el total de unidades de todos los gerentes. En las columnas de Sibutraminas + Metformina, tenemos el objetivo en donde se observará las unidades de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segunda subcolumna está el porcentaje de participación, el cual es la división de las unidades por cada 114

121 representante entre el total por la gerencia, y la el gerente entre el total de unidades de todos los gerentes. Las columnas de Vasoprotectores, está el objetivo en donde se observará las unidades de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segundo punto está el porcentaje de participación, el cual es la división de las unidades por cada representante entre el total por la gerencia, y la el gerente entre el total de unidades de todos los gerentes. ATB Valores. Ventas ATB Valores Sibutraminas + Distrito Sibutraminas Metformina Vasoprotectores Gerente OBJETIVO REAL OBJETIVO REAL OBJETIVO REAL Representante # % # % # % # % # % # % Para las columnas de Sibutraminas, tenemos el objetivo como subdivisión, en donde se observará los valores de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segunda subcolumna está el porcentaje de participación, el cual es la división de los valores por cada representante entre el total por la gerencia, y la el gerente entre el total de valores de todos los gerentes. En las columnas de Sibutraminas + Metformina, tenemos el objetivo en donde se observará los valores de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segunda subcolumna está el porcentaje de participación, el cual es la división de los valores por cada representante entre el total por la gerencia, y la el gerente entre el total de valores de todos los gerentes. Las columnas de Vasoprotectores, está el objetivo en donde se observará los valores de venta objetivo para el ciclo promocional correspondiente, para cada representante y por consecuencia para cada gerente. Como segundo punto está el porcentaje de participación, el cual es la división de los valores por cada representante entre el total por la gerencia, y la el gerente entre el total de valores de todos los gerentes. 115

122 Diseño Reporte Ejecutivo. Derivado de las entrevistas con los usuarios se definió el siguiente modelo de datos que cumple con las características y necesidades de los usuarios, previamente descritas para el reporte ejecutivo: Modelo de datos del modulo Reporte Ejecutivo. 116

123 El modelo de datos anteriormente mostrado cumple con las expectativas del usuario hacia y con la información que será analizada. A continuación se describen con mayor detalle los catálogos y FACTS que comprenden el Modelo de Datos del Reporte Ejecutivo: FUERZA_VENTAS. COLUMNA LLAVE TIPO LONGITUD ID_FUERZA_VENTAS SI Integer 10 DESC_FUERZA_VENTAS NO VarChar 50 ID_CICLO_INICIO SI Integer 10 CICLO_INICIO NO VarChar 50 ID_CICLO_FIN SI VarChar 50 CICLO_FIN NO VarChar 50 FECHA_INICIO NO VarChar 50 FECHA_FIN NO VarChar 50 DISTRITOS. COLUMNA LLAVE TIPO LONGITUD ID_GTE_NAL SI Integer 10 DESC_GTE_NAL NO VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_DISTRITO SI VarChar 50 DESC_DISTRITO NO VarChar

124 REPRESENTANTES. COLUMNA LLAVE TIPO LONGITUD ID_RUTA_CONS SI VarChar 20 DESC_RUTA NO VarChar 30 ID_RUTA SI VarChar 15 ID_REPRE_CONS SI VarChar 20 ID_NOMINA_REPRE SI VarChar 10 DESC_REPRE NO VarChar 50 ID_CNTO_COSTOS_RUTA SI VarChar 10 ID_FUERZA_VENTAS SI VarChar 10 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 HIBRIDO NO VarChar 20 GERENTES. COLUMNA LLAVE TIPO LONGITUD ID_DISTRITO_CONS NO VarChar 15 ID_DISTRITO SI VarChar 15 DESC_DISTRITO NO VarChar 45 ID_GTE_CONS SI VarChar 15 ID_NOMINA_GTE NO VarChar 15 DESC_GERENTE NO VarChar 50 ID_CNTO_COSTOS_GTE NO VarChar 10 FECHA_INICIO NO Char 16 FECHA_FIN NO Char

125 BRICKS. COLUMNA LLAVE TIPO LONGITUD ID_ESTADO SI Integer 10 DESC_ESTADO NO VarChar 50 ID_CIUDAD_ZONAPOSTAL SI VarChar 50 DESC_CIUDAD_ZONAPOSTAL NO VarChar 50 ID_BRICK SI VarChar 255 DESC_BRICK NO VarChar 50 ID_FUERZA_VENTAS SI VarChar 50 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 BRICKS_RUTAS. COLUMNA LLAVE TIPO LONGITUD ID_BRICK SI VarChar 50 ID_RUTA_CONS SI VarChar 50 ID_RUTA SI VarChar 50 ID_REPRE_CONS SI VarChar 30 DIAS NO Float 15 PONDERADO NO Float 15 FECHA_INICIO NO Char 16 FECHA_FIN NO Char

126 RUTAS. COLUMNA LLAVE TIPO LONGITUD ID_DISTRITO_CONS SI VarChar 10 ID_DISTRITO SI VarChar 10 ID_RUTA_CONS SI VarChar 10 ID_RUTA SI VarChar 10 DESC_RUTA NO VarChar 50 ID_FUERZA_VENTAS NO VarChar 5 STATUS_RUTA NO VarChar 5 PRODUCTOS. COLUMNA LLAVE TIPO LONGITUD ID_PRO SI VarChar 5 NOM_PRO NO VarChar 30 ID_LAB NO VarChar 3 CNT_PRO NO SmallInt 5 TIPO_VISITA. COLUMNA LLAVE TIPO LONGITUD ID_TIPO_VISITA SI BigInt 19 DESC_TIPO_VISITA NO VarChar 50 TIPO NO VarChar 255 SUBTIPO NO VarChar

127 CICLOS_PROMOCIONALES. COLUMNA LLAVE TIPO LONGITUD ID_CICLO SI BigInt 19 DESC_CICLO NO VarChar 250 DESC_CICLO_FV NO VarChar 50 FECHA_INICIO NO Char 16 FECHA_FIN NO Char 16 ANIO NO VarChar 4 ID_FUERZA_VENTAS SI VarChar 50 CICLOS_PERIODOS. COLUMNA LLAVE TIPO LONGITUD ID_CICLO SI BigInt 19 DESC_CICLO NO VarChar 50 DESC_CICLO_FV NO VarChar 50 FECHA_INICIO_CICLO NO Char 16 FECHA_FIN_CICLO NO Char 16 ANIO NO Integer 10 ID_FUERZA_VENTAS SI VarChar 50 FECHA NO Char

128 PERIODOS. COLUMNA LLAVE TIPO LONGITUD ID_PERIODO SI VarChar 6 ID_ANIO NO VarChar 4 ID_SEM NO VarChar 7 ID_TRIM NO VarChar 7 ID_MES NO VarChar 7 ID_TIME NO VarChar 6 DATO_VARDEP NO VarChar 7 MES_FUTURO NO VarChar 7 FECHA NO Char 16 FT_ATB_RE. COLUMNA LLAVE TIPO LONGITUD FECHA SI Char 16 ID_CICLO SI VarChar 255 ID_RUTA SI VarChar 255 ID_RUTA_CONS SI VarChar 50 ID_REPRE_CONS SI VarChar 50 ID_LABORATORIO SI VarChar 70 ID_PRODUCTO SI VarChar 50 ID_PRE_PRODUCTO SI VarChar 50 ID_BRICK SI VarChar 255 UNIDADES_MES NO Integer 10 UNIDADES_ACUM NO Integer 10 UNIDADES_MAT NO Integer

129 VALORES_MES NO Integer 10 VALORES_ACUM NO Integer 10 VALORES_MAT NO Integer 10 FT_VISITAS_RE. COLUMNA LLAVE TIPO LONGITUD FECHA SI VarChar 50 ID_CICLO SI VarChar 255 ID_RUTA SI VarChar 255 ID_RUTA_CONS SI VarChar 15 ID_REPRE_CONS SI VarChar 50 ID_BRICK SI VarChar 255 ID_TIPO_VISITA SI VarChar 50 VISITA_REALIZADA_MES NO Integer 10 VISITA_REALIZADA_ACUM NO Integer 10 VISITA_REALIZADA_MAT NO Integer 10 VISITA_REQUERIDA_MES NO Integer 10 VISITA_REQUERIDA_ACUM NO Integer 10 VISITA_REQUERIDA_MAT NO Integer 10 VISITA_ACOMP_MES NO Integer 10 VISITA_ACOMP_OBJ_MES NO Integer 10 VISITA_ACOMP_ACUM NO Integer 10 VISITA_ACOMP_OBJ_ACUM NO Integer 10 VISITA_ACOMP_MAT NO Integer 10 VISITA_ACOMP_OBJ_MAT NO Integer

130 FT_SUELDOS_COMISIONES_RE. COLUMNA LLAVE TIPO LONGITUD FECHA SI VarChar 50 ID_CICLO SI VarChar 255 ID_DISTRITO SI VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_GTE_CONS SI VarChar 50 ID_RUTA SI VarChar 255 ID_RUTA_CONS SI VarChar 50 ID_REPRE_CONS SI VarChar 50 SALARIOS_MES NO Float 15 SALARIOS_ACUM NO Float 15 SALARIOS_MAT NO Float 15 INCENTIVOS_MES NO Float 15 INCENTIVOS_ACUM NO Float 15 INCENTIVOS_MAT NO Float 15 SUELDOS_COMISIONES_GTE_RE. COLUMNA LLAVE TIPO LONGITUD FECHA SI VarChar 50 ID_CICLO SI VarChar 255 ID_DISTRITO SI VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_GTE_CONS SI VarChar 50 SALARIOS_MES NO Float

131 SALARIOS_ACUM NO Float 15 SALARIOS_MAT NO Float 15 INCENTIVOS_MES NO Float 15 INCENTIVOS_ACUM NO Float 15 INCENTIVOS_MAT NO Float Construcción Reporte Ejecutivo. La construcción de las FACTS y catálogos esta en base a las reglas de negocio expresadas por los usuarios, así como también del modelo de datos descrito en el análisis. Fuerza de Ventas. Para la creación de este proceso de extracción y carga de este catálogo, es necesario considerar las siguientes reglas de negocio: Para la extracción de la tabla ALINEACION_FUERZAS, se considera el QUERY: SELECT CLAVE, DESCRIPCION FROM "INFAERP"."DBO"."ALINEACION_FUERZAS". Para la inserción en el catálogo FUERZA_VENTAS se tiene el QUERY: SELECT CLAVE, DESCRIPCION FROM "INFAERP"."DBO"."ALINEACION_FUERZAS". Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Fuerza de Ventas. 125

132 Distritos. La carga del catálogo de DISTRITOS se realiza mediante la extracción de información de la tabla ALINEACION_DISTRITOS de la fuente INFAERP, y del catálogo GERENCIA_NACIONAL de Modelos_Comerciales. Para realizar este proceso se tienen las reglas de negocio: En la extracción de la tabla ALINEACION_DISTRITOS se considera el QUERY: SELECT CLAVE_NACIONAL, CONSECUTIVO, CLAVE, DESCRIPCION, NOMINA, NOMBRE, CENTRO_COSTOS FROM "INFAERP"."DBO"."ALINEACION_DISTRITOS". Para la extracción de la tabla GERENCIA_NACIONAL se considera el QUERY: SELECT ID_CLAVE_NACIONAL, CLAVE_NACIONAL FROM "LT_GERENCIA_NACIONAL". Para la inserción al catálogo de DISTRITOS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_DISTRITOS(ID_GTE_NAL, DESC_GTE_NAL, ID_DISTRITO_CONS, ID_DISTRITO, DESC_DISTRITO, FECHA_INICIO) VALUES (?,?,?,?,?,CONVERT(SMALLDATETIME,?)). Con las reglas de negocio descritas anteriormente para la extracción e inserción de datos, se tiene el proceso: Proceso de extracción y carga de información al catalogo Distritos. 126

