Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Marchese Alicia
Picco Alicia
Pluss, Jorge J.
Díaz Daniel
Gaibazzi Ma. Florencia
Repetto Luciano
Ingrassia Ramiro
Instituto de Investigaciones y Asistencia Tecnológica en Administración

NUEVAS TECNOLOGÍAS PARA LA ADMINISTRACIÓN DE EMPRESAS

1. Introducción - Tecnologías actuales y sus posibilidades

Entre las nuevas pautas de producción de bienes, tangibles e intangibles, aparece últimamente
una tendencia que se generaliza: el aprovechamiento de elementos que no hacen al producto principal,
pero que son consecuencia de dicho proceso. Los subproductos derivados que antes se desechaban
hoy son utilizados y reciclados para aportar al desarrollo de otros bienes.

Al igual que en la industria manufacturera, en la producción de información quedan elementos

que hoy pueden ser reutilizados. La información relativa a transacciones que cumple con el objetivo de
favorecer la toma de decisiones cotidianas, deja un enorme capital remanente cuya utilización racional
va a modificar el concepto de toma de decisiones tal y como se la conoce hasta ahora.

Los datos se convierten en información mediante procesos sucesivos de clasificación, ordena-

miento, agrupamiento, etc. La consecuencia de dichos procesos ya ha sido almacenada, ha llegado la
etapa de reciclarla y convertirla en conocimiento útil para la estrategia del negocio. Las herramientas
para su utilización existen hoy, y adoptan diferentes denominaciones comerciales. Es nuestro trabajo la
recopilación de las mismas, su diferenciación y la búsqueda de los conceptos subyacentes en cada una.

Es sabido que en el ámbito de las tecnologías informáticas cada empresa lanza productos al
mercado que cumplen objetivos muchas veces similares y su éxito (la captación de clientes/usuarios) se
produce más por la difusión de los mismos y sus denominaciones comerciales que por el conocimiento
que se tenga acerca de su utilidad final. No obstante, la aparición de determinados productos y su corre-
lación en la bibliografía científica no deja dudas acerca de la etapa tecnológica que estamos transitando:
La necesidad básica que satisfacen los productos que analizamos es la de brindar información con un
alto grado de abstracción. Esto es, se trata de información dirigida a la toma de decisiones poco o muy
poco estructuradas, con un alto índice de riesgo.

Las tecnologías de información han logrado integrar las distintas actividades de una empresa en
un almacén de datos, lo que trajo como consecuencia la interoperatividad entre sectores de la misma. El
viejo organigrama se nutre hoy con datos de los diferentes subsistemas que permiten la estructuración
de funciones por proyectos, verdaderos desafíos administrativos que involucran áreas antes dispersas,
como producción y marketing.

Pensemos en una gran empresa en red, que posee subsidiarias en distintos lugares del planeta,
cada una de las cuales funciona como una unidad, que genera los datos necesarios para la toma de
decisiones en su ámbito específico. Existe a su vez un estamento directivo dentro de la empresa que
requiere de información compactada para la toma de decisiones estratégicas.

En una primer etapa la información que llegaba desde los niveles operativos a los niveles de de-
cisión estratégicos era información “por excepción”; aquella que reflejaba los desvíos entre lo esperado y
lo real. En la actualidad el concepto es que, con los datos integrados, se logre una visión totalizadora de
los mismos, reuniéndolos en repositorios de información recolectada desde múltiples orígenes y guarda-
dos en un esquema homogéneo. Esto dinamiza enormemente la toma de decisiones estratégicas y per-
mite redefinir objetivos y pautas de gestión en forma continua, sin afectar el normal desenvolvimiento de
las operaciones cotidianas.
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Una estructura de este tipo no viene dada, no se compra. El software provee el soporte para su
diseño, pero es el administrador de negocios el que debe determinar qué datos se tomarán y con qué
configuración y nivel de agrupamiento. Es tarea del gerente, involucrado en la toma de decisiones estra-
tégicas, la definición del conjunto de datos y sus relaciones porque es él quien conoce sus necesidades y
requerimientos administrativos.

Un mal diseño de datos torna inútil la utilización de estas herramientas. Debemos asumir el com-
promiso de conocer y reconocer las necesidades de la empresa y aprender a plasmarlos en un modelo
que ayude al crecimiento cualitativo de nuestros gerentes.

En el presente trabajo profundizamos tres aspectos de vinculados con la utilización inteligente de

la información de la empresa. Las redes neuronales, que intentan emular los patrones de procesamiento
1
del cerebro biológico , Data Warehousing, técnica que intenta unificar, tratar y suministrar la información
necesaria para toma de decisiones racionales y Data Mining que utiliza las técnicas de inteligencia artifi-
cial para extraer de los datos tendencias o información que pasa desapercibida para el usuario final.

Distintas etapas en la administración han sido influenciadas por la evolución de tecnologías de

la información disponibles. En la década del 80 el surgimiento de las PC y las interfaces gráficas marca-
ron un rumbo basado en la disponibilidad de herramientas cada vez más veloces, intuitivas y de menor
costo.

La década del 90 fue caracterizada por un concepto que marcó un nuevo rumbo en la gestión: la
“conectividad”. El auge explosivo de Internet provocó que en la actualidad no se pueda concebir una
empresa de mediano tamaño que no tenga una presencia en la red. Desde simples páginas con propa-
ganda institucional o de productos, hasta portales de gestión dinámica con soluciones de e-commerce,
se encuentran en constante crecimiento y renovación. La tendencia que marcan las nuevas tecnologías,
en este siglo, es la de una profundización de ese concepto de conectividad.

Actualmente se piensa en términos de programación “totalmente distribuida”, vale decir, progra-

mas que se buscan, se comunican e intercambian procesos a través de la red (web services). También
se están comenzando a modelar sistemas pensados para suministrar información “totalmente personali-
zada”, que permiten al usuario seleccionar la información que desea consultar, accediendo a la misma
desde diversos medios tales como teléfonos celulares, dispositivos Palm, o su PC.

