Business Intelligence

1. ¿Qué es Business Intelligence?

Business Intelligence (BI) es el conjunto de estrategias, procesos, tecnologías y herramientas que permite a las organizaciones recolectar, integrar, analizar y presentar información de negocio con el objetivo de apoyar la toma de decisiones basada en datos.

A diferencia del procesamiento transaccional (OLTP), que registra operaciones del día a día, el BI se enfoca en el análisis histórico y la generación de conocimiento estratégico a partir de grandes volúmenes de datos.

1.1 Definición formal

1.2 BI vs. conceptos relacionados

Concepto	Descripción
BI (Business Intelligence)	Análisis descriptivo e histórico orientado a decisiones de negocio
BA (Business Analytics)	Incluye BI + análisis predictivo y prescriptivo
Big Data	Gestión de volúmenes masivos, variedad y velocidad de datos
Data Science	Ciencia aplicada: modelos estadísticos, ML, exploración avanzada
Data Engineering	Infraestructura: pipelines, ETL, almacenamiento, calidad de datos

1.3 Beneficios clave del BI

• Visibilidad total sobre el negocio a través de indicadores centralizados

• Reducción de errores por eliminar reportes manuales en hojas de cálculo dispersas

• Mayor agilidad para detectar tendencias, problemas u oportunidades en tiempo real

• Democratización del dato: los usuarios de negocio acceden a información sin depender de IT

• Mejora de la colaboración interdepartamental mediante métricas compartidas

2. Arquitectura de Business Intelligence

Una solución de BI típica se organiza en capas bien diferenciadas. Cada capa tiene responsabilidades específicas y se comunica con las adyacentes a través de interfaces y formatos estandarizados.

Figura 1 – Capas de la arquitectura BI

2.1 Fuentes de datos

Las fuentes de datos son el punto de origen de toda la información que alimenta la solución BI. Pueden ser:

• ERP y CRM corporativos (SAP, Oracle, Salesforce)

• Bases de datos relacionales (SQL Server, Oracle, PostgreSQL, Teradata)

• Archivos planos (CSV, Excel, JSON, XML)

• APIs de sistemas externos y redes sociales

• Sistemas heredados (legacy) y mainframes

2.2 ETL / ELT

El proceso ETL (Extract, Transform, Load) o su variante ELT (Extract, Load, Transform) es el corazón operativo del BI. Su misión es mover y preparar los datos desde las fuentes hasta el almacén de datos.

Etapa	Descripción
Extracción (E)	Leer datos de las fuentes originales en modo batch o streaming
Transformación (T)	Limpiar, estandarizar, enriquecer, calcular campos derivados
Carga (L)	Insertar los datos transformados en el Data Warehouse
Delta / incremental	Procesar solo los registros nuevos o modificados desde la última ejecución

2.3 Data Warehouse

El Data Warehouse (DW) es un repositorio centralizado diseñado específicamente para el análisis. Sus características principales son:

• Orientado al sujeto: organizado por áreas de negocio (ventas, finanzas, logística)

• Integrado: consolida datos de múltiples fuentes bajo un esquema unificado

• No volátil: los datos históricos no se modifican; solo se agregan nuevos registros

• Variable en el tiempo: conserva el historial para análisis de tendencias

2.4 Data Mart

Un Data Mart es un subconjunto del Data Warehouse orientado a un área de negocio específica (ej: Ventas, Marketing, Finanzas). Permite mejores tiempos de respuesta y mayor autonomía para cada departamento.

2.5 Capa de presentación

Es la interfaz visible para los usuarios de negocio. Incluye herramientas de reporting, dashboards, consultas ad-hoc y distribución de reportes. Las plataformas más comunes son Power BI, Tableau, Qlik, Looker y MicroStrategy.

3. Modelado Dimensional

El modelado dimensional es la técnica estándar para estructurar los datos en un Data Warehouse. Fue popularizada por Ralph Kimball y se basa en dos tipos de tablas: hechos y dimensiones.