133 Representantes. La carga del catálogo de REPRESENTANTES se realiza mediante la extracción de información de la tabla ALINEACION_RUTAS de la fuente INFAERP, y del catálogo LT_RUTAS de Modelos_Comerciales. Para realizar este proceso se tienen las reglas de negocio siguientes: En la extracción de la tabla ALINEACION_RUTAS se considera el QUERY: SELECT CLAVE_DISTRITO, RUTA, DESCRIPCION, NOMINA, NOMBRE, CLAVE_FUERZA, CONSECUTIVO, CENTRO_COSTOS FROM "INFAERP"."DBO"."ALINEACION_RUTAS". Para la extracción de la tabla LT_RUTAS se considera el QUERY: SELECT ID_DISTRITO_CONS, ID_DISTRITO, ID_RUTA_CONS, ID_RUTA, DESC_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_RUTAS. Para la inserción al catálogo de REPRESENTANTES se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES(ID_RUTA_CONS, DESC_RUTA, ID_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, FECHA_INICIO) VALUES (?,?,?,?,?,?,?,?,CONVERT(SMALLDATETIME,?)). Los registros que no sean insertados (rechazados) se deben insertar en un archivo HASH. Con las reglas de negocio descritas anteriormente para la extracción e inserción de datos, se tiene el proceso: 127

134 Proceso de extracción y carga de información al catalogo Representantes. Gerentes. La carga del catálogo de GERENTES se realiza mediante la extracción de información de la tabla ALINEACION_DISTRITOS de la fuente INFAERP, y del catálogo LT_DISTRITOS de Modelos_Comerciales. Para realizar este proceso se tienen las reglas de negocio: En la extracción de la tabla ALINEACION_DISTRITOS se considera el QUERY: SELECT CLAVE_NACIONAL, CONSECUTIVO, CLAVE, DESCRIPCION, NOMINA, NOMBRE, CENTRO_COSTOS FROM "INFAERP"."DBO"."ALINEACION_DISTRITOS". Para la extracción de la tabla LT_DISTRITOS se considera el QUERY: SELECT ID_GTE_NAL, DESC_GTE_NAL, ID_DISTRITO_CONS, ID_DISTRITO, DESC_DISTRITO, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_DISTRITOS. Para la inserción al catálogo de LT_GERENTES se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_GERENTES(ID_DISTRITO_CONS, ID_DISTRITO, DESC_DISTRITO, ID_GTE_CONS, ID_NOMINA_GTE, 128

135 DESC_GERENTE, ID_CNTO_COSTOS_GTE, FECHA_INICIO) VALUES (?,?,?,?,?,?,?,CONVERT(SMALLDATETIME,?)). Con las reglas de negocio descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Gerentes. Bricks. La carga del catálogo de BRCKS se realiza mediante la extracción de información de la tabla BRICK_ZIPCODE de SATA y ALINEACION_BRICKS de la fuente INFAERP. Para realizar este proceso se tienen las reglas de negocio: En la extracción de la tabla ALINEACION_BRICKS se considera el QUERY: SELECT BRICK, DESCRIPCION, CLAVE_FUERZA, RUTA, DIAS, PONDERADO FROM "INFAERP"."DBO"."ALINEACION_BRICKS". Para la extracción de la tabla BRICK_ZIPCODE se considera el QUERY: SELECT DISTINCT ID_BRICK, ID_BRICK_ENTERO, CIUDAD_ZONA_POSTAL, ESTADO FROM ( SELECT C.ID_ZIPCODE, C.ZIPCODE, D.ID_BRICK, C.CITY_NAME AS CIUDAD_ZONA_POSTAL, C.STATE_NAME AS ESTADO, D.ID_BRICK::INTEGER AS ID_BRICK_ENTERO FROM ZIPCODE C INNER JOIN BRICK_ZIPCODE D ON C.ZIPCODE = D.ZIPCODE ORDER BY C.STATE_NAME, C.ZIPCODE) A. Para la inserción al catálogo de LT_BRICKS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".LT_BRICKS(ID_ESTADO, DESC_ESTADO, ID_CIUDAD_ZONAPOSTAL, DESC_CIUDAD_ZONAPOSTAL, 129

136 ID_BRICK, DESC_BRICK, ID_FUERZA_VENTAS, FECHA_INICIO, FECHA_FIN) VALUES (?,?,?,?,?,?,?,CONVERT(SMALLDATETIME,?),CONVERT(SMALLDATETIME,?)). Con las reglas de negocio descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Bricks. Bricks Rutas. Derivado de que es un catálogo generado desde otros catálogos, la creación del mismo está dado por los joins entre 2 catálogos de Modelos Comerciales y uno solo de INFAERP. Este catálogo se realiza mediante la extracción de información de la tabla LT_BRICKS y LT_REPRESENTANTES de Modelos Comerciales y ALINEACION_BRICKS de la fuente INFAERP. Para realizar este proceso se tienen las reglas de negocio: En la extracción de la tabla LT_BRICKS se considera el QUERY: SELECT ID_ESTADO, DESC_ESTADO, ID_CIUDAD_ZONAPOSTAL, DESC_CIUDAD_ZONAPOSTAL, ID_BRICK, DESC_BRICK, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20), CONVERT(INTEGER, ID_BRICK) AS BRICK_ENT FROM LT_BRICKS. Para la extracción de la tabla LT_REPRESENTANTES se considera el QUERY: SELECT ID_RUTA_CONS, DESC_RUTA, ID_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), 130

137 CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES. Para la extracción de la tabla ALINEACION_BRICKS se considera el QUERY: SELECT BRICK, DESCRIPCION, CLAVE_FUERZA, RUTA, DIAS, PONDERADO, CONVERT(INTEGER, BRICK) AS BRICK_ENT FROM "INFAERP"."DBO"."ALINEACION_BRICKS". Para la inserción al catálogo de LT_BRICKS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".RT_BRICKS_RUTAS(ID_BRICK, ID_RUTA_CONS, ID_RUTA, ID_REPRE_CONS, DIAS, PONDERADO, FECHA_INICIO) VALUES (?,?,?,?,?,?,CONVERT(SMALLDATETIME,?)). Con las reglas de negocio descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Bricks Rutas. 131

138 Productos. El catálogo de Productos en este Modelo de datos no se crea, sino que se toma uno de los existentes, que para este caso es PRODUCTOS_MFP. (Para ver el proceso de creación de este catálogo ver página 97). Tipos Visita. El catálogo de Tipos Visita en este Modelo de datos no se crea, sino que se toma de los existentes, este catálogo se creó en el Modelo de Visitas. (Para ver el proceso de creación de este catálogo ver página 45). Ciclos Promocionales. El catálogo de Ciclos Promocionales en este Modelo de datos no se crea, sino que se toma de los existentes, este catálogo se creó en el Modelo de Visitas. (Para ver el proceso de creación de este catálogo ver página 34). Ciclos Periodos. El catálogo de Ciclos Periodos se obtiene de la información contenida catálogo de Ciclos_Promocionales creado en el modelo de SATA, se decidió generar un nuevo catálogo para el Reporte Ejecutivo, debido a que se plantea un cambio en este catálogo, así que queda independiente aunque contenga la misma información. Las reglas de negocio para este catálogo son: Para la extracción de Ciclos_Promocionales se tiene el QUERY: SELECT ID_CICLO, DESC_CICLO, DESC_CICLO_FV, FECHA_INICIO, FECHA_FIN, ANIO, ID_FUERZA_VENTAS FROM MODELOS_COMERCIALES"."DBO". LT_CICLOS_PROMOCIONALES. Para la inserción en el catálogo Ciclos_Periodos se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".RT_CICLOS_PERIODOS (ID_CICLO, DESC_CICLO, DESC_CICLO_FV, FECHA_INICIO_CICLO, FECHA_FIN_CICLO, ANIO, ID_FUERZA_VENTAS) VALUES (CONVERT(SMALLDATETIME,?),?,?,?,?,?,?,?,?,?,?,?,?,?,?). El ID_FUERZA_VENTAS se obtendrá del campo DESC_CICLO_FV utilizando solo los 3 últimos caracteres de este. 132

139 Con las reglas anteriores se obtiene el siguiente proceso: Proceso de extracción y carga de información al catálogo RT_CICLOS_PERIODOS. Periodos. El catálogo de Periodos en este Modelo de datos no se crea, sino que se toma de los existentes, este catálogo se creó en el Modelo de MFPM. (Para ver el proceso de creación de este catálogo ver página 98). FACT ATB RE. Para el llenado de esta FACT se requiere acceder a los datos contenidos en la FACT ATB, la cual contiene valores y unidades por cada una de las clases terapéuticas. El proceso de carga esta dado por las siguientes reglas de negocio: Para la extracción de la tabla FT_ATB Valores y Unidades ACUMULADAS se considera el QUERY: SELECT ID_MER, ID_LAB, ID_PRO, ID_PRE, CONVERT(CHAR(16), FECHA, 20), ID_BRICK, M_UNIDADES, M_VALORES FROM "MODELOS_COMERCIALES"."DBO".FT_ATB WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01' AND '#ANIO#'+'-'+'#MES#'+'-01'. Para la extracción de la tabla FT_ATB Valores y Unidades MES se considera el QUERY: SELECT ID_MER, ID_LAB, ID_PRO, ID_PRE, CONVERT(CHAR(16), FECHA, 20), ID_BRICK, M_UNIDADES, M_VALORES FROM "MODELOS_COMERCIALES"."DBO".FT_ATB WHERE FECHA='#ANIO#'+'- '+'#MES#'+'-01'. 133

