[0:18]El elemento más importante durante la implementación de un proyecto de Business Intelligence definitivamente es el Data Warehouse. Es donde vamos a almacenar toda la información obtenida de las diferentes fuentes de nuestra empresa. ¿Y por qué es uno de los elementos o el elemento más importante? Bien, aquí es donde vamos a concentrar toda la información con la estructura y el diseño debido para que podamos explotar esta información. Estas estructuras se componen por fragmentos derivados del Data Warehouse conocidos como Data Marts. Y estos Data Marts a su vez tienen diseños donde almacenamos la información conocidos también como modelos en estrella o modelos de Snowflakes, de los cuales estaremos hablando más adelante. Y estos diseños me van a permitir explotar la información para diferentes propósitos, por ejemplo, para la generación de reportes o el análisis de información a través de cubos OLAP, tableros de control, minería de datos, entre otro tipo de soluciones. En la siguiente imagen podemos observar el rol que tiene el Data Warehouse dentro de una implementación para una solución de Business Intelligence. Podemos observar como del lado izquierdo tenemos las fuentes de datos operacionales. Estas se pueden formar de sistemas ERP, sistemas CRM, archivos de texto plano o algunos sistemas Legacy. Las fuentes pueden ser diversas, el único requisito importante es que estas puedan ser extraídas. Y la herramienta que me va a permitir extraer los datos de estas fuentes, se le conoce como ETL's. Que por sus siglas en inglés, de Extraction, Transformation and Loading, es una herramienta para la extracción de los datos de las fuentes de datos. La transformación, ¿por qué se requiere la transformación? Bueno, porque habíamos mencionado que los Data Warehouse a través de sus Data Marts implementan un modelo que se le conoce como estrella o Snowflakes, y bueno, necesitan ser transformados porque en su origen no tienen estos modelos. Y bueno, pues la carga o el bulk o el vaciado de estos datos hacia estos modelos especiales dentro de los Data Marts en el Data Warehouse.
[2:46]Y bueno, pues la manifestación visual puede ser, por ejemplo, para el análisis OLAP por medio de los cubos, los reportes o lo que habíamos mencionado hace un momento, que también se le conocen como tableros de control. Algo muy importante a mencionar sobre el Data Warehouse es que no es un software y mucho menos una marca o una sola base de datos. En general, podemos abstraernos de los modelos lógicos y físicos de las bases de datos que integran nuestro entorno y referirnos a su conjunto como Data Warehouse. Por esta razón, independientemente de qué solución de Business Intelligence estés implementando, si no tienes claro cuál es el propósito de un Data Warehouse, probablemente llegues a tener muchas deficiencias al momento de explotar datos y analizar información. Uno de los propósitos del Data Warehouse es que debe de enfocarse a toda la empresa. Esto qué quiere decir, que debe de proveer de información para el área de ventas, de finanzas, de recursos humanos, producción, operaciones, etcétera, y bueno, por supuesto, también a la dirección general. Otro de los propósitos es que su diseño debe ajustarse a los cambios como sea posible. Vivimos en una era donde los negocios y la información es muy volátil, y bueno, pues el Data Warehouse debe de estar preparado para recibir estos cambios. Preparado para carga masiva de datos. Debe diseñarse para cargar cantidades masivas de datos preferentemente en un pequeño lapso de tiempo. Recordemos que estos sistemas están diseñados principalmente para el análisis de información, es decir, consultas. Y por lo tanto, no es conveniente ponerlo a convivir en el mismo entorno productivo de nuestros sistemas transaccionales como nuestro ERP o punto de venta. Ya que pueden llegar a bajar el rendimiento de nuestro servidor, al realizar consultas a grandes volúmenes de datos o también correr el riesgo de no entregar la información de forma ágil. La naturaleza del Data Warehouse debe de ser multipropósito. Sus datos deben de estar en un formato que soporte cualquiera y todas las formas posibles de análisis de Business Intelligence en cualquiera y todas sus tecnologías. Diferencias con una base de datos convencional. Las bases de datos tradicionales utilizadas por sistemas transaccionales en relación a un Data Warehouse, son polos opuestos en cuanto a sus requerimientos de operación y diseño. Por un lado, los sistemas transaccionales están diseñados para ejecutar transacciones del tipo altas, bajas, cambios y consultas de datos. Como por ejemplo, un cargo, un abono, una devolución de inventario, el registro de un nuevo cliente, etcétera. Por otro lado, un Data Warehouse está organizado en base a conceptos, tales como clientes, productos, ventas, tiempo, etcétera. Existen también diferencias en el diseño. Mientras que las bases de datos transaccionales son extremadamente normalizadas, un Data Warehouse tiende a no estar normalizado, organizando los datos en bodegas conceptuales conocidos como Data Marts y su modelo en estrella. Como opinión personal, considero que el desarrollo de un Data Warehouse en el proceso de implementación de una solución de inteligencia de negocios es igual o incluso más importante que la tecnología seleccionada para su explotación. Ya que sin un buen modelo, podemos enfrentarnos a problemas como por ejemplo, tiempos prolongados de respuesta, información inconsistente, problemas para mostrar información, entre otras cosas. Por lo tanto, aunque tengas la tecnología más cara o lo último en tendencias, si no concibes el propósito del Data Warehouse y su correcto diseño, es casi una garantía que tu proyecto de Business Intelligence no tendrá éxito.