3.1 Tablas de Hechos

Las métricas almacenadas en las tablas de hechos se clasifican en:

• Aditivas: pueden sumarse en cualquier dimensión (monto_venta, cantidad)

• Semi-aditivas: sumables en algunas dimensiones (saldo_cuenta no se suma en tiempo)

• No aditivas: nunca se suman directamente (precio_unitario, ratio, porcentaje)

3.2 Tablas de Dimensiones

Dimensiones más habituales en modelos de negocio:

Dimensión	Atributos típicos
DIM_FECHA	Año, mes, día, trimestre, semana, nombre_mes, es_feriado
DIM_PRODUCTO	Nombre, categoría, subcategoría, marca, precio_lista
DIM_CLIENTE	Nombre, segmento, ciudad, región, país, canal
DIM_VENDEDOR	Nombre, zona, gerencia, región, jerarquía
DIM_CANAL	Tipo de venta: online, tienda física, mayorista, etc.

3.3 Modelo Estrella (Star Schema)

El Modelo Estrella es la forma más simple y eficiente del modelado dimensional. La tabla de hechos central se conecta directamente con cada dimensión, sin normalizar las dimensiones entre sí.

Figura 2 – Star Schema: FACT_VENTAS con cuatro dimensiones

3.4 Modelo Copo de Nieve (Snowflake Schema)

Variante del Modelo Estrella donde las dimensiones están normalizadas en subtablas. Reduce la redundancia de datos pero aumenta la complejidad de los JOINs y puede degradar el rendimiento analítico.

3.5 Slowly Changing Dimensions (SCD)

Las dimensiones cambian con el tiempo. Las SCD (Dimensiones de Cambio Lento) definen cómo manejar esas actualizaciones:

Tipo	Comportamiento
SCD Tipo 0	Sin cambios: el valor original nunca se modifica
SCD Tipo 1	Sobreescritura: se actualiza el valor sin guardar historial
SCD Tipo 2	Historial completo: se agrega una nueva fila con el nuevo valor y fecha de vigencia
SCD Tipo 3	Historial limitado: se agrega una columna ‘valor_anterior’

4. KPIs, Métricas y Medidas

Una de las funciones centrales del BI es convertir datos en indicadores accionables que permitan medir el desempeño de la organización respecto a sus objetivos.

4.1 Diferencia entre medida, métrica y KPI

Nivel	Ejemplo
Medida	Valor numérico básico. Ej: 1.250 unidades vendidas
Métrica	Medida con contexto o cálculo. Ej: ticket promedio = monto / transacciones
KPI	Métrica vinculada a un objetivo estratégico con umbral de éxito. Ej: ticket promedio > $5.000

4.2 KPIs comunes por área de negocio

Ventas y Comercial

• Revenue / Ingreso total

• Ticket promedio por transacción

• Tasa de conversión (leads → ventas)

• Crecimiento interanual (YoY Growth)

• Participación de mercado (Market Share)

Clientes

• Churn Rate (tasa de abandono)

• Customer Lifetime Value (CLV / LTV)

• Net Promoter Score (NPS)

• Costo de adquisición de cliente (CAC)

Operaciones / Logística

• On-Time Delivery (OTD): porcentaje de entregas a tiempo

• Fill Rate: porcentaje de pedidos entregados completos

• Rotación de inventario

Finanzas

• EBITDA y margen EBITDA

• Retorno sobre la inversión (ROI)

• Ciclo de conversión de efectivo (CCE)

5. OLAP: Análisis Multidimensional

5.1 OLTP vs OLAP

Característica	OLTP → OLAP
Propósito	Operativo (registrar transacciones) → Analítico (analizar patrones)
Operaciones	INSERT / UPDATE / DELETE frecuentes → SELECT masivos, agregaciones
Granularidad	Registro individual (una venta) → Resúmenes y agregaciones
Historial	Solo datos actuales → Datos históricos (años)
Usuarios	Operadores, sistemas → Analistas, gerentes, BI
Optimización	Normalización (3NF), índices OLTP → Desnormalización, índices OLAP

5.2 Operaciones OLAP

El análisis OLAP se realiza mediante operaciones que permiten navegar por los datos en múltiples dimensiones:

• Roll-up (Drill-up): Agregación hacia niveles superiores. Ej: de días → meses → años

• Drill-down: Desagregación hacia niveles de detalle. Ej: de país → provincia → ciudad

• Slice: Filtrar una dimensión a un valor específico. Ej: solo ventas de enero

• Dice: Filtrar múltiples dimensiones simultáneamente. Ej: enero + zona norte + producto A

• Pivot (Rotate): Rotar los ejes del análisis para visualizar los datos desde otra perspectiva

5.3 Tipos de OLAP

Tipo	Descripción
MOLAP (Multidimensional)	Datos pre-agregados en cubos multidimensionales. Máximo rendimiento. Ej: SSAS
ROLAP (Relacional)	Consultas sobre tablas relacionales, más flexible y escalable. Ej: Teradata
HOLAP (Híbrido)	Combina MOLAP para resúmenes y ROLAP para detalles

6. Herramientas de BI

El ecosistema de herramientas BI es amplio. Se puede clasificar según la función que cumple cada componente en la arquitectura.

6.1 Plataformas de reporting y visualización

Herramienta	Características clave
Microsoft Power BI	Líder del mercado. Integración nativa con ecosistema Microsoft. Modelo DAX.
Tableau	Potente en visualizaciones. Ampliamente adoptado en grandes corporaciones.
Qlik Sense	Motor asociativo propio. Explora relaciones no esperadas entre datos.
Looker / Google BI	Cloud-native. Modelo semántico LookML. Integrado con BigQuery.
MicroStrategy	Enterprise-grade, fuerte en seguridad y distribución masiva de reportes.
Apache Superset	Open source. Potente, flexible, requiere administración técnica.

6.2 Motores de Data Warehouse

Motor	Características
Teradata	MPP líder en empresas grandes. Excelente para SQL analítico complejo.
Snowflake	Cloud-native multi-cloud. Separación compute/storage. Muy popular hoy.
BigQuery	GCP. Serverless, pay-per-query, integrado con ML de Google.
Redshift	AWS. Columnar, muy maduro, integrado con el ecosistema Amazon.
Databricks	Lakehouse: combina Data Warehouse y Data Lake con Delta Lake + Spark.
SQL Server	On-premise y Azure. SSAS para OLAP, SSRS para reporting clásico.

6.3 Herramientas ETL / ELT

Herramienta	Descripción
IBM DataStage	ETL enterprise. Pipeline visual, paralelismo, conectores industriales.
Informatica	Líder en calidad de datos y gobierno. PowerCenter / IDMC.
Talend	Open source + versión enterprise. Generación de código Java.
dbt (Data Build Tool)	ELT moderno: transformaciones SQL versionadas en el DW. Muy popular en cloud.
Apache Airflow	Orquestación de pipelines. DAGs en Python. Estándar en Data Engineering.

7. El Ciclo de Vida del BI

Una solución de BI exitosa no es solo tecnología: es un proceso continuo que abarca desde la identificación de necesidades de negocio hasta la medición de impacto y la mejora iterativa.

Figura 3 – El ciclo continuo de Business Intelligence

Etapa	Descripción
1. Recolección de Datos	Identificar fuentes, definir alcance, establecer conexiones y frecuencias de actualización
2. ETL / Integración	Extraer, limpiar, transformar y cargar los datos en el DWH con calidad garantizada
3. Análisis	Ejecutar consultas OLAP, modelos estadísticos y cálculos de KPIs sobre el DWH
4. Visualización	Construir dashboards, reportes y alertas que comuniquen los insights de forma clara
5. Toma de Decisiones	Los usuarios de negocio interpretan la información y actúan; el ciclo vuelve a empezar

7.1 Gobierno de Datos en el ciclo BI

El gobierno de datos es el conjunto de políticas, roles y procesos que garantizan la calidad, seguridad y trazabilidad de los datos a lo largo de todo el ciclo. Sus pilares son:

• Calidad de datos: completitud, consistencia, precisión y actualidad

• Linaje de datos (data lineage): trazabilidad desde el origen hasta el reporte final

• Catálogo de datos: inventario centralizado de activos de datos con su metadata

• Control de accesos y seguridad: quién puede ver qué datos y bajo qué condiciones

• Gestión de cambios: versionado de modelos, pipelines y definiciones de KPIs

Glosario de Términos BI

Término	Definición
Ad-hoc Report	Reporte generado por el usuario de forma espontánea sin plantilla predefinida
Aggregation	Operación que resume datos (SUM, AVG, COUNT, MAX, MIN)
Cube	Estructura multidimensional que pre-agrega datos para consultas OLAP rápidas
Dashboard	Pantalla visual con KPIs y métricas clave actualizadas en tiempo (casi) real
Data Lake	Repositorio de datos en formato crudo (sin procesar) para análisis flexible
Data Lineage	Trazabilidad del origen, movimiento y transformación de los datos
Data Mart	Subconjunto del DWH orientado a un área o función de negocio específica
Data Warehouse	Repositorio centralizado, histórico y estructurado para análisis empresarial
Dimension	Perspectiva de análisis del modelo dimensional (tiempo, producto, cliente)
Drill-down	Navegar hacia mayor nivel de detalle en un reporte o cubo OLAP
ETL	Extract, Transform, Load: proceso de integración de datos en el DWH
Fact Table	Tabla central del modelo dimensional con medidas cuantitativas del negocio
Grain	Nivel de granularidad: qué representa exactamente cada fila en la tabla de hechos
KPI	Key Performance Indicator: métrica vinculada a un objetivo estratégico
Lakehouse	Arquitectura moderna que combina Data Lake y Data Warehouse (ej: Databricks)
OLAP	Online Analytical Processing: análisis multidimensional e interactivo
OLTP	Online Transaction Processing: procesamiento operativo de transacciones
Roll-up	Navegar hacia mayor nivel de agregación (drill-up)
SCD	Slowly Changing Dimension: técnica para gestionar cambios en atributos dimensionales
Self-service BI	Capacidad de los usuarios de negocio de generar sus propios reportes sin IT
Slice & Dice	Operaciones OLAP para filtrar y rotar la vista de los datos
Star Schema	Modelo dimensional con tabla de hechos central y dimensiones desnormalizadas
Surrogate Key	Clave artificial generada por el DWH para identificar filas dimensionales

Bibliografía recomendada

Obras de referencia para profundizar en los temas tratados en este manual. Se indica entre paréntesis el capítulo con el que cada una se relaciona más directamente.

Kimball, R. y Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3.ª ed.). Wiley. Referencia estándar de modelado dimensional: hechos, dimensiones, Star Schema y SCD (caps. 3 y 7).

Inmon, W. H. (2005). Building the Data Warehouse (4.ª ed.). Wiley. Obra que definió el Data Warehouse y sus cuatro propiedades; base del gobierno de datos (caps. 2 y 7).

Sharda, R., Delen, D. y Turban, E. (2014). Business Intelligence and Analytics: Systems for Decision Support (10.ª ed.). Pearson. Panorama general del BI, KPIs y el ecosistema de herramientas (caps. 1, 4 y 6).

Adamson, C. (2010). Star Schema: The Complete Reference. McGraw-Hill. Tratamiento en profundidad del Modelo Estrella y sus variantes (cap. 3).

Golfarelli, M. y Rizzi, S. (2009). Data Warehouse Design: Modern Principles and Methodologies. McGraw-Hill. Arquitectura en capas y metodología de diseño de un DW (caps. 2 y 7).

Codd, E. F., Codd, S. B. y Salley, C. T. (1993). Providing OLAP to User-Analysts: An IT Mandate. E. F. Codd & Associates. Documento que acuñó el término OLAP y sus reglas fundacionales (cap. 5).

Larson, B. (2012). Delivering Business Intelligence with Microsoft SQL Server 2012 (3.ª ed.). McGraw-Hill. Implementación práctica de OLAP y reporting (MOLAP/HOLAP, SSAS) (cap. 5).

Few, S. (2013). Information Dashboard Design: Displaying Data for At-a-Glance Monitoring (2.ª ed.). Analytics Press. Buenas prácticas de diseño visual de dashboards (cap. 4).