140 Para la extracción de la tabla FT_ATB Valores y Unidades MAT se considera el QUERY: SELECT ID_MER, ID_LAB, ID_PRO, ID_PRE, CONVERT(CHAR(16), FECHA, 20), ID_BRICK, M_UNIDADES, M_VALORES FROM "MODELOS_COMERCIALES"."DBO".FT_ATB WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'-'+'#MES#'+'-01 00:00' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. Las unidades y valores obtenidos se deben agrupar por los campos: ID_MER, ID_LAB, ID_PRO, ID_PRE y ID_BRICK, los datos en los campos UNIDADES y VALORES se deben sumar, y la FECHA debe ser la máxima. Se deberán unir los valores y unidades, ACUMULADO, MAT y MES, por los campos: ID_MER, ID_LAB, ID_PRO, ID_PRE, ID_BRICK y FECHA. La extracción de la tabla CICLOS_PERIODOS se considera con el QUERY: SELECT ID_CICLO, DESC_CICLO, DESC_CICLO_FV, CONVERT(CHAR(16), FECHA_INICIO_CICLO, 20), CONVERT(CHAR(16), FECHA_FIN_CICLO, 20), ANIO, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO".RT_CICLOS_PERIODOS. Para la extracción de la tabla BRICKS_RUTAS se considera el QUERY: SELECT ID_BRICK, ID_RUTA_CONS, ID_RUTA, ID_REPRE_CONS, DIAS, PONDERADO, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".RT_BRICKS_RUTAS WHERE FECHA_FIN IS NULL. SE DEBE REALIZAR EL JOIN CON LOS CAMPOS FECHA Y BRICK. Para la inserción al catálogo de LT_BRICKS se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".FT_ATB_RE(FECHA, ID_CICLO, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, ID_LABORATORIO, ID_PRODUCTO, ID_PRE_PRODUCTO, ID_BRICK, UNIDADES_MES, UNIDADES_ACUM, UNIDADES_MAT, VALORES_MES, VALORES_ACUM, VALORES_MAT) VALUES (CONVERT(SMALLDATETIME,?),?,?,?,?,?,?,?,?,?,?,?,?,?,?). Con las reglas anteriores se tiene el proceso: 134

141 Proceso de extracción y carga de información a la FACT FT_ATB_RE. FACT Visitas RE. Para el llenado de esta FACT se requiere acceder a los datos contenidos en la FACT VISITAS_RESUMEN. El proceso de carga esta dado por las siguientes reglas de negocio: Para la extracción de la tabla FT_VISITAS_RESUMEN MES se considera el QUERY: SELECT ID_CICLO, FECHA, ID_RUTA, ID_REPRE_CONS, ID_TIPO_VISITA, M_VISITA_REALIZADA, M_VISITA_BASE, M_VISITA_REQUERIDA, M_INCIDENCIAS, M_PLAN_TRABAJO, M_COBERTURA, M_VISITA_ACOMPANADA, DIAS_CICLO FROM "MODELOS_COMERCIALES"."DBO".FT_VISITAS_RESUMEN WHERE FECHA='#ANIO#'+'-'+'#MES#'+'-01'. Para la extracción de la tabla FT_VISITAS_RESUMEN ACUMULADAS se considera el QUERY: SELECT ID_CICLO, FECHA, ID_RUTA, ID_REPRE_CONS, ID_TIPO_VISITA, M_VISITA_REALIZADA, M_VISITA_BASE, M_VISITA_REQUERIDA, M_INCIDENCIAS, M_PLAN_TRABAJO, M_COBERTURA, M_VISITA_ACOMPANADA, DIAS_CICLO FROM "MODELOS_COMERCIALES"."DBO".FT_VISITAS_RESUMEN WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01' AND '#ANIO#'+'-'+'#MES#'+'-01'. Para la extracción de la tabla FT_VISITAS_RESUMEN MAT se considera el QUERY: SELECT ID_CICLO, FECHA, ID_RUTA, ID_REPRE_CONS, ID_TIPO_VISITA, M_VISITA_REALIZADA, M_VISITA_BASE, M_VISITA_REQUERIDA, M_INCIDENCIAS, M_PLAN_TRABAJO, M_COBERTURA, M_VISITA_ACOMPANADA, 135

142 DIAS_CICLO FROM "MODELOS_COMERCIALES"."DBO".FT_VISITAS_RESUMEN WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'-'+'#MES#'+'-01 00:00' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. Para la extracción del catálogo CICLOS_PERIODOS, se considera el QUERY: SELECT ID_CICLO, DESC_CICLO, DESC_CICLO_FV, CONVERT(CHAR(16), FECHA_INICIO_CICLO, 20), CONVERT(CHAR(16), FECHA_FIN_CICLO, 20), ANIO, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO".RT_CICLOS_PERIODOS. Para la extracción de la información del catálogo BRICKS_RUTAS se tiene el QUERY: SELECT ID_BRICK, ID_RUTA_CONS, ID_RUTA, ID_REPRE_CONS, DIAS, PONDERADO, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), "MODELOS_COMERCIALES"."DBO".RT_BRICKS_RUTAS.FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".RT_BRICKS_RUTAS. Para la extracción de la información del catálogo de REPRESENTANTES se utiliza el QUERY: SELECT ID_RUTA_CONS, DESC_RUTA, ID_RUTA, ID_REPRE_CONS, ID_NOMINA_REPRE, DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES. El join entre las tablas se debe realizar con los campos: ID_CICLO y ID_RUTA. Para la inserción de los datos en la FACT VISITAS_RE se tiene el QUERY: INSERT INTO "MODELOS_COMERCIALES"."DBO".FT_VISITAS_RE(FECHA, ID_CICLO, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, ID_BRICK, ID_TIPO_VISITA, VISITA_REALIZADA_MES, VISITA_REALIZADA_ACUM, VISITA_REALIZADA_MAT, VISITA_REQUERIDA_MES, VISITA_REQUERIDA_ACUM, VISITA_REQUERIDA_MAT, VISITA_ACOMP_MES, VISITA_ACOMP_OBJ_MES, VISITA_ACOMP_ACUM, VISITA_ACOMP_OBJ_ACUM, VISITA_ACOMP_MAT, VISITA_ACOMP_OBJ_MAT) VALUES (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?). 136

143 Con las reglas anteriormente definidas, se tiene el proceso: Proceso de extracción y carga de información a la FACT FT_VISITAS_RE. FACT Sueldos Comisiones RE y FACT Sueldos Comisiones GTE RE. Para la carga de estas 2 FACTS se realiza en un solo proceso, debido a que la información para ambos casos se toma de la misma fuente de datos, que para los sueldos es la fuente ESAKTE, el cual es un ERP de INFA, el cual no se determino entender por completo, sino solo lo necesario para obtener los montos de los sueldos y comisiones obtenidos por cada unos de los representantes y gerentes de INFA. Se toman de la fuente ESAKTE las tablas F6020, F9908, F6001, de Modelos Comerciales REPRESENTANTES, GERENTES, RUTAS y CICLOS_PERIODOS. Para realizar el proceso se tienen las reglas de negocio: Para la extracción de los datos de la tabla F6020 se tiene el QUERY: SELECT QQ9TNO, QQ9AAC, QQ9NNO, CAST(QQ9EMP AS INT), QQ9CON, QQ9IMP, QQ9MAC, QQ9CPD, CASE WHEN QQ9CPD ='D' THEN (QQ9IMP * (-1)) ELSE QQ9IMP END AS IMPORTE_SIGNO FROM NM0101."DBO".F6020, NM0101."DBO".F6003 WHERE QQ9CON = NM0101."DBO".F6003.QQ9CON AND QQ9CPD <> 'A' 137

144 AND (QQ9AAC = '#ANIO#' AND QQ9MAC = '#MES#') AND QQ9TNO <> 'B'. Para la extracción de los datos de la tabla F9908 se considera el QUERY: SELECT TASIST, TAITAB, LTRIM(CONVERT(CHAR(1), TALLA)), TADESC, TADES2, TACRIG FROM NM0101."DBO".F9908 WHERE TASIST = 60 AND TAITAB = 'TN' AND TALLA <> ''. Para la extracción de datos de la tabla F6001 se tiene el QUERY: SELECT CAST(QQ9EMP AS INT), QQ9DES FROM NM0101."dbo".F6001. Para la extracción de la tabla REPRESENTANTES se considera el QUERY: SELECT ID_RUTA_CONS, DESC_RUTA, ID_RUTA, ID_REPRE_CONS, CAST(ID_NOMINA_REPRE AS INT), DESC_REPRE, ID_CNTO_COSTOS_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_REPRESENTANTES. Para la extracción de la tabla GERENTES se considera el QUERY: SELECT ID_DISTRITO_CONS, ID_DISTRITO, DESC_DISTRITO, ID_GTE_CONS, ID_NOMINA_GTE, DESC_GERENTE, ID_CNTO_COSTOS_GTE, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_GERENTES WHERE (ID_DISTRITO_CONS =? AND ID_DISTRITO =?). Para la extracción de la tabla RUTAS se considera el QUERY: SELECT ID_DISTRITO_CONS, ID_DISTRITO, ID_RUTA_CONS, ID_RUTA, DESC_RUTA, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA_INICIO, 20), CONVERT(CHAR(16), FECHA_FIN, 20) FROM "MODELOS_COMERCIALES"."DBO".LT_RUTAS WHERE (ID_RUTA =?). Se debe colocar los valores de las comisiones y sueldos en una tabla donde se colocara la historia, para posteriormente obtener los cálculos MAT, MES y ACUMULADO. Los layout para la carga de las tablas históricas son: 138

145 SUELDOS Y COMISIONES GERENTES. COLUMNA LLAVE TIPO LONGITUD FECHA SI Char 16 ANIO NO Char 4 MES NO Char 2 ID_DISTRITO SI VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_GTE_CONS SI VarChar 50 NOMINA SI Integer 10 EMPLEADO NO Char 30 SUELDO NO Numeric 17 COMISION NO Numeric 17 SUELDOS Y COMISIONES REPRESENTANTES. COLUMNA LLAVE TIPO LONGITUD FECHA SI Char 16 ANIO NO Char 4 MES NO Char 2 NOMINA SI Integer 10 ID_DISTRITO SI VarChar 50 ID_DISTRITO_CONS SI VarChar 50 ID_GTE_CONS SI VarChar 50 ID_RUTA SI VarChar 50 ID_RUTA_CONS SI VarChar 50 ID_REPRE_CONS SI VarChar

146 EMPLEADO NO Char 30 SUELDO NO Numeric 17 COMISION NO Numeric 17 Para la inserción en la tabla SUELDOS_COMISIONES_GERENTES: INSERT INTO "HISTORIAL_SUELDOS_GTES"(FECHA, ANIO, MES, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, EMPLEADO, MONTO) VALUES (?,?,?,?,?,?,?,?,?). UPDATE "TEMPORAL_SUELDOS_GTES" SET SUELDO =?, COMISION =? WHERE (FECHA =? AND ANIO =? AND MES =? AND ID_DISTRITO =? AND ID_DISTRITO_CONS =? AND ID_GTE_CONS =? AND NOMINA =? AND EMPLEADO =?). Para la inserción en la tabla SUELDOS_COMISIONES_REPRESENTANTES INSERT INTO "HISTORIAL_SUELDOS_REPRESENTANTES"(FECHA, ANIO, MES, NOMINA, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, EMPLEADO, MONTO) VALUES (?,?,?,?,?,?,?,?,?,?,?,?). UPDATE "TEMP_SUELDOS_REPRESENTANTES" SET SUELDO =?, COMISION =? WHERE (FECHA =? AND ANIO =? AND MES =? AND NOMINA =? AND ID_DISTRITO =? AND ID_DISTRITO_CONS =? AND ID_GTE_CONS =? AND ID_RUTA =? AND ID_RUTA_CONS =? AND ID_REPRE_CONS =? AND EMPLEADO =?). La extracción de los valores para los representantes de los sueldos y comisiones con los cálculos MAT, ACUMULADO y MES, se tomará en cuenta lo siguiente: Para el cálculo MAT de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_GTES se considera el QUERY: SELECT FECHA, ANIO, MES, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_GTES" WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'- '+'#MES#'+'-01 00:00' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. 140