Para lograr todo esto los distintos operadores han tomado conciencia de la necesidad de utilizar
estándares de codificación y comunicación de datos. A esto responde el auge que está adoptando en la
comunidad de Internet la utilización de XML (extensible markup language) y sus lenguajes de codifica-
ción derivados.

La necesidad de compartir información y procesos, que establece la competitividad y globaliza-

ción actual crea una imperiosa necesidad de actualización de la política del manejo de la información que
genera o recibe la empresa. La utilización de técnicas inteligentes y la consolidación de la información
son temas prioritarios para las Pymes actuales que intenten participar y protagonizar el cambio.

Sabemos que estos productos son hoy costosos en el mercado, inaccesibles para una PyME lo-
cal, pero también proponemos formas alternativas para su utilización, en la creencia de que (como tantas
veces ocurrió), estas herramientas se generalizarán en el futuro y harán su aporte a la evolución
administrativa, y los empresarios que sobrevivan serán aquellos que logren expandir sus poten-
cialidades utilizándolas.

El empresario PyME no puede hoy tener en su empresa todos los elementos necesarios para op-
timizar la gestión, pero puede aliarse con otros que tengan similares necesidades y compartir recursos
estratégicos que le permitan plantearse objetivos de largo plazo individuales y compartidos para afrontar
la nueva realidad global en la que tarde o temprano deberá insertarse.

2. Inteligencia Artificial: Redes neuronales

1
LAUDON, Kenneth, LAUDON, Jane, “Administración de los Sistemas de Información: organización y
tecnologías”, Prentice Hall Hispanoamerica editora, México, 1996, pág.670
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Hacia finales de la década de los 80 se produjo un resurgimiento de la Inteligencia Artificial, de-

jada de lado luego de los primeros intentos de los años 50, especialmente para la corriente Conexionista.
Esta nueva etapa que comenzaba iba a modificar más aún el ámbito de las Tecnologías en Informática.
El suceso fue el trabajo de David Rumelhart, científico de la Universidad de Stanford, sobre la “Solución
del problema del Perceptrón Multicapa”.

Esto se dio, gracias dos hechos que se sucedieron en la misma década. El primero, es la entra-
da en la cuarta generación del hardware de computadora, cuyos avances más significativos fueron :
Ampliación del tamaño de la memoria,
Aumento en la velocidad de procesamiento (se llega a 200 millones de instruc-
ciones por segundo –MIPS-),y
Disminución del costo de las computadoras junto con su tamaño.
El segundo hecho ocurrido más precisamente en el año 1982, fue la exposición del trabajo sobre
“Sistemas Artificiales” de John Hopfield, investigador del departamento de Biología Molecular de la Uni-
versidad de Princeton. Estos hechos marcan el final de una etapa muy teórica de esta corriente, de la
cual ya no se esperaban grandes resultados y su paso a la visión científica actual, con aplicaciones prác-
ticas antes impensadas.

2.1. La Corriente Conexionista

La corriente conexionista, junto al simbolismo , son las ramas de la Investigación en el campo de
la Inteligencia Artificial (IA) Laudon y Laudon la definen como: “el esfuerzo por desarrollar sistemas com-
putacionales que puedan comportarse como los seres humanos, con la capacidad de aprender idiomas,
llevar a cabo tareas físicas, usar aparatos de percepción y emular el conocimiento humano y la toma de
2
decisiones”
El conexionismo o enfoque Ascendente (Bottom Up), se propone simular artificialmente la estruc-
tura física del cerebro humano, para llegar a la Inteligencia. La idea central es que si el cerebro es el
responsable de nuestro pensamiento, acciones y nuestro sentido común, al imitar su estructura, se ten-
dría que llegar al mismo resultado: la Inteligencia.

Sin entrar en discusiones filosóficas, debemos tener en cuenta que “no existen ordenadores ca-
paces de soportar diez billones de unidades de procesamiento en un mismo programa, ni seguramente
3
alguien que se proponga interconectarlo...”

La inquietud de reproducir el funcionamiento del cerebro humano puede remontarse a David

Hume quien escribió un tratado sobre la naturaleza humana, pasando por Luigi Galiani que expone sobre
los efectos de la electricidad en la actividad muscular y afirmándose con Ramón y Cajal, quien presenta
a la neurona como la unidad mínima cerebral.

En verdad, en 1943 se realizó un modelo lógico de cómo trabaja el cerebro. Fue propuesto por
Mc Culloch y Pitts, y se trataba de un modelo matemático computacional del cerebro constituido por pe-
queños procesadores denominados neuronas artificiales. Luego fue modificado y mejorado, en 1958 por
Frank Rosemblatt, profesor de Física y Ciencia Macromolecular del MIT. Aquí nace el llamado Percep-
trón. Gracias a importantes investigaciones realizadas anteriormente, como la dirigida por John Mc Cart-
hy y Marvin Minsky entre otros en la Darthmouth College, donde se acuñó el término Inteligencia Artifi-
cial, acompañado por los avances de la Fisiología en el estudio del sistema nervioso superior y la tecno-
logía que se potenciaba para más complejos emprendimientos.

Pero este avance se frena a fines de los sesenta, cuando Marvin Minsky y Seymour Papert, criti-
can el modelo lógico del Perceptrón, un concepto que no se podía implementar con el hardware existen-
te en la época, imprescindible para continuar con las investigaciones (por ejemplo, el tamaño de la me-
moria). Se produce un silencio en las investigaciones conexionistas, aunque algunos siguieron con sus
búsquedas.