147 Para el cálculo ACUMULADO de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_GTES se considera el QUERY: SELECT FECHA, ANIO, MES, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_GTES" WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01 00:00' AND '#ANIO#'+'-'+'#MES#'+'- 01'. Para el cálculo MES de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_GTES se considera el QUERY: SELECT FECHA, ANIO, MES, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_GTES" WHERE ANIO = '#ANIO#' AND MES = '#MES#'. Para el cálculo MAT de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_REPRES se considera el QUERY: SELECT FECHA, ANIO, MES, NOMINA, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_REPRES" WHERE FECHA>= CONVERT(CHAR(4),(CONVERT(INTEGER,'#ANIO#')-1))+'- '+'#MES#'+'-01' AND FECHA<= '#ANIO#'+'-'+'#MES#'+'-01'. Para el cálculo ACUMULADO de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_REPRES se considera el QUERY: SELECT FECHA, ANIO, MES, NOMINA, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_REPRES" WHERE FECHA BETWEEN '#ANIO#'+'-'+'01'+'-01' AND '#ANIO#'+'-'+'#MES#'+'-01'. Para el cálculo MES de los sueldos y comisiones de la tabla HISTORIAL_SUELDOS_REPRES se considera el QUERY: SELECT FECHA, ANIO, MES, NOMINA, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, EMPLEADO, SUELDO, COMISION FROM "HISTORIAL_SUELDOS_REPRES" WHERE ANIO = '#ANIO#' AND MES = '#MES#'. Se deben agrupar los valores por los campos: ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, la FECHA debe ser la máxima, el SUELDO y las COMISIONES se deben sumar. 141

148 Para la extracción de la información contenida en la tabla CICLOS_PERIODOS, se considera el QUERY: SELECT ID_CICLO, DESC_CICLO, DESC_CICLO_FV, CONVERT(CHAR(16), FECHA_INICIO_CICLO, 20), CONVERT(CHAR(16), FECHA_FIN_CICLO, 20), ANIO, ID_FUERZA_VENTAS, CONVERT(CHAR(16), FECHA, 20) FROM "MODELOS_COMERCIALES"."DBO".RT_CICLOS_PERIODOS WHERE CONVERT(CHAR(16), FECHA, 20) = '#ANIO#'+'-'+'#MES#'+'-01'. Para la inserción en la tabla FT_SUELDOS_COMISIONES_GTE_RE se considera el QUERY: INSERT INTO FT_SUELDOS_COMISIONES_GTE_RE(ID_CICLO, FECHA, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, NOMINA, EMPLEADO, SUELDO_MES, SUELDO_ACUM, SUELDO_MAT, INCENTIVO_MES, INCENTIVO_ACUM, INCENTIVO_MAT) VALUES (?,CONVERT(SMALLDATETIME,?),?,?,?,?,?,?,?,?). Para la inserción en la tabla FT_SUELDOS_COMISIONES_GTE_RE se considera el QUERY: INSERT INTO FT_SUELDOS_COMISIONES_RE(FECHA, ID_CICLO, ID_DISTRITO, ID_DISTRITO_CONS, ID_GTE_CONS, ID_RUTA, ID_RUTA_CONS, ID_REPRE_CONS, SALARIO_MES, SUELDO_ACUM, SUELDO_MAT, INCENTIVO_MES, INCENTIVO_ACUM, INCENTIVO_MAT) VALUES (?,?,?,?,?,?,?,?,?,?,?). Con las reglas de negocio descritas anteriormente, se tiene el proceso: 142

149 Proceso de extracción y carga de información a la FACT FT_Sueldos_Comisiones_RE y FT_Sueldos_Comisiones_GTE_RE. 143

150 Proceso Secuencial Reporte Ejecutivo. A continuación se muestra el proceso que permitirá ejecutar de forma automática y manual el modulo del reporte ejecutivo. Proceso secuencial del modulo Reporte Ejecutivo CLOSE-UP Análisis Close-Up. CLOSE-UP es un sistema que posibilita la integración en un mismo ambiente de las bases de datos de PRODUCTOS (Close-Up Market) y MEDICOS (Close-Up Pharma). A través de este sistema se pueden analizar los mercados y la tendencia prescriptiva de los médicos. Los datos de los distintos módulos pueden ser exportados en diferentes formatos, como Excel, HTML, Archivos de Texto entre otros. CLOSE-UP Market. Este módulo de Close Up, proporciona el número de recetas mensuales prescritas por producto para todos los mercados. Estas recetas se pueden agrupar a partir de los siguientes datos: 144

151 Laboratorios. Laboratorios de donde proceden los productos (INFA + la Competencia). Productos. Estos se pueden agrupar por Marca, Presentación y Fecha de Lanzamiento, en forma independiente. De acuerdo a la Fecha de Lanzamiento, se pueden categorizar en: Producto Nuevo. Concentración y/o Forma Farmacéutica Nueva. Productos o Presentaciones Discontinuados. Formas Farmacéuticas. Presentación del Fármaco. Especialidad. Que especialidad está prescribiendo. Orígenes. Tipos de Institución, dónde se origina la receta, tales como Consultorios, Cobertura de Seguro Social, Hospitales, Sanatorios. Clases Terapéuticas. Hasta 4 niveles de detalle en total. Los productos de INFA están hasta el nivel 3. Moléculas. Son las drogas o moléculas principales del producto. Regiones. División del país en Ciudades y Zonas Postales (aplican sólo al Distrito Federal). A partir de éstas, se puede llevar a cabo la integración con los Médicos, sólo que no es posible realizar la Integración Total País, debido a que no todas las ciudades están incluidas (sólo 42). Mercados. Periodos. Estos se dividen en Fijos y Móviles. Los Periodos Fijos son aquellos que no cambian, que están relacionados con el años calendario (Mes, Bimestre, Trimestre, Cuatrimestre, Semestre, Year to Date (YTD), Año Calendario). Los Periodos Móviles siempre están actualizados a la última edición en que se encuentre PharmaMix Focus (Total Anual Móvil). Médico. A partir de los datos antes mencionados se pueden obtener en pantalla las siguientes métricas: Unidades Totales (Recetas Prescritas). % Penetración. % de Participación. Rankeos. Entre otros datos que están incluidos en la Auditoría se encuentran: Número de Habitantes. Número de Ciudades incluidas en la Muestra. Número de Habitantes por Médico de las ciudades cubiertas. 145

152 CLOSE-UP Pharma. Este módulo proporciona el número de Médicos que prescriben los productos en todos los mercados contratados (los correspondientes a las 4 clases terapéuticas que maneja INFA). Los Médicos auditados los clasifica en: Visitados. No Visitados. Doble Contacto. Aquellos que son visitados por más de 1 Representante. Entre los datos del Médico que se pueden encontrar en este módulo están los siguientes: Matrícula = Cédula Profesional. Nombre. Domicilio. Localidad (Ciudad o Estado asociado al domicilio). Código Postal (Número). Especialidad. Zona Postal. Los datos a partir de los cuales se pueden agrupar los Médicos auditados son los siguientes: Productos. Detallados por Marca y Presentación. Regiones. Detalle de la información por Ciudad. Periodos. Estos se dividen en Fijos y Móviles. Los Periodos Fijos son aquellos que no cambian, que están relacionados con el años calendario (Mes, Bimestre, Trimestre, Cuatrimestre, Semestre, Year to Date (YTD), Año Calendario). Los Periodos Móviles siempre están actualizados a la última edición en que se encuentre PharmaMix Focus (Total Anual Móvil). Mercados. Especialidad. Categoría. Categoría de Médicos. Se pueden clasificar hasta en 5 categorías o Quintiles. La clasificación se realiza en el momento de la consulta, con base en la siguiente fórmula: Se determina el número total de recetas prescritas para el escenario de estudio: mes de estudio, mercado a validar, ya sea por categoría terapéutica, o producto o presentación, etc. Se divide el número obtenido en el paso anterior y se divide entre 5 (5 categorías). Se ordenan los doctores en forma ascendente tomando como base el número de recetas que hayan prescrito para el escenario de estudio. 146

153 Se rankean los médicos del 1 al 5, sumando sus recetas hasta llegar al monto los médicos Para determinar la categoría que le corresponde se contabilizan las recetas. Categoría. La categoría se define con base en el número de recetas prescritas y con base en el quintil de participación de mercado que pueda tener. El sistema lo calcula al momento de realizar el reporte, basado en los filtros solicitados al momento de su ejecución. A partir de los datos antes mencionados se pueden obtener en pantalla las siguientes métricas: Unidades Totales (Recetas Prescritas). % Penetración. % de Participación. Rankeos Diseño Close-Up. Para la realización del diseño del modelo de Close-Up, se realizaron tareas previas, como lo fueron el análisis de la propia fuente de datos, pero no al punto de entenderla al 100%, sino solo de las partes que se consideran importantes para el desarrollo del proyecto Inteligencia de Negocios en INFA ; así también como entrevistas con los usuarios finales para entender mejor sus necesidades. Como se describió en el análisis, la fuente de datos de donde se extrae la información es una base de datos, la cual a partir de este momento se denominará CLOSE-UP, esta se encuentra en SQL Server Para el análisis de la información proveniente de esta fuente se realizo un modelo de datos, el cual se muestra a continuación. 147

154 Modelo de datos del modulo Close Up. Dicho Modelo contempla todas las expectativas de consulta de información por el usuario final de este modulo. 148

155 A continuación se detallan los catálogos y las FACT S del Modelo de datos de Close-Up. LT_CLAS_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_AUDIT SI Int 6 DESC_AUDIT NO NVarChar 30 LT_REGION. COLUMNA LLAVE TIPO LONGITUD ID_REGION SI Int 5 DESC_REGION NO VarChar 30 LT_MERCADO_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_MERCADO SI Int 5 DESC_MERCADO NO VarChar 20 LT_CATEGORIA. COLUMNA LLAVE TIPO LONGITUD ID_CATEGORIA SI Int 5 DESC_CATEGORIA NO VarChar 20 LT_PERIODOS_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_PERIODO SI Int 5 FECHA_INCIO NO Date 10 FECHA_FIN NO Date 10 MES_ASOCIADO NO VarChar 5 149

156 LT_MEDICOS_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_PERIODO SI Int 5 ID_MEDICO SI Int 10 MATRICULA SI Varchar 20 ID_MERCADO SI Int 5 NOMBRE NO Varchar 50 DOMICILIO NO Varchar 50 LOCALIDAD NO Varchar 50 CP NO Varchar 10 ZONA_POSTAL NO Varchar 10 RECETAS NO Int 5 LT_MARCA_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_MARCACA SI Int 5 DESC_MARCA NO VarChar 30 LT_PRODUCTO_AUDIT. COLUMNA LLAVE TIPO LONGITUD ID_PRODUCTO SI Int 5 DESC_PRODUCTO NO VarChar 50 ID_MARCA NO Int 5 LT_PRESENTACION. COLUMNA LLAVE TIPO LONGITUD ID_PRESENTACION SI Int 5 ID_ESPECIALIDAD NO Int 5 ID_PRODUCTO NO Int 5 ID_REGION NO Int 5 CLASE_TERAPEUTICA NO VarChar

157 MOLECULA NO VarChar 100 FT_PHARMA. COLUMNA LLAVE TIPO LONGITUD ID_PERIODO SI Int 5 ID_MEDICO SI Int 5 MATRICULA SI Varchar 20 ID_ESPECIALIDAD SI Int 5 ID_CATEGORIA SI Int 5 ID_AUDIT SI Int 5 TOTAL_RECETAS NO Int 5 FT_PHARMA. COLUMNA LLAVE TIPO LONGITUD ID_PERIODO SI Int 5 ID_MARCA SI Int 5 ID_PRODUCTO SI Int 5 ID_PRESENTACION SI Int 5 UDES_TOTALES NO Int Construcción Close-Up. Para la construcción de los procesos ETL de Close-Up se considera el modelo de datos descrito en el Análisis de Close-Up. Los procesos cargan la información necesaria para llenar el modelo, en este caso particular es el de Close-Up. Clasificación Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla CLASIFICACION_AUDIT, se considera el QUERY: SELECT ID_CVE_CLAS, DESCRIPCION FROM "CLOUP"."DBO"."CLASIFICACION_AUDIT". 151

158 Se mapean los campor de ambas tablas. Para la inserción en el catálogo CLAS_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".CLAS_AUDIT(ID_AUDIT, DESC_AUDIT) VALUES (?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Clasificación Audit. Región. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla REGION, se considera el QUERY: SELECT ID_REGION, DESCRIPCION FROM " CLOUP "."DBO"."REGION". Se mapean los campor de ambas tablas. Para la inserción en el catálogo LT_REGION se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_REGION(ID_REGION,DESC_REGION) VALES (?,? ). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Clasificación Región. 152

159 Mercado Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla MERCADOS, se considera el QUERY: SELECT "ID_MERCADO", "DESCRIPCION" FROM " CLOUP "."DBO"."MERCADOS". Se mapean los campor de ambas tablas. Para la inserción en el catálogo LT_MERCADO_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_MERCADO_AUDIT (ID_MERCADO, DESC_MERCADO) VALUES (?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Merado Audit. Categoria. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla CATEGORIA, se considera el QUERY: SELECT "ID_CATEGORIA", "DESCRIPCION" FROM " CLOUP "."DBO"."CATEGORIA". Se mapean los campor de ambas tablas. Para la inserción en el catálogo LT_CATEGORIA se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_CATEGORIA (ID_CATEGORIA, DESC_CATEGORIA) VALUES (?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: 153

160 Proceso de extracción y carga de información al catalogo Categoria Audit. Periodos Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla PERIODOS, se considera el QUERY: SELECT ID_PERIODO, FECHA_INCIO, FECHA_FIN, MES_ASOCIADO FROM "CLOUP "."DBO"."PERIODOS". Se mapean los campor de ambas tablas. Para la inserción en el catálogo LT_PERIODOS_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_PERIODOS_AUDIT (ID_PERIODO, FECHA_INICIO, FECHA_FIN, MES_ASOCIADO) VALUES (?,?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Periodos Audit. Médicos Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla MEDICOS, se considera el QUERY: 154

161 SELECT ID_PERIODO, ID_MEDICO, MATRICULA, ID_MERCADO, NOMBRE, DOMICILIO, LOCALIDAD, CP, ZONA_POSTAL, TOTAL_RECETAS FROM "CLOUP"."DBO"."MEDICOS". Para la inserción en el catálogo LT_MEDICOS_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_PERIODOS_AUDIT (ID_PERIODO, ID_MEDICO, MATRICULA, ID_MERCADO, NOMBRE, DOMICILIO, LOCALIDAD, CP, ZONA_POSTAL, TOTAL_RECETAS) VALUES (?,?,?,?,?,?,?,?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Medicos Audit. Marca Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla MARCA, se considera el QUERY: SELECT ID_MARCA, DESCRIPCION FROM "CLOUP"."DBO"."MARCA". Para la inserción en el catálogo LT_MARCA_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_MARCA_AUDIT(ID_MARCA, DESC_MARCA) VALUES (?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Marca Audit. 155

162 Producto Audit. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla PRODUCTOS, se considera el QUERY: SELECT ID_PRODUCTO, DESCRIPCION, ID_MARCA FROM "CLOUP"."DBO"."PRODUCTOS". Se mapean los campor de ambas tablas. Para la inserción en el catálogo LT_PRODUCTO_AUDIT se tiene el QUERY: INSERT INTO "infaerp"."dbo".lt_producto_audit(id_producto, DESC_PRODUCTO, ID_MARCA) VALUES (?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Producto Audit. Presentación. Para la creación de este proceso de extracción y carga del catálogo de presentación, solo es necesaio tomar los datos de la tabla PRESENTACION e insertarlos en la tabla del nuevo modelo de datos que lleva el mismo nombre, para ello es necesario considerar las siguientes reglas de negocio: Para la extracción de la tabla PRESENTACION, se considera el QUERY: SELECT ID_PRESENTACION, ID_ESPECIALIDAD, ID_PRODUCTO, CLASE_TERAPEUTICA, MOLECULA, ID_REGION FROM "CLOUP"."DBO"."PRESENTACION". Se mapean los campor de ambas tablas. 156

163 Para la inserción en el catálogo LT_PRESENTACION_AUDIT se tiene el QUERY: INSERT INTO "INFAERP"."DBO".LT_PRESENTACION_AUDIT(ID_PRESENTACION, ID_ESPECIALIDAD, ID_PRODUCTO, CLASE_TERAPEUTICA, MOLECULA, ID_REGION) VALUES (?,?,?,?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información al catalogo Presentación Audit. FACT Pharma. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla MEDICOS_AUDIT, se considera el QUERY: SELECT ID_PERIODO, ID_MARCA, ID_PRODUCTO, ID_PRESENTACION, UDES_TOTALES FROM "INFAERP"."DBO".LT_MEDICOS_AUDIT. Para la inserción en el catálogo FT_PHARMA se tiene el QUERY: INSERT INTO "INFAERP"."DBO".FT_PHARMA(ID_PERIDO, ID_MEDICO, MATRICULA, ID_ESPECIALIDAD, ID_CATEGORIA, ID_AUDIT, TOTAL_RECETAS) VALUES (?,?,?,?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información a la FACT FT_PHARMA. 157

164 FACT Market. Para la creación de este proceso de extracción y carga, es necesario considera las siguientes reglas de negocio: Para la extracción de la tabla MARKET, se considera el QUERY: SELECT ID_PERIODO, ID_MARCA, ID_PRODUCTO, ID_PRESENTACION, UDES_PERIODO, FROM " CLOUP "."DBO"."MARKET". Se mapean los campor de ambas tablas. Para la inserción en el catálogo FT_PHARMA se tiene el QUERY: INSERT INTO "INFAERP"."DBO".FT_MARKET(ID_PERIODO, ID_MARCA, ID_PRODUCTO, ID_PRESENTACION, UDES_TOTALES) VALUES (?,?,?,?,?). Siguiendo las reglas de negocios descritas anteriormente se tiene el proceso: Proceso de extracción y carga de información a la FACT FT_MARKET. Proceso Secuencial Close Up. A continuación se muestra la imagen del proceso de ejecución secuencial del modulo Close Up Proceso secuencial del modulo Close Up. 158

165 4.4 Liberación La liberación de un proyecto para cualquier consultoría es un paso muy importante dentro de un proyecto, ya que significa la aceptación del producto final por el cliente, y por lo tanto es la conclusión del desarrollo del proyecto. Para poder generar la liberación de un proyecto es necesario que el usuario final y el área de Sistemas, o el encargado firme la carta de liberación (Anexo 1). Otro de los requisitos que son necesarios para la liberación son los manuales con los que se operará lo desarrollado Manuales. Los manuales para un desarrollo de DataStage son de gran importancia, esto debido a que se debe conocer el orden de ejecución de cada uno de los procesos, ya que pueden existir dependencias de información entre ellos, a continuación se describe el manual que se entrega al área de sistemas para la ejecución de los procesos cada vez que INFA lo considere necesario. Manual De Usuario. Creación del Data Mart. El desarrollo de los procesos de ETL se realizo con base a un servidor de base de datos SQL Server Esta sección muestra una recuperación a partir de un respaldo de Desarrollo. 1. Acceder al servidor de Base de datos SQL Server 2005 donde se instalara el respaldo de la base de datos. Ventana de inicio SQL Server

166 2. En la carpeta Bases de Datos, seleccionar la opción restaurar Base de Datos. Ventana de selección de Base de Datos. 3. Capturar el nombre de Base de datos nueva. Se recomienda MODELOS_COMERCIALES. a. Seleccionar la opción From device. b. Agregar un nuevo archivo [Add]. c. Ubicar el archivo de respaldo y dar clic a OK. Ventana de selección de la Base de Datos. 4. Activar casilla de respaldo correspondiente. 160

167 Ventana de restauración de la Base de Datos. 5. Dar clic a Ok y esperar a la conclusión del proceso de recuperación del respaldo y creación de base de datos. Crear Conexión a Base de Datos vía DSN. El desarrollo de los procesos de ETL se realizo con base a un servidor de base de datos SQL Server Para acceder a los datos se utilizan controladores ODBC, partiendo del supuesto que la instalación se hace en un servidor Windows. Esta sección muestra cómo crear un DSN de sistema para conectarse a una base de datos SQL Server. Para el caso específico de INFA, se requiere la conexión a 4 bases de datos diferentes, por ende se necesita la definición de 4 DSN se recomienda la creación de los siguientes: NOMBRE DSN MFPM INFAERP ESAKTE BASE DE DATOS Cidmex_Sales INFAERP ESKATE 161

168 SATA SATA 1. Entrar a las Herramientas Administrativas y abrir Orígenes de datos (ODBC). Ventana de Herramientas Administrativas. 2. En la pestaña DSN de sistema, clic a [Agregar] para crear uno nuevo. Ventana de Administrador de orígenes de datos ODBC. 162

169 3. Seguir los pasos del asistente. Ventanas del asistente de creación de un nuevo origen ODBC. Ventanas del asistente de creación de un nuevo origen ODBC. 163

170 Ventanas del asistente de creación de un nuevo origen ODBC. Ventana del asistente de creación de un nuevo origen ODBC. De la misma forma se deben crear los DSN para todas las fuentes de información. Instalación del Proyecto. Para la instalación de este proyecto, se requiere de un servidor, el cual tenga instalada la licencia de DataStage 7.5.*, este servidor lo proporciona INFA. El desarrollo de los procesos de ETL se empaqueta en un archivo con terminación DSX para el respaldo, este desarrollo en adelante será denominado como aplicación. Esta aplicación contiene el mapeo de Extracción, transformación y carga de los datos, al igual que los metadatos de conexión. 164

171 A continuación se detallan los pasos para la instalación de la aplicación ETL en un servidor Windows. Teniendo como premisa un respaldo (Archivo *.DSX) de desarrollo de la misma. Creación del Proyecto. 1. Abrir el Administrator de DataStage Ventana de inicio de DataStage Administrator. 2. En la pestaña Projects agregar un nuevo proyecto [Add ]. Se recomienda el nombre INFA_COMERCIAL. Ventana para crear un nuevo proyecto. 165