2
LAUDON, Kenneth, LAUDON, Jane, “Administración de los Sistemas de Información: organización y
tecnologías”, Ed. Prentice Hall Hispanoamerica editora, 3er. Edición, 1.996, México
3
Iovaldi, R, “Inteligencia Artificial y Aprendizaje: investigación y metodología”
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

2.2 Conexionismo y Sistemas Expertos

“La tarea del ejecutivo implica no sólo tomar decisiones él mismo, sino procurar que la organiza-
ción o sector que dirige lo haga de una manera eficaz”

Simon, Herbert

Mientras tanto, otros estudios abordan la toma de decisiones analizando su proceso, caracterís-
ticas (estructuradas o no estructuradas) y componentes. Pero la Inteligencia Artificial (IA) aporta una
herramienta concreta en esta etapa: los sistemas expertos, que pueden seleccionar una alternativa gra-
cias al recorrido de un camino de razonamiento que tienen incorporado (reglas).

Esquema de un Proceso de Decisión (fig.1)

Retroalimentación
1. Reconocimiento del pro-
blema

2. Definición del Problema

3. Especificación del o los

objetivos
Evaluación de la acción

4. Examen del ámbito

pre-decisión

5. Desarrollo
de cursos de acción
alternativos Ejecución del curso de acción
seleccionado

6. Interacción de alter-
nativas con el ambien-
te post-decisión

7. Selección de una
alternativa

Ambiente Pre-Decisión Ambiente post-decisión

 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Se señalan distintas limitaciones de los sistemas expertos, que sólo se deben a la falta de senti-
do común ó heurística y la cantidad de datos de ingreso ó alternativas que puede soportar. Es decir, las
decisiones tienen un sentido fáctico y un sentido ético, según Herbert Simon, siendo este último “una
cualidad imperativa: seleccionan un estado futuro de cosas con preferencias a otro y dirigen el compor-
4
tamiento hacia la alternativa elegida” .

Es por ello, que en un proceso de decisión, tal como se lo ve en la fig.1, ocurren distintos hechos
cuya modelización es sumamente dificultosa. Quienes deseen plasmar en un sistema experto el proceso
decisorio deberán en un primer momento enumerar las alternativas posibles y luego definir cuántas de
ellas podremos ingresar en una forma “si a1, a2, a3, a4,...,an entonces b1, b2, b3,b4,...,bn” y dentro de cada
regla, establecer la ponderación de cada alternativa, que al ser contrastada con la realidad, cambiará
constantemente porque la realidad es un cambio continuo.

Volvemos a lo mismo, la experiencia de los Gerentes, su capacitación constante, son las que
adecuan sus decisiones a los distintos cambios de la realidad, simplemente porque a medida que cambia
la realidad, cambia nuestro sentido ético o ponderación de alternativas, es decir, nuestra heurística. Si
bien los sistemas expertos elucidan el aspecto ético de la decisión, el desafío de la Inteligencia Artificial,
consiste hoy en apostar al nuevo conexionismo, a través de su producto mejorado: Las Redes Neurona-
les.

A pesar de todo, la situación actual es muy distinta a la de los finales de la década de los sesen-
ta, por ello no se puede pensar que los sistemas expertos tendrán la misma suerte que las redes neuro-
nales.

2.3 Las redes Neuronales

Las redes neuronales son un conjunto de neuronas artificiales, las cuales son pequeñas unida-
des de procesamiento de información. En conjunto, emulan la corteza cerebral en su estructura y funcio-
namiento.

Fig.2: Neurona Artificial

5

– Fig.3: Red Neuronal Típica

4
SIMON, Herbert, “El comportamiento Administrativo”, Ed. Aguilar, Buenos Aires, 1984, pág.45
5
Figuras extraídas del trabajo de Redes Neuronales, una introducción; de Xavier Padern,
http://www.eupmt.es/cra/inform/info11.htm
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Las partes físicas de una neurona artificial (fig.2) son:

1. Datos de entrada y pesos relativos de los mismos
2. Una función de base: la suma de los productos de los datos con su “peso” o ponderación,
3. Una función de activación: función matemática que se compara con la función de base, y
4. una salida
La organización de las redes, toma en general la forma de una “matriz”, que en lugar de núme-
ros, cuenta con neuronas que pueden combinarse, según:
El número de neuronas que asignemos,
La cantidad de columnas: hay tres tipos de columnas; la columna de entrada, son las neuronas que
reciben la información; las columnas ocultas, son la intermedias y son las que pueden variar en nú-
mero; y la columna de salida, son las neuronas que se corresponden con la información de entrada
La cantidad de entradas que tendrá
El número de respuestas que fijemos
Cuántas conexiones tendrán cada una de las neuronas y la ponderación que reciben
Qué funciones de activación tendrá cada neurona, (no es necesario que tengan todas las mismas
funciones)
Imitando a las neuronas biológicas, las redes neuronales (fig.3), funcionan de acuerdo al siguien-
te esquema: Cuando una neurona artificial recibe los datos (el equivalente a las sustancias neurotrans-
misoras biológicas), se construye la función de base con ellos, es decir, se incorporan a la ecuación que
contiene la suma de los productos de los datos por el peso relativo (la sustancia es captada por las den-
dritas)

A continuación se los compara con la función de activación (equivalente a la carga eléctrica que se aloja
en el núcleo de la neurona), y si la función de base fue mayor que la de activación habrá una salida
(nueva carga eléctrica) que se retransmitirá a la siguiente neurona (sinapsis).

Hay tres formas de aprendizaje

En el Aprendizaje Supervisado se presentan a la neurona unas entradas con las co-
rrespondientes salidas deseadas. La red primeramente calcula una salida para esas entradas y luego,
conociendo la diferencia entre la salida deseada y la encontrada, ajusta sus pesos proporcionalmente al
error que ha cometido (si la diferencia entre salida calculada y salida deseada es nula, no se varían los
pesos).

En el Aprendizaje No Supervisado, solo se presentan a la neurona las entradas y dará

una salida, la cual por camino inverso, tendrá que llegar a la misma entrada.

En el Aprendizaje Por Refuerzo se combinan los dos anteriores, y de cuando en cuando se

presenta a la red una valoración global de cómo lo está haciendo.