172 3. Determinar las propiedades de nuestro nuevo proyecto [Properties] Ventana de propiedades del proyecto. Instalación del Respaldo de la Aplicación. Para este paso se utiliza el modulo Manager. 1. Es necesario un usuario con privilegios de administrador del equipo. Seleccionar el proyecto que se creo en los pasos previos. Ventana de inicio de DataStage Manager. 2. En el menú Import, seleccionar la opción DataStage Components. 166

173 Ventana principal de DataStage Manager. 3. Ubicar el archivo de respaldo y seleccionar las opciones Import All y Overwrite without query. Estas opciones son para recuperar todo lo desarrollado (mapeos, metadatos, etc). Ventana de importación proyectos. 4. Verificar que se encuentren todas las carpetas creadas con objeto dentro de las mismas; observar imagen de ejemplo. 167

174 Ventana principal de DataStage Manager. Modificar Procesos ETL. Para poder realizar cualquier modificación a los procesos es necesario realizar mediante el Designer, quien es la herramienta propia de DataStage para el desarrollo y modifcación de los procesos. 1. Es necesario un usuario de DataStage que tenga privilegios para accesar a la aplicación y modifcar los procesos. Seleccionar el proyecto que se creó y con el cual se trabajara. Ventana de inicio DataStage Designer. 168

175 2. En la nueva ventana, seleccionar el tipo de operación a realizar: crear un nuevo Job, abrir uno existente, para modificar, o abrir uno que recientemente fue utilizado. Ventana de selección de procesos. Para efectos de ejemplo abrimos ATB (existente). Ventana de selección de procesos. 169

176 Para abrir cualquier proceso, solo seleccionamos y dar click en el botón OK. 3. Cada uno de los procesos consta de sus respectivos Stages y una nota en la esquina superior derecha que explica brevemente cuál es su función. Ventana principal de DataStage Designer con un proceso abierto. 4. Para ver más detalle de este Job, se pueden consultar las propiedades del Job, en el menú Edit, en la opción Job Properties o con la combinación de teclas Ctrl + J o bien el icono correspondiente. 170

177 Ventana principal de DataStage Designer seleccionando las propiedades del mismo. La ventana que nos muestra es la que sigue: Ventana de propiedades de un proceso. Se pueden modificar todas las propiedades, mientras se cuente con un usuario que tenga permisos para realizarlo. 171

178 También se pueden observar las reglas de negocio plasmadas en cada stage con su respectiva derivación técnica. Solo hay que dar doble click sobre el stage y se podrá observar. Ventana de detalle de propiedades de un stage transformer. Ventana de detalle de propiedades de un stage de base de datos. 172

179 Ejecutar un Proceso ETL. Para esta sección se utiliza el modulo Director. 1. Es necesario un usuario con privilegios necesarios de ejecución. Seleccionar el proyecto que se contiene el proceso en cuestión y con el cual se trabajara. Ventana de inicio de DataStage Adinistrator. 2. Ubicar el Job a ejecutar y dar clic al botón Run Now. Ventana principal de DataStage Administrator. 173

180 3. Se puede monitorear el resultado de la ejecución mediante el Log correspondiente. Ventana de monitoreo de proesos. 4. Se puede observar el detalle de cada paso, solo dando doble click en el proceso. 174

181 CONCLUSIONES. En la actualidad hay aspectos que las compañías deben cuidar mucho más que la calidad de productos y/o servicios. Uno de estos aspectos y el más importante es la habilidad para convertir gran cantidad de datos en conocimiento con la finalidad de tener la capacidad de tomar las mejores decisiones y estar un paso delante de los más cercanos competidores. Otro aspecto es la capacidad de obtener información de una manera fácil, rápida y exacta de su Sistema de Información Empresarial (ERP). Una tendencia que la todas las empresas deberán compartir, es que hoy en día se puede apreciar que el crecimiento y éxito de una empresa no se mide en su tamaño y capital monetario, sino en su agilidad para manejar su información y tomar decisiones. Los repositorios de información representan la plataforma para emitir los análisis de datos y explotación de conocimiento a cargo de los procesos especializados como OLAP. Con respecto a la capa de consulta, esta constituye como la herramienta que produce los elementos de información necesarios para la toma de decisiones. Así mismo, al incorporar el nivel de administración de conocimiento, se puede sistematizar la toma de decisiones rutinarias a partir de la información seleccionada del almacén. Es por lo anterior que la experiencia obtenida en el desarrollo de este proyecto fue de gran aportación para mi carrera, dando un giro especial hacia la Inteligencia de Negocios, el cual es un campo amplio y casi inexplorado por las empresas mexicanas, pero sin duda crecerá en los próximos años. Por otro lado, la empresa INFA ha demostrado un gran interés por estar a la vanguardia en tecnologías de información, lo cual garantiza poder tomar decisiones con un mayor grado de certidumbre, dándole una fortaleza para poder competir en el mercado. 175

182 BIBLIOGRAFÍA. Doherty, R., Designing Business Intelligence Solutions, MIT Press 1999, USA, pp Ralph Kimball, Margy Ross, The Data Warehouse Toolkit, 2002, USA, pp. 16, 331. Chuck Ballard, Daniel M. Farrell, Amit Gupta, Carlos Mazuela, Stanislav Vohnik, Dimensional Modeling: In a Business Intelligence Environment, Marzo 2006, USA, pp , 24, 40, 41-42, 66. Referencias de internet Business Intelligence, Ibermática, sintelligence.pdf/download+informacion+con+business+intelligence&cd=7&hl=es&ct=clnk&gl=mx. Recuperado en Mayo La Inteligencia de Negocios, Recuperado Febrero

183 GLOSARIO. Archivo HASH. Una función de Hash es una caja negra que tiene como entrada una llave y como salida una dirección h(k)=address Ejemplo: h(lowell)=4 El hashing es similar al indexamiento en el sentido de asociación entre llaves y direcciones relativas de registros Pero difiere de los índices en 2 cosas: La dirección generada por Hash suele ser aleatoria (random). No hay una relación aparente entre la llave y la localización del registro correspondiente El Hash permite que 2 llaves puedan producir la misma salida --> direcciones iguales, a esto se le conoce como "colisión". Existen distintos grados de colisiones como se muestra en la siguiente figura: 177

184 ANEXOS. Anexo 1. Carta de entrega de proyecto. Intelligence Consulting Group Servicios Profesionales en Inteligencia de Negocios Distribuidor Certificado de COGNOS A quien corresponda: Por medio de la presente se hace expresa y válida la entrega de los componentes del desarrollo del proyecto INFA Comercial, en donde se hace entrega de los siguientes módulos: SATA MFPM ATB Reporte Ejecutivo Close Up Cada uno de estos módulos se entrega en su totalidad en el servidor de producción, dejando la responsabilidad de la integridad y ejecución de los procesos, en el personal de sistemas de la empresa INFA. Gerente de proyecto BIS Soluciones. Gerente de Sistemas INFA. 178

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

Tema: Mineria de datos.

Tema: Mineria de datos. Tema: Mineria de datos. Objetivo Especifico Que el estudiante: - Aprenda a crear procedimientos para Mineria de datos Introducción Teórica La minería de datos (DM, Data Mining consiste en la extracción

Más detalles

DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM

DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM Historial de revisiones Versión Fecha Autor: Descripción del cambio 1.0 31/08/2007 Rayner Huamantumba. Manual para diseño y desarrollo de Datamart INDICE 1-

Más detalles

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS 1. RESEÑA HISTORICA Las exigencias competitivas del mercado hacen que las organizaciones busquen mecanismos

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Definición Business Intelligence es una aproximación estratégica para identificar, vigilar, comunicar y transformar, sistemáticamente, signos e indicadores en información activa en

Más detalles

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS Integrante: Profesor: Maximiliano Heise Luis Ríos Fecha de entrega: miércoles 18 de abril de 2012

Más detalles

Data Warehousing - Marco Conceptual

Data Warehousing - Marco Conceptual Data Warehousing - Marco Conceptual Carlos Espinoza C.* Introducción Los data warehouses se presentan como herramientas de alta tecnología que permiten a los usuarios de negocios entender las relaciones

Más detalles

SISTEMA DE INFORMACION DE GESTION DE TARJETAS DE CREDITO USANDO DATA MART E INTELIGENCIA DE NEGOCIOS PARA EL AREA COMERCIAL DEL BANCO RIPLEY PERU

SISTEMA DE INFORMACION DE GESTION DE TARJETAS DE CREDITO USANDO DATA MART E INTELIGENCIA DE NEGOCIOS PARA EL AREA COMERCIAL DEL BANCO RIPLEY PERU SISTEMA DE INFORMACION DE GESTION DE TARJETAS DE CREDITO USANDO DATA MART E INTELIGENCIA DE NEGOCIOS PARA EL AREA COMERCIAL DEL BANCO RIPLEY PERU AGENDA INTRODUCCION PLANTEAMIENTO METODOLOGICO ANTECEDENTES

Más detalles

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Inteligencia de Negocios Introducción Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Agenda 1.Introducción 2.Definición 3.ETL 4.Bodega de Datos 5.Data Mart

Más detalles

Sesión 8: Inteligencia de Negocios (Business Intelligence)

Sesión 8: Inteligencia de Negocios (Business Intelligence) Universidad Cesar Vallejo Escuela Profesional de Ingeniería de Sistemas Curso de Fundamentos de TI Sesión 8: Inteligencia de Negocios (Business Intelligence) Ing. Ivan Crispin Sanchez 1 Agenda 1. Introducción

Más detalles

Comunicación para Tecnimap 2010. Contenido: 1. Itourbask como elemento de un Sistema de Gestión de Destino Turístico 2. El Data Mart de Itourbask

Comunicación para Tecnimap 2010. Contenido: 1. Itourbask como elemento de un Sistema de Gestión de Destino Turístico 2. El Data Mart de Itourbask Comunicación para Tecnimap 2010. EL BI APLICADO AL ANÁLISIS DE LAS VISITAS TURÍSTICAS Contenido: 1. Itourbask como elemento de un Sistema de Gestión de Destino Turístico 2. El Data Mart de Itourbask Autor:

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM? Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining

Más detalles

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable : Inteligencia de negocio y gestión del rendimiento potente y escalable Puntos destacados Dota a los usuarios de su organización de las capacidades de business intelligence y de gestión del rendimiento

Más detalles

Inteligencia de Negocios. & Microsoft Excel 2013

Inteligencia de Negocios. & Microsoft Excel 2013 Inteligencia de Negocios (Business Intelligence - BI) & Microsoft Excel 2013 Instructor: Germán Zelada Contenido del Curso Fundamentos de Data Warehousing y BI Qué es Business Intelligence? Definiendo

Más detalles

CAPÍTULO 2 DATA WAREHOUSES

CAPÍTULO 2 DATA WAREHOUSES CAPÍTULO 2 DATA WAREHOUSES Un Data Warehouse (DW) es un gran repositorio lógico de datos que permite el acceso y la manipulación flexible de grandes volúmenes de información provenientes tanto de transacciones

Más detalles

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining 04/11/2008 Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining Business Intelligence Qué es Business Intelligence? Business Intelligence Qué es

Más detalles

UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN

UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN PROPUESTA PARA INTRODUCIR CURSOS DE EXTENSIÓN, DIPLOMADOS, SERVICIOS Y ACTUALIZACIONES TÉCNICAS Y PROFESIONALES Nombre (s)

Más detalles

Botón menú Objetivo de la Minería de datos.

Botón menú Objetivo de la Minería de datos. Titulo de Tutorial: Minería de Datos N2 Botón menú: Introducción. Las instituciones y empresas privadas coleccionan bastante información (ventas, clientes, cobros, pacientes, tratamientos, estudiantes,

Más detalles

BI BUSINESS INTELLIGENCE

BI BUSINESS INTELLIGENCE ESCUELA SUPERIOR POLITECNICA DEL LITORAL MAESTRÍA EN SISTEMAS DE INFORMACION GERENCIAL 7 ma. PROMOCIÓN BI BUSINESS INTELLIGENCE Grupo No. 1 Geannina Aguirre Henry Andrade Diego Maldonado Laura Ureta MATERIA:

Más detalles

Sistemas de Datos. Data warehouse y Business Intelligence

Sistemas de Datos. Data warehouse y Business Intelligence Data warehouse y Business Intelligence Esquema de la clase 1. Los tres problemas del OLTP 2. Qué es Data warehouse y Business Intelligence? 3. La arquitectura de la solución. 5. Construcción de la solución

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

Más detalles

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento Servicio Business Intellingence integrado con & Big Del dato al conocimiento Servicio BI integral: Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento,

Más detalles

Diplomado en Inteligencia de Negocios Coordinador académico: Lic. Seth Pérez Melesio

Diplomado en Inteligencia de Negocios Coordinador académico: Lic. Seth Pérez Melesio Diplomado en Inteligencia de Negocios Coordinador académico: Lic. Seth Pérez Melesio Proporcionar a los participantes los conocimientos necesarios que les permitan entender, de una manera integral y objetiva,

Más detalles

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia Señor(a): CLIENTE Presente.- Santa Cruz, 14 Noviembre del 2012 REF.: COTIZACION ESPECIALISTA EN ANALISIS DE DATOS & INTELIGENCIA DE NEGOCIOS EN EXCEL 2007-2010 Distinguido Señores: Consultores en Tecnologías

Más detalles

Sistema de análisis de información. Resumen de metodología técnica

Sistema de análisis de información. Resumen de metodología técnica Sistema de análisis de información Resumen de metodología técnica Tabla de Contenidos 1Arquitectura general de una solución de BI y DW...4 2Orígenes y extracción de datos...5 2.1Procesos de extracción...5

Más detalles

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes Capítulo 4 Arquitectura para análisis de información propuesta 4.1 Arquitectura Zombi es una arquitectura que proporciona de manera integrada los componentes necesarios para el análisis de información

Más detalles

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012.

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012 programa Plan 2008 Área Complementaria Carga horaria semanal Anual/ cuatrimestral Coordinador de Cátedra Objetivos

Más detalles

Programa Internacional Business Intelligence

Programa Internacional Business Intelligence Fecha de inicio: 18 de junio de 2012 Programa Internacional Business Intelligence En un ambiente globalizado y de alta competitividad entre las empresas, la adecuada administración del capital intelectual

Más detalles

FACULTAD DE INGENIERÍA. Bases de Datos Avanzadas

FACULTAD DE INGENIERÍA. Bases de Datos Avanzadas FACULTAD DE INGENIERÍA Ingeniería en Computación Bases de Datos Avanzadas Datawarehouse Elaborado por: MARÍA DE LOURDES RIVAS ARZALUZ Septiembre 2015 Propósito Actualmente las empresas necesitan contar

Más detalles

APOYO PARA LA TOMA DE DECISIONES

APOYO PARA LA TOMA DE DECISIONES APOYO PARA LA TOMA DE DECISIONES Cátedra: Gestión de Datos Profesor: Santiago Pérez Año: 2006 Bibliografía: Introducción a las Bases de Datos. DATE - 1 - 1. INTRODUCCION APOYO PARA LA TOMA DE DECISIONES

Más detalles

ARQUITECTURA DE UNA BODEGA DE DATOS

ARQUITECTURA DE UNA BODEGA DE DATOS ARQUITECTURA DE UNA BODEGA DE DATOS Estructura de contenidos INTRODUCCIÓN... 3 1. ARQUITECTURA DE UNA BODEGA DE DATOS... 3 1.1 PROPIEDADES... 3 1.2 ARQUITECTURA DE UNA CAPA... 4 1.3 ARQUITECTURA DE DOS

Más detalles

Tecnología aplicada a la toma de decisiones o malas decisiones en tecnología?

Tecnología aplicada a la toma de decisiones o malas decisiones en tecnología? Tecnología aplicada a la toma de decisiones o malas decisiones en tecnología? DUTI 2007 LA PLATA AGOSTO 2007 Ernesto Chinkes Facultad de Ciencias Económicas Universidad de Buenos Aires Esquema del trabajo

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Metodología > 1 Implantación tecnológica de un balanced scorecard Precio 1.000 Este curso introduce al alumno en la metodología de BSC y su implantación tecnológica para el seguimiento

Más detalles

Modelado dimensional de datos

Modelado dimensional de datos MODELADO DE DATOS DATA WAREHOUSE Ana María Bisbé York a.bisbe@danysoft.com, Servicios Profesionales sp@danysoft.com www.danysoft.com 18.04.2013 Temario Datawarehouse vs Transaccional Modelado dimensional

Más detalles

www.sis-monterrey.com

www.sis-monterrey.com www.sis-monterrey.com Antecedentes 4 SIS Organización SIS Monterrey Índice SIS Monterrey 5 Misión Visión Valores Factores de Diferenciación 6 Especialización en Negocios Factor Humano Confianza Oferta

Más detalles

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS En tiempos de incertidumbre financiera, la toma de decisiones basada en información es crucial para sobrevivir en el mundo de los negocios. Empresas de todas las industrias dependen

Más detalles

Más allá del Business Intelligence

Más allá del Business Intelligence especial informática Más allá del Business Intelligence Ofrecer a todos los usuarios de una organización la información que necesitan para tomar decisiones estratégicas, que mejoren su efectividad operacional,

Más detalles

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones 1. La Información: Propiedades de la Información. Sistemas de Información. Bases de Datos. 2. Administración

Más detalles

REPOSITORIO COR O P R OR O A R T A I T VO V

REPOSITORIO COR O P R OR O A R T A I T VO V REPOSITORIO CORPORATIVO Repositorio Corporativo Que es? Antecedentes? Por que lo necesito? Multiplicidad de sistemas Retraso en obtención de reportes Info 3 Info 2 Info 1 Redundancia Inconsistencia de

Más detalles

dmnet Arquitectura Empresarial de Procesos

dmnet Arquitectura Empresarial de Procesos dmnet Arquitectura Empresarial de Procesos 23 de mayo 2010 Que los sistemas productivos sean técnica y operacionalmente capaces de generar el valor económico proyectado es sólo una condición necesaria.

Más detalles

M u l t i n a c i o n a l d e l s e c t o r f a r m a c é u t i c o : D a s h b o a r d B u s i n e s s P e r f o r m a n c e C a s o d e É x i t o

M u l t i n a c i o n a l d e l s e c t o r f a r m a c é u t i c o : D a s h b o a r d B u s i n e s s P e r f o r m a n c e C a s o d e É x i t o farmacéutico: Dashboard Business M u l t i n a c i o n a l d e l s e c t o r f a r m a c é u t i c o : D a s h b o a r d B u s i n e s s P e r f o r m a n c e C a s o d e É x i t o farmacéutico: Dashboard

Más detalles

LINEAMIENTOS GENERALES PARA LA IMPLEMENTACIÓN DE PROCESOS ELECTRÓNICOS

LINEAMIENTOS GENERALES PARA LA IMPLEMENTACIÓN DE PROCESOS ELECTRÓNICOS LINEAMIENTOS GENERALES PARA LA IMPLEMENTACIÓN DE PROCESOS LINEAMIENTOS GENERALES PARA LA IMPLEMENTACIÓN DE PROCESOS Ministerio de Tecnologías de la Información y las Comunicaciones Programa de Gobierno

Más detalles

Kais Analytics Business Intelligence

Kais Analytics Business Intelligence Analizador de datos Analice toda la información estratégica y mejore la toma de decisiones Con la globalización de la información en los últimos años nace el concepto Business Intelligence. La gran cantidad

Más detalles

09/01/2009. Diseño e implementación de Datawarehouse con Analysis Services Universidad de Guadalajara. Mario Octavio II Muñoz Camacho

09/01/2009. Diseño e implementación de Datawarehouse con Analysis Services Universidad de Guadalajara. Mario Octavio II Muñoz Camacho 09/01/2009 Diseño e implementación de Datawarehouse con Analysis Services Universidad de Guadalajara Mario Octavio II Muñoz Camacho Diseño e implementación de Datawarehouse con Analysis Services Objetivo.

Más detalles

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Es un conjunto de conceptos y metodologías para mejorar la toma de decisiones.

Más detalles

Conjunto de informes y gráficos consolidados en un solo objeto que facilita la visualización y análisis de la información. 2

Conjunto de informes y gráficos consolidados en un solo objeto que facilita la visualización y análisis de la información. 2 1. BLOQUE DESCRIPTIVO 1. Título de la Buena Práctica Uso de una base de datos robusta que ayuda en la toma de decisiones (Data Warehouse), como fuente principal del Sistema de apoyo a la gestión (SAG)

Más detalles

TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN. Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres

TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN. Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres Sistemas Informacionales Sistemas informacionales: Sistemas de

Más detalles

www.pwc.com/ve 4 Inicio

www.pwc.com/ve 4 Inicio www.pwc.com/ve 4 Inicio Supply Chain Management (SCM) Cómo alcanzar la excelencia en la planificación de las operaciones y las ventas con SIOP (Planificación de las Operaciones, Ventas e Inventario)? Boletín

Más detalles

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Programa de Capacitación y Certificación. INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Contenido PERFIL DE UN ESPECIALISTA EN BASES DE DATOS.... 3 6231. MANTENIENDO UNA BASE DE DATOS DE SQL SERVER 2008

Más detalles

EL BSC HERRAMIENTA PARA LA OPTIMIZACIÓN INTEGRAL DEL MANTENIMIENTO INDUSTRIAL

EL BSC HERRAMIENTA PARA LA OPTIMIZACIÓN INTEGRAL DEL MANTENIMIENTO INDUSTRIAL EL BSC HERRAMIENTA PARA LA OPTIMIZACIÓN INTEGRAL DEL MANTENIMIENTO INDUSTRIAL Administración de Empresas Este material de autoestudio fue creado en el año 2007 para la asignatura Administración de Empresas

Más detalles

INGENERíA EN INFORMÁTICA. Sistema de Información. (Concepto, Importancia, Tipos de Si, Actividades)

INGENERíA EN INFORMÁTICA. Sistema de Información. (Concepto, Importancia, Tipos de Si, Actividades) INGENERíA EN INFORMÁTICA Sistema de Información (Concepto, Importancia, Tipos de Si, Actividades) NOMBRE: Oscar Apata T. CARRERA: Ingeniería en Informática ASIGNATURA: Tecnologías de la Información II

Más detalles

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO EN SISTEMAS GUÍA PARA IMPLEMENTAR UNA SOLUCION

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Curso 2012-2013 Departamento de Lenguajes y Sistemas Informáticos II http://www.kybele.es ISI/SI - 1 Introducción Nuestra misión: Hacer inteligente el negocio Buenos días. Soy Negocio.