Según el mecanismo que utilizan para aprender, actualmente existen tres tipos redes neurona-
les:
♦ Perceptrón Multicapa con Retropropagación:
Desarrollado por Rumelhart, Hinton y Willoes del grupo PDP (Parallel Distributed Pro-
cessing) de Cambrige Massachusset,
♦ Memoria Asociativa de Hopfield: (fig.4)
Expuesto por John Hopfield, investigador del Instituto de Tecnología de California
♦ Red Kohonen: (fig.5)
Desarrollada por Teuvo Kohonen, del Centro de Investigación en Redes Neuronales de
Helsinki, Universidad de Finlandia.
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Fig.4: Red de memoria Asociativa con pesos fijos: John Hopfield6

Fig.5: Red Kohonen: Teuvo Kohonen7

6
Figura extraída del Trabajo Redes Neuronales, en la pagina web:
http://www.gc.ssr.upm.es/inves/neural/ann2/anntutor.htm
7
Figura extraída del Trabajo Redes Neuronales, en la pagina web:
http://www.gc.ssr.upm.es/inves/neural/ann2/anntutor.htm
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Fig.6: Red Perceptrón Multicapa con retropropagación: Rumelhart, Hinton y Willoes

2.4 Sentido Etico/Heurístico

Luego de la breve descripción anterior de los elementos básicos de las redes neuronales, tratan-
do de no caer en el riguroso modelo matemático de la red neuronal, retomemos el ámbito de las decisio-
nes, para no perder el objetivo de nuestro trabajo, el cual es conocer estas herramientas para promover
su uso y aplicación en el ámbito empresarial.

El aspecto lógico de las redes neuronales, es tratar de alcanzar (de imitar) el sentido común. Ca-
da alternativa que se le presenta a la red neuronal, será ponderada de acuerdo a la visión subjetiva de la
realidad. ¿Cómo sabremos si esa ponderación es exacta? Debemos enseñarle a la red la meta deseada.
Así, en el inicio podemos ponderar arbitrariamente y en el proceso de aprendizaje, irá recalculando las
nuevas ponderaciones, hasta que encuentre las que son correctas. Esto significa que aprendió y está en
condiciones de tomar una decisión.

Recordemos que las ponderaciones, además, deben pasar por un criterio de relación (la función
de activación), y según este, se dará una respuesta. No sólo se pondera, se establece un cierto “hilo de
conducción” para no caer en la “insensatez”. Por supuesto que el concepto de decisión “sensata” implica
una disquisición que no podemos abordar en este trabajo. Basta decir que no existen las computadoras
inteligentes o sensatas ni las redes neuronales pueden realizar hoy un aprendizaje ilimitado. Por ahora lo
cierto es que incorporan mucho mejor que los sistemas expertos el sentido heurístico que tiene toda
decisión.

Cómo superar las limitaciones actuales, se encuentra ligado al futuro de los sistemas expertos
que, lejos de desaparecer, se potenciarán con el desarrollo de las Redes, ya que el razonamiento huma-
no utiliza ambos procedimientos: conexionistas (botton up) y simbólico (top down). Si en el futuro se
lograra emular esta capacidad será como lo expresa Marvin Minsky:

“¿Cuál aproximación (corriente) es la mejor para continuar? Esta es simplemente una

mala pregunta. Cada una tiene virtudes, deficiencias y necesitamos sistemas integrados que
puedan explotar las ventajas de ambas...Pero ahora estamos estancados en el medio; Ni pura-
mente simbólico ni puramente conexionista pueden ser capaces de soportar los tipos de rendi-
miento intelectual que tomamos por supuesto,..., yo argumentaré que la solución recae en algún
lugar entre los dos sistemas y nuestro problema es construir un puente compatible entre am-
bos.”
En nuestro Grupo de Investigación, de acuerdo con el concepto anterior, pensamos que las Re-
des Neuronales podrán en un futuro recrear las reglas con que cuenta el SEDAF (Sistema Experto de
Diagnóstico y Asesoramiento Financiero). De esta forma, lograremos una mayor flexibilidad y, en definiti-
va, uniremos los aportes de ambas herramientas en los sentidos fáctico y heurístico que se necesitan
para poder llegar a decidir.

3. Gestión experta de Datos: Data Warehousing

La técnica del Data Warehousing ha ido evolucionando con las necesidades de decisión que se
han generado en el ámbito empresarial. Desde los años 80 ha habido una marcada caída del costo de
almacenamiento de datos por Megabyte, como así también un vertiginoso crecimiento de la velocidad de
procesadores y recursos con los que cuentan las computadoras. Esto ha provocado que las corporacio-
nes comenzaran a almacenar inmensa cantidad de datos, sin tener, en ese momento, un objetivo defini-
do.

La consecuencia lógica de este proceso, fue converger en una paradójica riqueza de datos con-
trapuesta con una pobreza de información útil. Un hecho que agravó este fenómeno, fue el que en una
misma organización se fuesen utilizando diversas fuentes de datos, originadas en los distintos sistemas y
módulos de sistemas, que a través de la historia de la empresa se fueron desarrollando, muchas veces
basados en dispares tecnologías de bases de datos.
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

También se debe considerar que el auge que ha tenido la utilización de aplicaciones de ofimática
(planillas de cálculo, procesadores de texto, etc...) ha derivado también, en que las empresas cuenten
con una gran cantidad de fuentes de datos en los formatos que manejan estas aplicaciones.

Surge de todo lo expuesto la necesidad de tener en las organizaciones una clara política tendien-
te a utilizar racionalmente técnicas que capturen, reúnan y asocien datos de diversas fuentes, con el fin
de presentar la información en forma útil para la toma de decisiones.

3.1. Conceptos De Data Warehousing

Existen muchas y variadas definiciones sobre Data Warehousing cada una de las cuales perfilan
diversos aspectos de su implementación. Por ejemplo:

Barry Devlin “Es un simple, completo y consistente almacenamiento de datos obteni-

dos de una variedad de fuentes y hecho accesible para usuarios finales en una
manera que puedan entender y usar en el contexto de sus negocios”

Bill Inmon “Conjunto de datos integrados orientados en una materia, que varían
con el tiempo y que no son transitorios, los cuales soportan el proceso de toma
de decisiones de una administración”

Ken Orr “Una facilidad de proveer rápido acceso a datos empresariales, califica-
dos e integrados por usuarios finales profesionales y no profesionales”

De estas definiciones podemos inferir que Data Warehousing es el conjunto de datos históricos
de una empresa que poseen algunas o todas estas características:
Independencia de aplicación
Son referidas a un momento en el tiempo, representativo de un ciclo del negocio
Almacenadas en una manera fácilmente accesible a personas sin conocimientos técni-
cos
Generan un modelo
Generan “metadatos”

Es conveniente, en este momento, definir algunos conceptos con los que se relaciona estrecha-
mente la tecnología del Data Warehouse, tales como, “metadatos” , “data mart”, y “OLAP”
8
Metadatos: Una definición sencilla es: “Un metadato es información que describe un dato” , vale
decir que son datos acerca de datos.

Un metadato puede contener:

Información de cómo ubicar diferente información contenida en el Data Warehouse.
Información sobre los mecanismos por los cuales se extraen datos de las bases de datos
operacionales.
Reglas que determinan los controles de accesos a los datos y condiciones de seguridad
de los mismos.
Reglas y procedimientos contenidos por el usuario final.
Información sobre la historia del dato.
Algoritmos de acumulación / agregación de datos.
Identificación del responsable del almacenamiento del dato.

Existen dos pasos que se deben llevar a cabo antes del desarrollo del Data Warehouse, los cua-
les hacen un uso estrecho de los “metadatos” de las diversas fuentes de datos a las que se accede:

8
LARDENT, Alberto R. “Sistemas de Información para la gestión empresaria (Tomo I) – Planeamiento,
Tecnología y Calidad”, Ed. Pretince Hall, Buenos Aires, 2001, Capitulo 18
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Las diversas fuentes de datos que utiliza el Data Warehouse,

realizan diferentes tratamientos de los datos que contienen. De esta
forma determinados tipos de datos que son almacenados en un sis-
tema, no reciben el mismo tratamiento al ser almacenados en otros
sistemas. Por ejemplo: un campo donde se almacene un dato puede
tener un impedimento del sistema de almacenar registros en blanco,
Refinamiento (Cleaning) nulos, o utilizar un grado de precisión predeterminada, que no se co-
rresponde con un almacenamiento del mismo tipo de dato en otro sis-
tema.

En este paso, en definitiva, se intenta lograr que los datos que

va a utilizar el DW lleguen a tener un grado de conformidad aceptable
por la empresa.

El proceso del reingeniería de datos pretende producir un

cambio en los datos a fin de que sean legibles para el usuario. La base
de la necesidad de transformar los datos se encuentra en decodificar,
a fin de hacer comprensibles, datos previamente codificados por razo-
Reingeniería (Transformation) nes de optimización o de espacio de almacenamiento. Por ejemplo: se
puede haber guardado en una tabla una codificación de acciones re-
presentadas por números (1: actualizar mensualmente, 2: Semanal-
mente, 3: Diariamente)

Data Mart: Algunas de las definiciones que se han enunciado de Data Mart son:

Aaron Zornes (Meta Group) “Un ámbito o departamento orientado del Data Warehouse.
Puede incluir duplicación de datos de un Data Warehouse corporativo
y/o datos locales”

Gartner Group “Un conjunto descentralizado de datos de un almacenamiento

diseñado para soportar los requerimientos de un mercado específico
de operación o análisis”

Bill Inmon “ el Data Warehouse departamental es utilizado para mantener

la información departamental que es extraída del Data Warehouse de
la empresa. Este es a veces descripto como livianos y altamente re-
sumidos datos, o como data marts”

Estas definiciones nos perfilan al Data Mart como “una implementación del Data Warehouse pero
9
referida a un ámbito de datos y funciones más limitados”

La figura 7 muestra la relación existente entre las fuentes de datos operacionales, el Data Ware-
house y un Data Mart de una empresa.

9
Data Warehousing with DB2 for OS/300 – Diciembre 1997 – First Edition – IBM Corporation, Inter-
national Support Organization. Cap. 1 y 2
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

Datos Operativos

Refinamiento de

Reingeniería de
Datos

Datos
Data Warehousing
Sub-conjunto de
Datos

Data Mart

Figura 7 : Relación entre Fuentes de Datos Operativas, Data Warehouse y Data Mart

OLAP (Procesamiento analítico en línea)

Otra de las técnicas que se debe emplear para implementar un sistema de Data Warehousing es
desarrollar un sistema de Procesamiento analítico en línea.

Para obtener el mismo se debe tener en consideración:

• Proveer fácil acceso a los usuarios finales.

• Se debe proveer una interfaz desde la cual los usuarios puedan determinar los paráme-
tros de la información que están buscando.

• Debe proveer una rápida respuesta.

Una comparación utilizada muy frecuentemente, y en algunos casos adoptada para denominar a
10
los sistemas OLAP es la de utilizar la imagen de un “cubo”. Esta imagen, transmite al usuario en forma
intuitiva la idea de tres dimensiones. De esta manera se puede asimilar la visualización de datos de
acuerdo a un ordenamiento dado (por ejemplo, temporal, espacial, etc. …).

Por ejemplo, una entidad podría requerir que su sistema OLAP ordene las ventas de un determi-
nado grupo de productos (golosinas), en un determinado periodo de tiempo (1º trimestre de 2002) y en
una determinada área de cobertura (centro del país).

Las bases de datos que implementan estos sistemas son llamadas comúnmente “multidimensio-
nales”. Cabe destacar que la comparación del sistema con un cubo, no implica que las dimensiones del
mismo se restrinjan a tres, sino que el administrador de datos de la empresa puede crear la cantidad de
dimensiones que necesite visualizar de sus datos a fin de brindar información útil para las decisiones.

10
El sistema gestor de base de datos SQL SERVER de Microsoft, trabaja con objetos creados por el administrador
de la base llamados “cubos”.
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

En la figura 8 se puede ver una representación gráfica de un ordenamiento de datos de acuerdo

a tres dimensiones: línea de productos, temporalidad y espacio. Una vez construido, el cubo resulta

Figura 8: La imagen de un cubo permite graficar la ordenación de datos según distintas dimen-
siones (Imagen extraída de “ORACLE 8i – Data Warehousing Guide”)

sencillo de modificar y analizar. Puede ser particionado, para consulta de uno u otro dato que resulte
relevante y permite la expansión independiente de los datos (dimensiones elegidas). También puede
unirse lógicamente con otros cubos, conformando un denominado “cubo virtual”, que no está constituido
por datos sino por relaciones entre los mismos.
“Un cubo es un operador que genera un conjunto multidimensional que constituye una expansión
de datos fácticos, datos que explican eventos individuales. La expansión se basa en columnas que el
usuario desea analizar. Esas columnas se denominan dimensiones. El cubo es el resultado que contiene
11
en una tabla las relaciones cruzadas de todas las posibles combinaciones de las dimensiones.” En
otras palabras, el cubo reúne datos de diferentes orígenes y crea una vista particular que los relaciona,
brindando al usuario una visión integrada que supera a la que brinda una tabla de doble entrada.

Como construir un Data Warehouse

El diseño de datos dimensionales es toda una especialidad que requiere no sólo del manejo de
técnicas de modelado sino también conocimiento de los procesos de negocio con que vayamos a tratar.

Habiendo visto las técnicas y herramientas que podemos utilizar, podemos ver en detalle los pa-
sos metodológicos para construir un sistema de Data Warehousing.

1 PLANEAMIENTO • Se crea la “agenda” de tareas, con consideración de los plazos pro-

puesto para lograr el desarrollo.

• Se debe realizar el “estudio de factibilidad económica” del proyecto.

• Determinación de los destinatarios de la información

11
BEJELETICH, Sharon, MABLE, Greg, et.al, “Microsoft SQL Server 7”, Prentice Hall, Madrid, 1999, págs.779-
790
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

2 FUNCIONES Se ha de considerar en esta etapa las expectativas de los distintos sujetos

asociados al Data Warehouse. Se debe tomar en cuenta:

• La perspectiva del empresario

• La perspectiva de la tecnología utilizada

• La perspectiva del usuario final

3 ANALISIS Se define los requerimientos de funciones de la etapa anterior

4 DISEÑO Se transforma el modelo “lógico” desarrollado en un modelo “físico”

5 CONSTRUCCION Se ensamblan los componentes desarrollados en la etapa anterior

6 PRUEBA Es sugerible el desarrollo de un “piloto” para realizar los distintos controles de

calidad que debe soportar el sistema

7 INSTALACION Y En esta etapa se debe prestar atención a la sincronización de los distintos

UTILIZACION componentes así como verificación de accesos

8 OPTIMIZACION De la interacción con el sistema, seguramente surgirán nuevos requerimientos

que deben ser atendidos

Se estima un tiempo prudente de desarrollo de un sistema de Data Warehousing en aproxima-

damente 9 - 12 meses.

DATA WAREHOUSE – DATA MART. Hacia su aplicación en el ámbito de las Pymes

De todo lo expuesto podemos valorar el aporte sustancial que ha dado a la Tecnología Informáti-
ca el Data Warehouse. Ahora bien, cabe preguntarse, ¿cómo podríamos aplicarlo a empresas locales?.

En la introducción de este trabajo vimos que el Data Warehouse tuvo su origen a partir del cre-
cimiento anárquico de fuentes de datos, por falta de planificación de recursos informáticos, por parte de
las empresas. En un escenario ideal, las pequeñas empresas al expandirse, estableciendo sucursales,
centros de negocios o administraciones descentralizadas, deberían haber tenido que migrar la totalidad
de sus datos a medida que cambiaban sus sistemas.

En la práctica, las empresas forzadas por la inestabilidad económica, cambios de reglas y falta
de previsibilidad, han ido mostrando lo contrario. El hecho es que en el ámbito de las Pymes argentinas,
nos encontramos con una urgente necesidad de replanificar los recursos de información, muchas veces
dispersos y desestructurados, con que cuentan las empresas, a fin de disponer contenidos útiles para la
toma de decisiones racionales.

Una de las tendencias que muestra actualmente la tecnología informática, es la de ir avanzando

constantemente en amplios consensos de aceptación de estándares de codificación de datos, programas
y recursos utilizables. Internet y sus lenguajes universalmente aceptados como HTML o XML son una
clara muestra de esto.

De esto podemos prever un aceleramiento en la circulación e intercambio de información moti-

vado por la facilidad de transferencia de datos estandarizados, lo cual derivará en la necesidad de opti-
mizar la información decisional en tiempo y calidad, para poder mantener una empresa competitiva

El hecho de que una pequeña o mediana empresa, cuente con una clara estrategia de utiliza-
ción de sus datos, sin duda, la posicionará en mejor lugar para competir y expandir sus posibilidades.
Los desarrollo de un Data Warehouse implica un esfuerzo que muchas PyMEs no pueden encarar, para
lo cual han surgido las aplicaciones de Data Mart, productos que utilizan una tecnología similar, pero
permiten una definición de datos más fácil y rápida, disminuyendo notablemente el costo del proyecto.
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

En principio resolvían el problema a nivel departamental de la gran empresa, y actualmente están siendo
aplicados a la resolución integral del problema en empresas medianas. Mejora el índice pre-
cio/rendimiento y permite que estas empresas logren implementar sus propios Sistemas de Información
para Ejecutivos (EIS).

Para ello se requiere de la creación de estructuras de datos multidimensionales (cubos), y la de-

terminación de las relaciones entre las mismas.

Una vez establecidas las variables (atributos) a analizar en el nuevo entorno multidimensional,
estamos en condiciones de asociarlas y de conformar reglas del tipo: "SI A1 y A2 ...Ai ocurren, EN-
TONCES es usual el caso en el cual B1 y B2... Bn también ocurran en la misma transacción." Este es-
quema surge como consecuencia de la observación de un gran número de transacciones, y de su clasifi-
cación y agrupamiento mediante las técnicas apropiadas. Se basa en dos conceptos básicos: El soporte,
es decir la probabilidad de que una misma transacción contenga elementos de A y de B y la confianza, o
probabilidad de que una transacción que contiene A contenga también B.

Las reglas de asociación pueden abarcar múltiples niveles de abstracción si los datos a ser utili-
zados son jerárquicamente organizados. Un nivel de abstracción se refiere a un nivel conceptual o jerár-
quico de un cubo de datos. Es función del usuario determinar el nivel de cada dimensión utilizada en el
proceso. El menor nivel de jerarquía es aquél que tiene una sola dimensión (ej: un dato crudo, como el
ticket de supermercado, que integra la facturación de una caja, de una sucursal, de una ciudad, de un
momento dado).

4. La inteligencia artificial aplicada a los datos: Data Mining

La minería de datos es un conjunto de tecnologías o herramientas capaces de analizar la infor-

mación almacenada en un Data Warehouse con el objeto de ayudar a descubrir relaciones insospecha-
das, tendencias, modelos de comportamiento o correlaciones entre los datos contenidos en el mismo. A
través del procesamiento de información, utilizando algoritmos de búsqueda estadística, DataMining
provee las bases para transformar la información en conocimiento. Basándose en su capacidad de orga-
nizarlos en diferentes dimensiones de análisis potencial.

Las etapas en la definición de un DataMining son simples y para su mejor análisis puede tomar-
12
se nuestro trabajo anterior sobre el tema . Sólo remarcaremos los elementos constitutivos más impor-
13
tantes, a ser desarrollados en forma secuencial :

1. Definir los orígenes de datos. Mediante el establecimiento de la ubicación de los mismos.

3. Construir los cubos. De acuerdo a lo establecido previamente.

2. Definir las dimensiones a compartir. Permite adaptar la representación obtenida a las necesi-
dades de reportes standard que cada empresa necesita. La clave consiste en encontrar las dimensiones
críticas para guiar las decisiones particulares de cada negocio.

4. Desarrollo de modelos de minería Siguiendo con el ejemplo anterior, si agregamos en función

de tiempo (período de ventas), producto y región de venta, perderemos la dimensión color del
producto o la dimensión de sexo de los compradores. El modelo siempre implica una elección.

3. Definir los roles de las bases de datos. Esto es depurar los distintos procedimientos SQL para
corroborar sus resultados con lo deseado por los usuarios finales.

La existencia de la gran cantidad de datos, y la posibilidad de que los mismos sean consultados
en forma interactiva por parte de los distintos agentes a través de lenguajes como el SQL, genera una
continua intromisión en la BdeD que puede llegar a perjudicar la operatoria normal del sistema. Surge la
necesidad de contar con archivos intermedios que resuman las actividades históricas en forma de tota-
les.

12
Pluss, Jorge et.al “El conocimiento en los Sistemas de Información”, 6tas. Jornadas de Investigación en la Facul-
tad de Ciencias Económicas, 2001
13
DE VILLE, Barry, “Modelling Data”, Digital Press, 2001
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

La demanda de este tipo de datos se ha incrementado, dado que los gestores de empresas co-
mienzan a entender y apreciar los diferentes niveles de inteligencia de negocio que los sistemas de
BdeD permiten conseguir. En la realidad de nuestras PyMEs este ámbito no ha sido aún descubierto, ya
que tampoco existe una experiencia generalizada de cooperación entre las mismas.

Es necesario realizar una considerable labor de análisis y recopilación de requisitos del negocio
para asegurar que el diseño de un almacén será flexible y ampliable y satisfará las necesidades de los
usuarios. Una vez diseñado, comienza la tarea de transformación y migración de datos, procedentes de
diversas fuentes, lenguajes y estructuras.

Fig.9: Pantalla del Software DBMINER Enterprise de Micorsoft

En la pantalla anterior puede visualizarse desde la empresa ejemplo, cómo se desarrollan los
cubos y dentro del cubo de ventas “Sales” las diferentes dimensiones del análisis de datos.

4.1. Knowledge Discovery y Data mining:

Existe una confusión acerca del verdadero significado de ambos términos, siendo que algunos
autores los consideran sinónimos, pero en la primera conferencia internacional sobre KDD (KDD Know-
ledge Discovery in Databases) que se realizó en Montreal en 1995 se propuso el término KDD para des-
cribir todo el proceso de extracción de conocimiento de las datos. Conocimiento, significa relaciones y
patrones entre los datos. Data mining debería ser considerado como una etapa descubrimiento dentro
del procesos de KDD.

El descubrimiento de conocimiento en bases de datos está íntimamente relacionado con el de-

sarrollo de otro concepto importante, el Data warehousing o almacenes de datos. La información en el
Data Warehousing es orientada al sujeto, no volátil y de naturaleza histórica, por lo que los almacenes de
 Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

datos tienden a contener una extrema cantidad de datos. La combinación de los almacenes de datos,
soporte de decisiones, y Data mining muestran un innovador y revolucionario enfoque de la administra-
ción de información.

5. Conclusión: La información como factor de producción:

Muchas de las compañías internacionales producen más información en una semana de la que
una persona podría leer en toda su vida. En el futuro la habilidad de una persona para leer e interpretar
no va ser suficiente para sobrevivir en el ambiente profesional, tanto sea para organizaciones científicas
como comerciales. La producción rutinaria y reproducción de datos nos fuerza a adaptar nuestras estra-
tegias y desarrollar nuevos sistemas para filtrar, seleccionar e interpretar los datos.

Las operaciones de las bolsas de valores se han convertido, en un sentido, en un juego de com-
putadoras contra computadoras donde los humanos solo intervienen a un nivel de “diseño” (meta-level).

El proceso de data warehousing debe orientarse a proveer la información correcta, a la persona

indicada, en el formato adecuado y en el tiempo preciso. Su aplicación es ventajosa en cualquier área de
negocios donde sea necesario mejorar el proceso de toma de decisiones, acceder a información clave,
obtener valor agregado de la articulación de los diferentes sistemas operativos, soportar la toma de de-
cisiones en los niveles tácticos y estratégicos, además del operativo. Entre los sectores que mayor es-
fuerzo invierten en este área se encuentran el financiero, el de telecomunicaciones y el de retail. Existe
una fuerte tendencia a ver el data warehousing como una necesidad estratégica sin la cual es imposible
competir.

Las herramientas de data mining permiten explotar el conocimiento oculto en los grandes volú-
menes de datos. El notable incremento en la última década de la relación performance / costo de las
plataformas de hardware y software permiten el uso de técnicas de inteligencia artificial aplicadas al
campo de los negocios, a fin de detectar tendencias, descubrir relaciones, identificar nuevos patrones de
comportamiento de nuestros clientes, segmentar el mercado sobre la base de nuevas dimensiones o
calcular el impacto de numerosas variables en las diferentes estrategias y tácticas de negocio.

En el ámbito de mercadotecnia se pueden descubrir relaciones entre clientes y productos ( y así

gestionar una promoción comercial más específica o dirigida), detectar hábitos de consumos ocultos
dentro de esa información histórica y definir perfiles de consumidores o usuarios ( esto reduce los gastos
de promoción e incrementa su efectividad), ayuda a corregir u orientar estrategias en materia de televen-
tas, consecuencias de análisis de respuestas.

En el ámbito del seguro, las compañías pueden efectuar análisis de riesgo para localizar las ca-
racterísticas de clientes de alto riesgo. Analizando los hábitos de pago, una entidad crediticia puede pre-
ver el nivel de riesgo de conceder un crédito a un solicitante. Con relación a la medicina, ya se aplica en
el análisis de respuestas a los diagnósticos y tratamientos.

Una diferencia entre las herramientas de ayuda a la decisión y el Data Mining, es en que en las
primeras, la iniciativa sobre qué elementos se deben observar o analizar corresponde al usuario. En
cambio, el Data Mining, toma la iniciativa por sí mismo y descubre correlaciones existentes pero ocultas
entre los datos. De ahí que mediante esta herramienta sea posible anticipar una hipótesis o detectar un
comportamiento inusual en un cliente.

Podemos ver al Data Warehousing como la base de un depósito de conocimiento que, usado efi-
cazmente, permite identificar estrategias de reducción de costo, lograr servicios de valor agregado a un
costo manejable y generar dentro de la organización una mayor eficacia de los datos. También es la
base de la infraestructura de una organización de comercio electrónico, la de la gestión del conocimien-
to.

Toda organización que desee hacer más eficiente el proceso de toma de decisiones debe en
primer término fijar sus objetivos, hacerlos explícitos y luego encontrar la metodología que mejor se
adapte para la consecución de los mismos. Sabiendo que su implantación es un proceso que implica
trabajo y compromiso de todos los sectores, deberá generar sus propios almacenes de datos y capacitar
a su personal para una nueva etapa: la de decidir con información. Se trata de un paso cualitativo que
incidirá en toda la estructura administrativa, aportando importantes resultados, más positivos cuando
mejor esté diseñada la estructura de datos.
Séptimas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística, noviembre de 2002.

BIBLIOGRAFIA:

BJELETICH, Sharon, MABLE, Greg, “Microsoft SQL Server 7 al Descubierto”, Prentice Hall,
Madrid, 1999

EDMOND, David, “Information Modeling”, Prentice Hall, 1992

FLIPPO, Edwin, “Dirección de Empresas”, Musinger
GROS, Jorge, “Del Query al Mata Mining”, Windows NT Magazine, julio-agosto 1997

IBM Corporation, International Support Organization, “Data Warehousing with DB2 for
OS/300”, Diciembre 1997
IOVALDI, Raul, “Inteligencia Artificial y Aprendizaje: investigación y metodología”, Universidad
Nacional de Rosario editorial, Rosario, 2001

LARDENT, Alberto R. “Sistemas de Información para la gestión empresaria (Tomo I) – Pla-

neamiento, Tecnología y Calidad”, Pretince Hall, Buenos Aires, 2001
LAUDON, Kenneth, LAUDON, Jane, “Administración de los Sistemas de Información: organi-
zación y tecnologías”, Prentice Hall Hispanoamerica editora, 3er. Edición, México, 1996

Microsoft Corp. “SQL Server - Books Online”, 1998-2000

ORACLE CORP., “Oracle8i Data Warehousing Guide Release 2 (8.1.6) A76994-01”,

http://www.oracle.com

PLUSS, Jorge, MARCHESE, Alicia, PICCO, Alicia et.al. “El conocimiento en los Sistemas de
Información”, 6tas. Jornadas de Investigación en la Facultad de Ciencias Económicas, 2001

PADERN, Xavier, “Redes Neuronales, una introducción”,

http://www.eupmt.es/cra/inform/info11.htm
RUSSEL, Stuart, NORVIG, Peter, “Artificial Intelligence: a modern approach”, Prentice Hall
editor, serie Artificial Intelligence, New Jersey, 1995

SIMON, Herbet, “El comportamiento administrativo”, Aguilar Argentina S.A., 2da. Edición,
Buenos Aires, 1984

Tutorial Redes Neuronales, http://www.gc.ssr.upm.es/inves/neural/ann2/anntutor.htm