Más detalles

Valores. Misión. Visión

Valores. Misión. Visión ProFile es una compañía que se cristaliza en el año 1997. En esa época, sus fundadores interpretaron el desarrollo de la tecnología de la información y el alto impacto que éstas logran en los resultados

Más detalles

MINING SOLUTIONS LIMITADA

MINING SOLUTIONS LIMITADA MINING SOLUTIONS LIMITADA Contenido... 1 Resumen Ejecutivo... 3... 4 Nuestros Servicios... 5 Administración de proyectos... 6 Operación y mantenimiento sobre los Sistema de Manejo de la Información Geológica

Más detalles

Deloitte Analytics. Deloitte Analytics

Deloitte Analytics. Deloitte Analytics Deloitte Analytics. Deloitte Analytics Deloitte tiene la capacidad de ver a las empresas desde adentro hacia afuera, transformando la información en una herramienta útil y procesable, que aporte entendimiento

Más detalles

Tecnologías de Información y Comunicación II CLASE 10

Tecnologías de Información y Comunicación II CLASE 10 Tecnologías de Información y Comunicación II CLASE 10 Medidas Una medida es un tipo de dato cuya información es usada por los analistas (usuarios) en sus consultas para medir la perfomance del comportamiento

Más detalles

BearSoft. SitodeCloud. Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo

BearSoft. SitodeCloud. Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo BearSoft Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo CONTENIDO 1. Resumen. 3 2. Business Intelligence.. 4 3. Características del software.

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de

Más detalles

TECNOLÓGICAS EMPRESAS

TECNOLÓGICAS EMPRESAS SOLUCIONES TECNOLÓGICAS INTEGRALES PARA LAS EMPRESAS Por: Ivonne Rodríguez CONTENIDO 1. Problemas actuales en las empresas 2. Bussines Intelligence 3. Capa: Data Warehouse 4. Capa: BI en el campo empresarial

Más detalles

Business Intelligence

Business Intelligence 2012 Business Intelligence Agenda Programas Diferencias de OLTP vs OLAP Arquitectura de una solución de BI Tecnologías Microsoft para BI Diferencias entre OLTP v/s OLAP Alineación de Datos OLTP Datos organizados

Más detalles

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS I. INFORMACIÓN GENERAL 1.1. Facultad : Ingeniería 1.2. Carrera Profesional : Ingeniería en Sistemas Computacionales 1.3. Departamento ------------------------------

Más detalles

1.1 Titulo Descriptivo del Proyecto

1.1 Titulo Descriptivo del Proyecto 1.1 Titulo Descriptivo del Proyecto Diseño de un Manual empleando Data Mining (Minería de Datos) para predecir el Potencial de Desarrollo de las empresas en la Zona Oriental asociadas a la Comisión Nacional

Más detalles

El almacén de indicadores de proceso de negocio en ejecución

El almacén de indicadores de proceso de negocio en ejecución X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

Gestión de la Información

Gestión de la Información Gestión de la Información Sociedad de la Información Recurso Información Sistemas de Información Tecnologías de la Información Internet ii Fundamentos de SI: Gestión de la Información 49 Un Sistema de

Más detalles

DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO. Versión Valparaíso Inicio de Clases: Martes 7 de abril de 2015 Cupos Limitados

DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO. Versión Valparaíso Inicio de Clases: Martes 7 de abril de 2015 Cupos Limitados DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO Versión Valparaíso Inicio de Clases: Martes 7 de abril de 2015 Cupos Limitados OBJETIVOS GENERALES: El alumno, durante el desarrollo de este diplomado comprenderá

Más detalles

DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO. Versión Valparaíso Inicio de clases: 21 de agosto

DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO. Versión Valparaíso Inicio de clases: 21 de agosto DIPLOMADO EN CONTROL DE GESTIÓN ESTRATÉGICO Versión Valparaíso Inicio de clases: 21 de agosto OBJETIVOS GENERALES: El alumno, durante el desarrollo de este diplomado comprenderá la revolución estratégica

Más detalles

SQL SERVER 2008 R2 BI 07/07/2010 BUSINESS INTELLIGENCE

SQL SERVER 2008 R2 BI 07/07/2010 BUSINESS INTELLIGENCE Todo en la vida comienza con código VII Encuentro Desarrolladores Microsoft BUSINESS INTELLIGENCE Ana María Bisbé York Servicios Profesionales VII Encuentro Desarrolladores Microsoft Todo en la vida comienza

Más detalles

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay Soluciones de Gestión para extraer provecho de los datos. (Business Intelligence, Cuadro de Mando i Calidad de datos) Que veo y que hay PORTFOLIO Business Intelligence Tiene infinidad de datos. No tiene

Más detalles

CURSO INTRODUCCIÓN A BUSINESS INTELLIGENCE

CURSO INTRODUCCIÓN A BUSINESS INTELLIGENCE CURSO INTRODUCCIÓN A BUSINESS INTELLIGENCE Ponente: Ibertia Fecha: del 19 al 23 de octubre Horario: 17:00 a 21:00 Nº horas: 20 Lugar: Centro Nacional de Formación en Nuevas Tecnologías de La Rioja- Think

Más detalles

TÉCNICO EN NEGOCIOS OBJETIVOS MODELO EDUCATIVO

TÉCNICO EN NEGOCIOS OBJETIVOS MODELO EDUCATIVO INTRODUCCIÓN La Universidad Da Vinci de Guatemala se propone formar líderes apasionados por la búsqueda de la verdad, por medio de la investigación, el aporte a la solución de problemas nacionales y de

Más detalles

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA

ALCANCE DEL SERVICIO INDICADORES EN ÁREAS CLAVE DE LA EMPRESA Presupuestación DESCRIPCIÓN DEL SERVICIO ALCANCE DEL SERVICIO Objetivo Diseño e implementación de un sistema de gestión de la performance y el riesgo (CRPM) para empresas. Conjunto de procesos, metodologías

Más detalles

El valor de una infraestructura optimizada

El valor de una infraestructura optimizada El valor de una infraestructura optimizada El Estudio del Estado del CIO 2006 (CIO Research, 2006) muestra que los CIO están buscando, cada vez más, introducir, de forma proactiva, soluciones de tecnología

Más detalles

ANEXO A - Plan de Proyecto. 1. - EDT de la solución EDT GENERAL DEL PROYECTO1

ANEXO A - Plan de Proyecto. 1. - EDT de la solución EDT GENERAL DEL PROYECTO1 ANEXO A - Plan de Proyecto 1. - EDT de la solución EDT GENERAL DEL PROYECTO1 2.- Diagrama de Gantt de la Solución DIAGRAMA DE GANTT- FASE INICIAL DOCUMENTACION Y ANALISIS2 DIAGRAMA DE GANTT- FASE FINAL

Más detalles

Presentación Institucional. Copyright OceanoAzulConsultores

Presentación Institucional. Copyright OceanoAzulConsultores Presentación Institucional Copyright OceanoAzulConsultores 2015 Quiénes somos? Océano Azul Consultores (OAC.) es un grupo empresarial cuyos profesionales cuentan con más de 10 años de experiencia laboral

Más detalles

Capítulo 3. Fases de descubrimiento en bases de datos

Capítulo 3. Fases de descubrimiento en bases de datos Capítulo 3. Fases de descubrimiento en bases de datos 3.1 Sistema de gestión de bases de datos La elección del sistema de gestión de bases de datos no es una tarea fácil, si bien todos tienen un mismo

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

UN PASEO POR BUSISNESS INTELLIGENCE UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos

Más detalles

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ TESIS PUCP Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No comercial-compartir bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/

Más detalles

Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence

Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence Conclusiones Conjunto de productos y servicios que permiten

Más detalles

SISTEMA DE GESTION DE INFORMACIÓN. MODULO DE REPORTES WEBZER. SOLSER SISTEM S.A. DE C.V.

SISTEMA DE GESTION DE INFORMACIÓN. MODULO DE REPORTES WEBZER. SOLSER SISTEM S.A. DE C.V. UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO Voluntad. Conocimiento. Servicio. SISTEMA DE GESTION DE INFORMACIÓN. MODULO DE REPORTES WEBZER. SOLSER SISTEM S.A. DE C.V. Reporte de Estadía para obtener el Título

Más detalles

Sistemas de Información 12/13 La organización de datos e información

Sistemas de Información 12/13 La organización de datos e información 12/13 La organización de datos e información Departamento Informática e Ingeniería de Sistemas Universidad de Zaragoza (raqueltl@unizar.es) " Guión Introducción: Data Warehouses Características: entornos

Más detalles

BI y Logística. Por Óscar Alongo Jefe de Proyecto de Lantares. Abstract

BI y Logística. Por Óscar Alongo Jefe de Proyecto de Lantares. Abstract BI y Logística Por Óscar Alongo Jefe de Proyecto de Lantares Abstract En el actual entorno económico internacional, marcado para la globalización de los mercados, la concentración y una altísima competitividad,

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España

DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España Jorge Rubio Navarro 1 José Manuel Salinas 2 1. Subdirector General Adjunto de Promoción Turística

Más detalles

FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT. MCSA: SQL Server Solutions Associate

FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT. MCSA: SQL Server Solutions Associate FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT MCSA: SQL Server Solutions Associate DETALLE DE LA ACCION FORMATIVA Mediante la siguiente acción formativa se formará a las personas asistentes para la

Más detalles

Boletín de Asesoría Gerencial*

Boletín de Asesoría Gerencial* Espiñeira, Sheldon y Asociados No. 10-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4

Más detalles

Facultad de Ciencias Económicas. Departamento de Sistemas. Asignatura: INTELIGENCIA DE NEGOCIOS. Plan 1997

Facultad de Ciencias Económicas. Departamento de Sistemas. Asignatura: INTELIGENCIA DE NEGOCIOS. Plan 1997 UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Económicas Departamento de Sistemas Asignatura: INTELIGENCIA DE NEGOCIOS Código: 715 Plan 1997 Cátedra: DEPARTAMENTO DE SISTEMAS Carrera: Licenciado en

Más detalles

Organizador de Clientes con base en Prioridad. Organizador de Documentos por Cliente.

Organizador de Clientes con base en Prioridad. Organizador de Documentos por Cliente. Organizador de Clientes con base en Prioridad. Organizador de Documentos por Cliente. Documentación del perfil de cada contacto con categorías configurables como Influenciador, Tomador de Decisión, etc.

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

BUSINESS INTELLIGENCE. www.sbi-technology.com

BUSINESS INTELLIGENCE. www.sbi-technology.com BUSINESS INTELLIGENCE www.sbi-technology.com SBI Technology SRL Maipú 1492 Piso 2 S2000CGT - Rosario Rep. Argentina Tel: (54 341) 530 0815 www.sbi-technology.com Copyright - SBI Technology SRL - Todos

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

PRACTICA DE ADMINISTRACION DE BASES DE DATOS

PRACTICA DE ADMINISTRACION DE BASES DE DATOS Depto. De Organización y Estructura de la Información Curso 2003/2004 Pág. 1 PRACTICA DE ADMINISTRACION DE BASES DE DATOS Una entidad bancaria gestiona datos relativos a operaciones bancarias de sus clientes

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles