DISEÑO DE UN MODELO DE DATA MART (DM): CASO INDUSTRIA TEXTIL

DISEÑO DE UN MODELO DE DATA

MART (DM): CASO INDUSTRIA TEXTIL

JESÚS DAVID MÚNERA ALVAREZ

LINA MARCELA PATIÑO OLARTE

ASESOR

FERNÁN ALONSO VILLA GARZÓN

UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLIN

FACULTAD DE INGENIERÍAS

ESPECIALIZACION EN GESTION DE INFORMACION Y BASES DE DATOS

MEDELLIN

2015

TABLA DE CONTENIDO

LISTADO DE TABLAS ............................................................................................................ 4

LISTADO DE FIGURAS ........................................................................................................... 5

LISTA DE ANEXOS ................................................................................................................. 6

Información de la propuesta ....................................................................................................... 7

Resumen ..................................................................................................................................... 8

INTRODUCCIÓN ...................................................................................................................... 9

1. Planteamiento de problema .............................................................................................. 11

1.1. Hipótesis .................................................................................................................... 12

2. Justificación ...................................................................................................................... 13

3. Marco teórico y conceptual .............................................................................................. 14

3.1. Conceptual ................................................................................................................. 14

3.2. Teórico ....................................................................................................................... 15

3.2.1. Historia Data Warehouse .................................................................................... 15

3.2.2. Objetivos de un Data WareHouse ...................................................................... 18

3.2.3. Arquitectura de un Data WareHouse .................................................................. 18

3.2.4. Características de los datos de un Data WareHouse ........................................... 19

3.2.7. Modos de almacenamiento (MOLAP, ROLAP, HOLAP) ................................. 25

3.2.8. Algunas metodologías de Data Warehouse ........................................................ 27

3.3. Marco institucional .................................................................................................... 39

4. OBJETIVOS ..................................................................................................................... 41

4.1. General ....................................................................................................................... 41

4.2. Específicos ................................................................................................................. 41

4.3. Alcance ................................................................................................................... 41

5. METODOLOGÍA ............................................................................................................. 42

6. RESULTADOS ................................................................................................................ 45

6.1. Análisis de requerimientos ......................................................................................... 45

6.1.1. Preguntas del negocio ......................................................................................... 48

6.2. Modelado dimensional ............................................................................................... 49

6.2.1. Diagrama entidad-relación ................................................................................. 49

6.2.2. Diccionario de datos ........................................................................................... 53

6.2.3. Tablas de Dimensiones y de Hechos para el Data Mart ..................................... 80

6.2.4. Diseño del Data Mart .......................................................................................... 81

6.3. Diseños de ETL.......................................................................................................... 87

7. CONCLUSIONES .......................................................................................................... 102

8. RECOMENDACIONES ................................................................................................ 103

ANEXOS ................................................................................................................................ 104

REFERENCIAS ..................................................................................................................... 105

LISTADO DE TABLAS

Tabla 1.Comparativo metodologías de Data Warehouse ........................................................ 38 Tabla 2. Actividades para el desarrollo de la metodología de la Investigación ...................... 42 Tabla 3. Relación de actividades y técnicas de investigación ................................................. 43

Tabla 4. Diccionario de datos Base de datos Producción ........................................................ 53 Tabla 5. Diccionario de datos Base de datos Corte ................................................................. 60 Tabla 6. Diccionario de datos Base de datos Lavandería ........................................................ 63 Tabla 7. Diccionario de datos Base de datos Producción terminada ....................................... 66 Tabla 8. Diccionario de datos Base de datos Ventas ............................................................... 69

Tabla 9. Diccionario de datos Base de datos Pos .................................................................... 74 Tabla 10. Relación preguntas con las tablas de las bases de datos transaccionales utilizadas en

la empresa textil ........................................................................................................................ 80

Tabla 11. Diccionario de datos del Data Mart ......................................................................... 82

LISTADO DE FIGURAS

Figura 1. Arquitectura de la Inteligencia de negocios ............................................................. 17 Figura 2. Arquitectura de un Data Warehouse[17] ................................................................. 19 Figura 3. Arquitectura de un esquema de DM ........................................................................ 22 Figura 4. Modelo de desarrollo Bottom-Up[19]...................................................................... 24 Figura 5. Modelo de desarrollo Top-Down [19] ..................................................................... 24

Figura 6. Tipo de almacenamiento ROLAP[18] ..................................................................... 26 Figura 7. Tipo de almacenamiento ROLAP[18] ..................................................................... 27 Figura 8. Tareas de la metodología de Kimball, denominada Business. Dimensional Lifecycle

.................................................................................................................................................. 29 Figura 9. Diagrama de flujo del proceso dimensional de Kimball .......................................... 31

Figura 10. Ejemplo de Modelo final de alto nivel de la sesión inicial dediseño ..................... 33 Figura 11. Metodología HEFESTO, pasos .............................................................................. 36

Figura 12. Mapa de procesos de una empresa del sector textil ............................................... 40 Figura 13. Etapas de la metodología Kimball según necesidad del negocio ........................... 42

Figura 14. Flujograma del proceso de ventas en una empresa textil ....................................... 47 Figura 15. Modelo entidad relación base de datos Producción ............................................... 49

Figura 16. Modelo entidad relación base de datos Corte ........................................................ 50 Figura 17. Modelo entidad relación base de datos Lavandería ............................................... 50 Figura 18. Modelo entidad relación base de datos Producción Terminada ............................. 51

Figura 19. Modelo entidad relación base de datos Ventas ...................................................... 51 Figura 20. Modelo entidad relación base de datos Pos ........................................................... 52

Figura 21. Diseño de Data Mart de Ventas ............................................................................. 81 Figura 22. ETL Dimensión Almacenes ................................................................................... 87

Figura 23. ETL Dimensión Clientes ........................................................................................ 88 Figura 24. ETL Dimensión Color ............................................................................................ 89

Figura 25. ETL Dimensión Contratos ..................................................................................... 90 Figura 26. ETL Dimensión Cotizaciones ................................................................................ 91 Figura 27. ETL Dimensión Estilos .......................................................................................... 92

Figura 28. ETL Dimensión InsProd ........................................................................................ 93

Figura 29. ETL Dimensión Pedidos ........................................................................................ 94 Figura 30. ETL Dimensión Productos ..................................................................................... 95 Figura 31. ETL Dimensión Tallas ........................................................................................... 96 Figura 32. ETL Dimensión Telas ............................................................................................ 97 Figura 33. ETL Dimensión Temporadas ................................................................................. 98

Figura 34. ETL Dimensión Tiempo ....................................................................................... 99

Figura 35. ETL Dimensión UbicacionesBodega ................................................................... 100

Figura 36. ETL Dimensión Facturación ................................................................................ 101

LISTA DE ANEXOS

Anexo 1. Cuadro de verificación del modelado del negocio ................................................. 104

INFORMACIÓN DE LA PROPUESTA

Título de la Propuesta:

Diseño de un modelo de Data Mart: caso industria textil

Investigador Principal: David Múnera

Alvarez

Coinvestigador(es): Lina Marcela Patiño

Olarte

Cédula: 1128474448 Cédula: 1017157080

Celular: 3147110174 Celular: 3008532374

Facultad: Ingeniería

Área de Conocimiento de la Facultad: Ingeniería del Software y

Telecomunicaciones

Lugar de Ejecución del Proyecto:

Ciudad: Medellín

Departamento: Antioquia

Fecha de Inicio: 13/01/2015

Fecha de Finalización: 13/06/2015

Tipo de Proyecto: Aplicación

Fecha de Entrega del Proyecto: 30/06/2015

RESUMEN

Debido al gran volumen de datos (aproximadamente 1,5 Terabytes por año) generados por los

sistemas de información transaccionales de las empresas, se han generado grandes problemas

en la administración de éstos, pues su almacenamiento y organización generan a las

compañías grandes inversiones que permitan soportar esta gran cantidad de datos; además, la

entrega oportuna y óptima de grandes volúmenes de información que ayuden a la gestión de

decisiones se ha convertido en una tarea que no se puede llevar a cabo por los sistemas

transaccionales tradicionales de la compañía. Objetivo: Diseñar un modelo de Data Mart para

la centralización de la información del proceso de ventas en una empresa textil. Metodología:

El trabajo se abordará bajo la metodología estudio de caso. Resultados esperados: Desarrollo

del marco conceptual sobre Inteligencia de negocios, listado de preguntas del negocio y

diseño del modelo de Data Mart.

Descriptores / Palabras Claves: Inteligencia de Negocios, Bodega de datos, Data Mart,

Datos, Información

INTRODUCCIÓN

Con la informatización de la sociedad en el uso masivo de nuevas TIC´s dentro de las

empresas ha crecido a nivel mundial la capacidad de generación y almacenamiento de datos e

información, este crecimiento desbordado dificulta su análisis por los métodos tradicionales

existentes; de tal manera que mientras mayor sea la capacidad para almacenar un alto

volumen de datos mayor será la dificultad para extraer información realmente útil de éstos en

las empresas.

Es por ello que las organizaciones deben ser conscientes de la importancia de los datos y la

información que generan en vista que provienen tanto de fuentes internas como externas,

ocasionando dificultades en la fiabilidad de los mismos en tanto no hayan estándares [1],

políticas y/o procesos establecidos correctamente logrando una toma de decisiones sesgada.

Como respuesta a lo anterior, las empresas intentan enfocarse en la compra e implementación

de grandes plataformas tecnológicas con potentes software, acompañado de algunos

componentes de seguridad para blindar de manera integral todo el entorno tecnológico, lo cual

es claramente necesario y válido, pero no suficiente [2]. Es necesario que la organización para

poder ser competitiva en el mercado realice una adecuada y oportuna gestión de la

información interna y externa de forma eficiente, tanto en su adquisición, gobierno,

organización y disposición, a través de una infraestructura tecnológica flexible y adecuada

que sirva de soporte para los procesos.

Una de las estrategias para superar a la competencia es transformando los datos de negocio en

business intelligence por medio de almacenes de datos, comúnmente conocidos como Data

Warehouse (DW), siendo esta una herramienta que permite integrar y combinar diferentes

tipos de datos que usualmente son utilizados en diferentes áreas y procesos de la organización,

obteniendo una vista consolidada y detallada de todo el negocio, permitiendo analizar la

información útil para cada necesidad; en contraste, el Data Mart (DM) es una herramienta

diseñada con la misma finalidad que el DW, pero aplicada a un área específica de la empresa,

siendo el DM un subconjunto del DW, ambos facilitan la toma de decisiones.

Aunque el concepto de DW es un poco reciente, aún no existe una propuesta metodológica

universalmente válida y aceptada como tal, por la comunidad académica. Sin embargo,

existen diversas propuestas y la más adecuada será aquella que, tras realizar un proceso

sistemático y ordenado, se establezcan las necesidades de información y demás

requerimientos que pueda tener una organización.

Es por ello que en la presente investigación, se diseñará un modelo de DM adoptando la

metodología más apropiada para una empresa textil, la cual por confidencialidad se mantendrá

el anonimato de su nombre.

1. PLANTEAMIENTO DE PROBLEMA

Tener una correcta administración de la información es imprescindible a la hora de hablar de

planeación estratégica, pues almacenar, analizar y acceder a la información de forma oportuna

es vital para tomar decisiones correctas. Sin embargo, debido a los avances en tecnología, el

acceso a la información se está convirtiendo en un problema para las compañías, pues para

obtenerla se requiere procesar de forma óptima y en poco tiempo grandes volúmenes de

datos,[3] tarea para la cual no están preparados los sistemas de información transaccionales.

Los gestores de las decisiones, permanentemente requieren que le sea suministrada

información de forma oportuna con el fin de implementar estrategias que mejoren la

productividad de la empresa y convertirla en una organización competitiva. Sin embargo los

datos requeridos se generan desde diferentes sistemas transaccionales con bases de datos

descentralizadas limitando la capacidad de entregar grandes volúmenes de información en

poco tiempo sin afectar el desarrollo de los procesos productivos; debido a esto el

procesamiento de los datos para la generación de los informes se realiza en horarios extra

laborales, esto conlleva a que el gerente visualice información con una semana de retraso

impidiendo realizar de forma oportuna la gestión de decisiones [4].

Frente a la situación anterior y de acuerdo a Pavas y Jaramillo y Valderrama el diseño de un

DM facilita el procesamiento, análisis, obtención y consolidación de la información; de esta

manera se tiene un sistema ideal que permita consultar la información de forma rápida y

oportuna sin sobrecargar los sistemas transaccionales ni causar retrasos a la productividad de

la compañía, esto se debe a que en un DM se centraliza la información de diferentes fuentes

permitiendo que al realizar consultas de la misma, solo se tenga que utilizar una única fuente

de información que es diferente a la usada por los sistemas transaccionales, así se tiene una

base de datos dedicada solo a la consulta de información[3], [5].

Para efectos del proyecto, se planteará un diseño de DM que contendrá las preguntas del

negocio, diseño de ETL y DM.

Con lo anterior, se plantean las siguientes preguntas de investigación:

¿Qué tipo de beneficios puede generar el diseño de una bodega de datos en el área de ventas

de prendas de la empresa textil?

¿Cuáles son los componentes a tener en cuenta en el diseño del DM que se va a proponer

para la empresa textil?

En el proyecto de investigación se dará respuesta a la última pregunta.

1.1. Hipótesis

Un modelo de DM permitirá identificar los elementos que ayuden a mejorar y centralizar los

datos para el análisis de la información de los procesos

2. JUSTIFICACIÓN

Diariamente las empresas generan gran cantidad de información la cual es almacenada en

bases de datos destinadas a los sistemas de información transaccionales. Dicha información

contiene datos que podrán mostrar estadísticas que serán útiles para ayudar a tomar decisiones

en la compañía.

Para generar dicha información se requiere procesar grandes volúmenes de datos lo que lleva

a los sistemas una sobrecarga transaccional impactando en las bases de datos y retrasando las

respuestas a los sistemas de información. Como solución a este problema ha surgido la

inteligencia de negocios (BI), una de sus herramientas son las bodegas de datos las cuales

están diseñadas para almacenar y procesar datos en volumen sin afectar la dinámica de los

sistemas transaccionales que ayudan al proceso[5].

Desde el área de ventas de prendas de la empresa textil en la actualidad se generan informes

que tienen como fuente diferentes bases de datos que no están relacionadas y cada una cuenta

con una estructura en particular. Consumir información de tantas bases de datos sobrecarga

los sistemas transaccionales y ralentiza los procesos productivos de la compañía.

Para aminorar esta situación, se propone diseñar un modelo de DM para el proceso de ventas

de la empresa textil, como una arquitectura que sirva de base a las aplicaciones de soporte a la

toma de decisiones, permitiendo extraer datos de diversas bases de datos operativas y fuentes

externas, para limpiar, transformar e integrar dichos datos, los cuales se cargan dentro del DM

y se refrescan periódicamente, facilitando la consulta de los mismos. Es por ello que

centralizando la información en una bodega de datos, facilitará el procesamiento de la misma

siendo más dinámica, óptima, y útil para el análisis de la información clave de la empresa[6].

Esta investigación brindará una propuesta de diseño de un DM que puede ser útil a aquellas

empresas cuya misión es la producción y venta de textil y que partiendo de datos

almacenados, será posible extraer información relevante para el negocio procurando la ágil

toma de decisiones.

3. MARCO TEÓRICO Y CONCEPTUAL

En este capítulo se recopila la literatura que hace referencia al manejo de los datos, a los

motores de bases de datos y a la Inteligencia de negocios.

3.1. Conceptual

Los datos son la mínima unidad semántica, se corresponden con elementos primarios de

información que por sí solos son irrelevantes como apoyo a la toma de decisiones, también

son un conjunto de hechos objetivos y discretos acerca de ciertos acontecimientos. Los datos

pueden provenir de fuentes externas o internas a la organización, pueden ser de carácter

objetivo o subjetivo y de tipo cualitativo o cuantitativo [7]. Para que los datos puedan generar

algún tipo de información, éstos deben integrarse, es decir, unirse dentro de un sistema de

información piezas de datos relacionadas [7]. La información se puede definir como un

conjunto de datos procesados y que tienen significado, relevancia, propósito y contexto, por lo

tanto son de utilidad para la toma de decisiones [7]. Para Beazley la información es una

interpretación de los datos basada en un cambio de condiciones y en el paso del tiempo y está

constituida por los datos y algunos hechos organizados, siendo necesario que sean puestos en

un contexto para tener valor o relevancia[9]. Por tanto la integración de datos es el proceso

cuya base es el conocimiento de los conceptos de negocio que maneja una organización. Este

proceso es incremental, quiere decir que se va construyendo paso a paso en la organización; y

además es evolutivo, esto es que a través del tiempo los conceptos de negocio van

aumentando [8, 9].

Asimismo se debe evitar que los datos presenten redundancia, ésta se refiere a que el mismo

hecho acerca del ambiente de negocios se está almacenando más de una vez dentro de un

sistema de bases de datos[7].

La información puede ser explotada de tal manera que una organización pueda tomar

decisiones oportunas; eso se hace mediante inteligencia de negocios (BI) el cual es un proceso

para descubrir, modelar, procesar y cargar datos en una bodega de datos, sobre la cual se

implante un sistema que le permita a los individuos, equipos, áreas, etc. de una organización

contar con información completa y oportuna para que entiendan, analicen, colaboren y actúen

antes de tomar decisiones [9]. Una bodega de datos es un repositorio alimentado mediante un

proceso de ETL por fuentes de información seleccionadas al interior de una organización.

Muchas bodegas de datos se utilizan para hacer BI, otras simplemente como mecanismo de

almacenamiento[9]. Una de estas bodegas es llamada Data Mart, ésta es un subconjunto de la

capa de acceso a una bodega de datos que está dirigido a un grupo de usuarios particular y

ofrece consultas específicas y resumidas de gran utilidad[9].

Por último la información que genera estas bodegas de datos pueden ser explotadas para así

generar conocimiento, esto se hace a través del Data Mining la cual es la integración de un

conjunto de áreas que tienen como propósito la identificación de un conocimiento obtenido a

partir de las bases de datos que aporten un sesgo hacia la toma de decisión" [10].

3.2. Teórico

3.2.1. Historia Data Warehouse

En la década de los 80’s los primeros sistemas de información se desarrollaban mediante

modelos relacionales cuyas bases de datos eran orientadas al procesamiento de información

transaccional (Sistema OLTP). Este tipo de sistemas están orientados a generar información a

través de transacciones, pero al momento de responder a las solicitudes de información hechas

por el usuario, el sistema se vuelve lento y provoca bloqueos en las máquinas ya que el

volumen de información a procesar va en aumento[11].

En los años 90´, el mercado incursionó en las bodegas de datos o comúnmente conocida como

Data Warehouse (términos que se utilizarán de manera indistinta a lo largo del documento),

como una solución innovadora al problema del manejo de los datos. Para Inmon, considerado

el padre del DW, la bodega de datos es una colección de bases de datos integradas por temas y

diseñadas para soportar la toma de decisiones[12]. Asimismo Kimball considera que la

bodega de datos es “una copia de datos transaccionales especialmente estructurados para

consultas y análisis”. Aunque no existe una definición internacional, la ISO tomó la siguiente:

“Conjunto de procesos implementado sobre una base de datos en la que está integrada y

estandarizada la información de la operación de la empresa con el fin de hacer realidad el

sueño de tomar decisiones basadas en datos y hechos, en forma oportuna y confiable”[13].

Por otro lado Araníbar en 2003 define el DW como una “Colección centralizada de

información corporativa, histórica y transformada, proveniente de sistemas transaccionales

heterogéneos y externos, para atender requerimientos que apoyen tecnológicamente el

proceso de toma de decisiones gerenciales”[5]. En un contexto más amplio es un proceso

estructurado de métodos, técnicas y consideraciones organizacionales que permiten integrar y

manejar datos de varias fuentes con el propósito de obtener una vista consolidada y detallada

de todo el negocio o parte de él [14].

Para generar ventaja competitiva las empresas actuales necesitan depositar toda su confianza

en la toma de decisiones, soportada en datos fiables y oportunos; es por ello que se arriesgan a

adoptar nuevas estrategias basadas en el aprovechamiento de la información que a diario es

almacenada en sus bases de datos operativas. Para ello, optan por implementar DW como una

solución de Inteligencia de Negocios (BI)1

permitiendo utilizar y almacenar los datos

operativos de la empresa provenientes de diversas fuentes de datos, a un repositorio de

datosfacilitando la extracción y consulta de los mismos sin importar el amplio volumen de

información que pueda existir, produciéndose así información relevante para la toma de

decisiones estratégicas en cuanto a posibles clientes potenciales, productos, ventas, costos y otros

factores determinantes del negocio (Figura 1).

1Inteligencia de negocios: combinación de tecnologías, herramientas y procesos que me permiten transformar

mis datos almacenados en información, esta información en conocimiento y este conocimiento dirigido a un plan

o una estrategia

comercial[29].http://www.oracle.com/ocom/groups/public/@otn/documents/webcontent/317529_esa.pdf

Figura 1. Arquitectura de la Inteligencia de negocios

Fuente:http://www.oracle.com/ocom/groups/public/@otn/documents/webcontent/317529_esa.pdf

Podría afirmarse entonces que las bodegas de datos hacen posible la implantación efectiva de

los sistemas acerca del negocio, siendo bases de datos con funcionalidades específicas para el

apoyo efectivo de los sistemas de información en los niveles estratégicos y de planeación de

la empresa, que se alimenta a partir de la información almacenada en los sistemas de

información operativos[14].

Aunque el fin del DW es integrar los datos relevantes de la empresa en un solo repositorio,

dichos datos provienen de todos los procesos de la empresa (ventas, producción, marketing,

financiero, etc) involucrando toda la información generada en ellos, lo cual implica además

costos en implementación y tiempo. Frente a ello existe una alternativa más factible de

implementar y que tiene el mismo fin del DW pero limitado a sectores o áreas clave de la

empresa, éstos son los Data Marts, siendo un subconjunto de una bodega de datos con el

propósito de ayudar a que un área específica dentro del negocio pueda tomar mejores

decisiones; éste puede ser alimentado desde los datos de un DW o integrar por sí mismo un

compendio de distintas fuentes de información, pues puede llegar a ser más complejo y

contener mayor volumen de datos que toda una bodega, dependiendo del negocio y los

requerimientos de cada caso [15].

3.2.2. Objetivos de un Data WareHouse

Tradicionalmente, tiene tres objetivos principales, primero permitir almacenar datos de

diferentes fuentes, plataformas y aplicaciones que están aisladas y descentralizadas; segundo,

presentar grandes volúmenes de información en reportes para la toma de decisiones sin afectar

la operatividad de la compañía; y tercero, almacenar información histórica para aligerar el

procesamiento de información a la base de datos transaccional

3.2.3. Arquitectura de un Data WareHouse

La arquitectura de un Data Warehouse es una forma de representar la estructura global de los

datos, la comunicación, los procesos y la presentación del usuario final. Su estructura básica

incluye: datos operacionales, extracción, transformación y carga de los datos, almacén y

herramienta de acceso al depósito. Esta estructura puede verse a partir de dos variantes

arquitectónicas planteadas por Ralph Kimball y Bill Inmon. Kimball propone una arquitectura

ascendente (bottom-up), partiendo de la idea de que un Data Warehouse es la unión de todos

los Data Marts de una entidad. Bill Inmon plantea una arquitectura descendente (top-down),

partiendo de la premisa de que los Data Marts se deben crear después de haber terminado el

Data Warehouse completo de la organización [16] (Figura 2).

Figura 2. Arquitectura de un Data Warehouse[17]

3.2.4. Características de los datos de un Data WareHouse

a) Los datos están Orientados a Sujetos

Un DW está organizado en torno a sujetos que en realidad son las principales entidades de

interés en el ambiente de negocios. Así, los sujetos podrían incluir ventas, clientes, pedidos,

reclamaciones, cuentas, empleados y otras entidades de importancia para el negocio de una

compañía en particular [7].

b) Los datos están integrados

Todos los datos acerca de un sujeto deben estar organizados o integrados de tal forma que

proporcionen una imagen global unificada de todos los detalles importantes del sujeto a lo

USUARIOS

Consultas Análisis Informes Data Mining

Servidor OLAP

Data

Warehouse

Herramientas para seleccionar,

transformar, limpiar, integrar y refrescar

DBMS

Relacional

DBMS

Jerárquico

Archivos

planos

Repositorio

Meta Datos

Met

a D

ato

s S

emán

tico

s M

eta

Dat

os

Téc

nic

os

Co

mp

onen

tes

de

Cre

ació

n

y

Ges

tión d

el D

ata

War

eho

use

largo del tiempo. Además, mientras están siendo integrados, los datos tal vez, tengan que ser

“transformados” [7].

c) Los datos son no volátiles

Todos los datos que transaccionales generados en el desarrollo de los procesos son datos que

están sujetos a cambios constantes, es decir volátiles. Una vez que estos se agregan al DW

pierden su carácter volátil[7].

d) Los datos varían con el tiempo

Los datos contenidos en un DW siempre serán datos históricos que reflejarán cambios en el

tiempo, por tanto se requiere de fechas lo más detalladas posible, para identificarlos [7].

e) Los datos deben ser de alta calidad

Los datos de DW deben ser datos que reflejen veracidad, es por esto que al momento de

ingresar la información al DW se debe garantizar una integridad y fiabilidad e la información

que éste va a contener [7].

f) Los datos pueden estar agregados

Debido a la naturaleza de un DW, es más óptimo cargar algunos datos agrupados de acuerdo a

un criterio, pues para tomar decisiones no es necesario conocer al detalle los registros de las

operaciones [7].

g) Los datos a menudo están desnormalizados

Como se expresó anteriormente los datos de un DW no son volátiles, por tanto tenerlos

desnormalizados no representa un peligro para la integridad, por el contrario como estos datos

son de consulta de solo lectura, conviene tenerlos desnormalizados ya que es más óptimo su

procesamiento [7].

h) Los datos no son necesariamente actuales de manera absoluta

Cuando un gerente realiza un análisis de información histórica le es irrelevante tener datos de

los últimos días, es por esto que los datos que se cargan en el DW son datos que tienen cierto

retraso respecto a la información transaccional [7].

3.2.5. Generalidades del Data Mart

Se ha considerado que el DM es un sinónimo del DW, si bien esto puede ser cierto, el enfoque

del DM se hace sobre un área específica del negocio, siendo más acotadas las consultas por el

volumen de datos y alcance del mismo. Una de sus ventajas para empresas pequeñas y

medianas es el bajo costo que el DM al momento de su desarrollo, así como el tiempo de

implementación, el ahorro en el espacio de almacenamiento, los tiempos de consulta,

permitiendo ser una herramienta eficaz para el análisis de datos.

Usualmente las empresas manejan bases de datos transaccionales, y aunque se puede trabajar

en ellas, no es recomendable por la limitación que se generaría en el rendimiento del sistema.

Es por ello que las bases de datos de BI (DW y DM) fueron diseñadas para realizar consultas,

recopilar datos de diferentes fuentes y consolidarlas en un mismo repositorio, todo esto a

través de herramientas de Extracción, Transformación y Carga (ETL por sus siglas en inglés).

Las razones por las cuales se debe desarrollar un DW o un DM dependen de la naturaleza de

la empresa, tamaño y sus necesidades.

Reinhardt definió el DM como un subconjunto de los datos del DW cuyo propósito es el de

responder a un determinado análisis, función o necesidad y con una población de usuarios

específica. Al igual que en un DW, los datos están estructurados en modelos de estrella o copo

de nieve y un DM puede ser dependiente o independiente de un DM[18].

Los DM poseen los mismos lineamientos de diseño e implementación que tiene el DW:

Recolección y análisis de requerimientos

Creación del modelo de datos y su diseño físico

Definición de los orígenes de datos

Selección de la tecnología de BD y hardware a utilizar

Extracción, Transformación y Carga de los datos al DM

Selección de las formas de acceso, herramientas de análisis, reporte y presentación

Desarrollo de los reportes y aplicaciones necesarias

Actualización del DM

Figura 3.Arquitectura de un esquema de DM

Fuente:(IBM, 2003)

3.2.6. Componentes del Data Mart

3.2.6.1. Fuentes de datos

Contempla la captura de los datos que se requiere para alimentar el DM. Usualmente

corresponde a los datos transaccionales de la empresa, provenientes de la operación diaria de

la misma, éstos son conocidos como base de datos OLTP. Existen otros tipos de fuente como

archivos de texto, hojas de cálculo, bases de datos de aplicaciones especializadas (ERP, CRM,

SCM, etc). Asimismo las fuentes de datos pueden ser estructurados o no estructurados [19].

3.2.6.2. Proceso de extracción, transformación y carga (ETL)

Es un proceso que se ejecutan en las fuentes de datos para garantizar que los datos que serán

almacenados en el DM cumplan con las validaciones y parámetros que permita asegurar

integridad, consistencia y no redundancia de la información. Este proceso debe responder a

los requerimientos del usuario final definidos previamente.[20]

La extracción consiste hacer una copia de la información que vaya alimentar el DM, desde

tablas completas, campos específicos o registros. La transformación es la fase quizás más

crítica del proceso ETL, pues es la que se encarga de que los datos cumplan con los requisitos

definidos al inicio del proceso, por medio de una limpieza a los mismos, por medio de

eliminación de datos no significativos, creación de nuevas columnas, manejo de campos

nulos, comprobación de consistenciay detección de errores. Esto permitirá entregar datos de

calidad para la siguiente fase de carga. La cargaes la fase que permite el transporte de los

datos transformados al DM para luego poder realizar las consultas respectivas[18].

3.2.6.3. Bodegas de datos

Es el repositorio de datos que contiene toda la información de la empresa. Existen dos

concepciones atribuidas a las bodegas de datos. La principal fue elaborada por el padre de las

bases de datos en 1992, Bill Inmon, quien propuso que “el DW es una colección de datos

orientados a temas, integrados, no-volátiles y variante en el tiempo, organizados para soportar

necesidades empresariales”[20]. A su vez Ralph Kimball define el DW como “una copia de

los datos transaccionales estructurados específicamente para consultas y análisis”[21].

De acuerdo a cada definición de DW, existe un modelo de desarrollo para cada uno. Para la

definición de DW de Ralph Kimball, el modelo de desarrollo es el Bottom-Up, el cual parte

de la creación de los DM para luego implementar el DW. Allí interviene el proceso ETL en

dos ocasiones, al momento de procesar los datos de las fuentes de información para la

construcción del DM y posteriormente, a través de un segundo proceso de ETL, los DM

definidos, en su conjunto, formarán el DW[22] (Figura 4).

Figura 4. Modelo de desarrollo Bottom-Up[19].

El modelo Top-Down es aplicado para la definición de DW dada por Bill Inmon, en el cual, a

partir de las diversas fuentes de información se procesan los datos mediante ETL para

desarrollar el DW con la información procesada, luego de ello se distribuyen los datos de

acuerdo a las necesidades de información por área, generándose así DM específicos por cada

área [22] (Figura 5).

Figura 5. Modelo de desarrollo Top-Down [19]

3.2.6.4. Herramientas de acceso y explotación

Son las diversas herramientas que son esenciales para acceder a los datos del DW o DM.

Estas herramientas pueden ser hojas de cálculos, herramientas de consulta, visualización, o la

utilización de procesos analíticos en línea (OLAP).

3.2.7. Modos de almacenamiento (MOLAP, ROLAP, HOLAP)

Así como la captura y procesamiento de la información de una empresa se realiza mediante

sistemas OLTP (Procesamiento Transaccional en Línea), el análisis de la misma como soporte

a la gestión de decisiones tácticas y estratégicas se realiza mediante sistemas OLAP

(procesamiento analítico en línea), mediante bases de datos multidimensionales como de DW

y/o DM, presentando los datos a los usuarios a través de un modelo de datos intuitivo y

natural.

Dentro de los sistemas OLAP se encuentran diversas arquitecturas de almacenamiento de

acuerdo a la estructura de la base de datos: ROLAP, MOLAP y HOLAP. El tipo de

almacenamiento de datos ROLAP guarda los datos en una base de datos (BD) relacional, el

MOLAP guarda los datos en matrices multidimensionales.

El almacenamiento ROLAP (Figura 6) se basa en bases de datos relacionales que almacenan

tablas relacionales indexadas, mejorando escalabilidad y flexibilidad de la solución

almacenando grandes cantidades de datos, aunque limitando la velocidad en el acceso; puede

realizar cálculos complejos; utiliza básicamente sentencias sql o querys de la bd relacional, y

sql no aporta todas las necesidades de consultas multidimensionales; accede directamente a

los datos del DW y soporta técnicas de optimización para acelerar las consultas como tablas

particionadas, soporte a la desnormalización, soporte de múltiples reuniones, precalculado de

datos, índices, etc [23].

Figura 6. Tipo de almacenamiento ROLAP[18]

Fuente:http://gravitar.biz/bi/bi-terminologia-1/

El almacenamiento MOLAP utiliza bases de datos multidimensionales (BDMD) en la que la

información se almacena multidimensionalmente a través de cubos. Los cubos MOLAP son

construidos para tener una rápida recuperación de datos; puede realizar cálculos complejos

pues éstos se generan previamente cuando el cubo se crea, sin embargo no es posible incluir

grandes cantidades de datos en el cubo en sí mismo.

Figura 7. Tipo de almacenamiento ROLAP[18]

Fuente: http://gravitar.biz/bi/bi-terminologia-1/

Sumado a lo anterior, se han desarrollado soluciones de OLAP híbridas que combinan el uso

de las arquitecturas ROLAP y MOLAP. En una solución con HOLAP, los registros detallados

(los volúmenes más grandes) se mantienen en la BD relacional, mientras que los agregados lo

hacen en un almacén MOLAP independiente [24].

3.2.8. Algunas metodologías de Data Warehouse

Durante la historia se han propuesto diferentes metodologías para el desarrollo de una bodega

de datos y aunque todas llevan a lo mismo cada una toma como base diferentes conceptos y

por tanto se desarrollan de diferente manera. A continuación se presentan las metodologías

propuesta por Bill Inmon, la metodología Efesto y la metodología de Ralph Kimball.

3.2.8.1. Ralph Kimball

La metodología Kimbal es un conjunto de pasos usados para elaborar toda una solución de

Inteligencia de Negocios, para este caso de estudio la aplicaremos para el diseño de un DM.

Según [25] Kimball basa su metodología en el ciclo de vida dimensional y contempla 4

principios básicos: Centrarse en el negocio, construir una infraestructura de información

adecuada, realizar entregas en incrementos significativos y ofrecer la solución completa.

Centrarse en el negocio: Se deben identificar las necesidades del negocio y realizar

un análisis muy claro para plantear soluciones que se basen en la experticia de su

recurso humano así podremos construir una infraestructura de información en la que se

basen los requerimientos.

Construir una infraestructura de información adecuada: En esta etapa debemos

identificar y depurar la información que nos permitirá dar validez a los requerimientos

identificados.

Realizar entregas en incrementos significativos: Esta etapa nos sugiere realizar el

DM por partes, así la construcción será más fácil de abordar pues se atacará la

necesidad por porciones que podremos mostrar al cliente en poco tiempo.

Ofrecer la solución completa: En esta fase final la sugerencia es entregarle una

solución al usuario que le permita hacer uso del DM sin la necesidad de construir

herramientas adicionales a las entregadas.

Metodología

Debido a la complejidad que tienen la construcción de un DM Kimball nos propone

una serie de tareas y actividades para abordar la construcción (Figura 8).

Figura 8.Tareas de la metodología de Kimball, denominada Business. Dimensional Lifecycle

Fuente:[25]

Tareas de la metodología

Los principios que se mencionan arriba están acompañados de una serie de tareas que

el autor divide en 3 grandes grupos: Tecnología, Datos y Aplicaciones de inteligencia

de negocios y 1 grupos más que es trasversal a todo el proceso compuesto por la

planificación del proyecto, el análisis de requerimientos y la administración del

proyecto.

Para efecto de la investigación se abarcarán las tareas pertenecientes al grupo de Datos

y las tareas transversales.

Grupos transversales

Planificación del proyecto

“En este proceso se determina el propósito del proyecto de DW/BI, sus

objetivos específicos y el alcance del mismo, los principales riesgos y una

aproximación inicial a las necesidades de información”[25], es decir en esta

etapa se busca esclarecer cuáles son las necesidades que debe suplir el DM y

cuáles son las soluciones que se le deben entregar al usuario final. En esta fase

se deben definir las tareas que se deben realizar a la hora de construir el DM,

se debe asignar un recurso a cada tarea, programar el cronograma de

actividades y hacer la auditoría del proyecto con el fin de garantizar que todo

esté saliendo de acuerdo a lo planeado.

Análisis de requerimientos

“La definición de los requerimientos es en gran medida un proceso de

entrevistar al personal de negocio y técnico, pero siempre conviene Cuadernos

de la Facultad n. 5, 2010 61 tener un poco de preparación previa”[25]. En esta

etapa debemos identificar todas aquellas personas con las que debamos

reunirnos para que nos den información acerca del contexto de la organización,

el entorno laboral de la compañía, el estado de la empresa frente a sus

competidores, las necesidades de la organización, sus problemas de datos y

sistemas, entre otros. Esta etapa es el momento oportuno para que el analista

recopile información que crea valiosa y conveniente para poder realizar de la

mejor forma posible su trabajo.

Cuando el analista tenga sus análisis hechos la metodología nos sugiere

realizar una matriz que compare procesos y dimensiones, de esta forma

sabremos que dimensiones están relacionadas con los procesos de la compañía.

Administración del proyecto

Esta tarea se ejecuta durante cada iteración del ciclo de vida y permite al

administrador detectar problemas en fases tempranas para hacer correcciones

oportunas.

Grupos Datos

Modelado Dimensional

Esta tarea es repetitiva y comprende 4 pasos:

1. Elegir el proceso de negocio.

2. Establecer el nivel de granularidad.

3. Elegir las dimensiones.

4. Identificar medidas y las tablas de hechos.[25]

En la Figura 9 se hace una representación de los pasos mencionados anteriormente

Figura 9.Diagrama de flujo del proceso dimensional de Kimball

Fuente:[25]

Cuando se completan todos los pasos se puede decir que se ha realizado un ciclo del

modelado multidimensional. A continuación se da un detalle de cómo deben desarrollarse

estos pasos:

1. Elegir el proceso de negocio: Esta fase está determinada por el cliente y su objeto es

evidenciar requerimientos para el DM.

2. Establecer el nivel de granularidad: Esta etapa permite determinar que tan al detalle

se presentarán los datos. Esta elección tiene que depender de los diferentes requerimientos

y según [25] se debe comenzar “a diseñar el DW al mayor nivel de detalle posible, ya que

se podría luego realizar agrupamientos al nivel deseado. En caso contrario no sería posible

abrir (drill-down) las sumarizaciones en caso de que el nivel de detalle no lo permita.”

3. Elegir las dimensiones: Estas dimensiones nacen de todos los análisis realizados por

el equipo de trabajo usando como insumo la granularidad detallada en el punto anterior y la

matriz de procesos/dimensiones. Según Rivadera “una forma de identificar las tablas de

dimensiones es que sus atributos son posibles candidatos para ser encabezado en los

informes, tablas pivot, cubos, o cualquier forma de visualización, unidimensional o

multidimensional”[25].

4. Identificar las tablas de hechos y medidas: En este paso se deben identificar

aquellos campos de las tablas que se desean analizar, estos campos son llamados medidas y

están determinados por el resultado de la ejecución de los procesos organizacionales.

Según [25] “Las medidas habitualmente se vinculan con el nivel de granularidad y se

encuentran en tablas que denominamos tablas de hechos”.

a) Modelo gráfico de alto nivel: Este modelo nos muestra a groso modo las

dimensiones que tiene el DataMart.

Figura 10.Ejemplo de Modelo final de alto nivel de la sesión inicial de diseño

Fuente:[25]

b) Identificación de atributos de dimensiones y tablas de hechos: En esa fase se

detallan los atributos de los campos de las diferentes tablas implicadas en el DM.

Según [25] esta relación se debe realizar en un cuadro en el que se relacionen:

Características relacionadas con la futura tabla dimensional del almacén de

datos, por ejemplo tipo de datos, si es clave primaria, valores de ejemplo,

etc.

El origen de los datos.

Reglas de conversión, transformación y carga

c) Implementar el modelo dimensional detallado: En este paso se identifican

cuáles reglas de negocio deben aplicarse para cargar los datos a las dimensiones. De

acuerdo a [25] esta relación se hace en un cuadro como el sugerido en el punto 4.2

d) Prueba del modelo: Una vez esté el modelo estable se debe verificar que

cumpla con lo solicitado por el usuario, según [25] la mejor forma de realizar la

prueba es “Haciendo la pregunta práctica de ¿Cómo podemos obtener esta

información en particular del modelo?”

e) Revisión y validación del modelo: En esta fase se debe hacer una revisión del

modelo con un grupo interdisciplinario de la compañía que permita validar desde

diferentes puntos de vista el modelo. De acuerdo a [25] “En el área de sistemas

deberían revisarlo los programadores y analistas de los sistemas, y el DBA si existe.

También debería revisarse con usuarios y personas del negocio que tengan mucho

conocimiento de los procesos y que quizás no hayan participado del diseño del

modelo”

Diseño del sistema de Extracción, Transformación y Carga (ETL).

El sistema de Extracción, Transformación y Carga (ETL) es la base sobre la cual se

alimenta el Data Warehouse. Un correcto diseño de ETL permitirá: extraer los datos

de los sistemas de origen de datos, aplicar diferentes reglas para aumentar la calidad y

consistencia de los mismos, consolidar la información proveniente de distintos

sistemas, y cargar la información en el Data Warehouse en un formato acorde para la

utilización por parte de las herramientas de análisis.

3.2.8.2. Inmon

Esta metodología fue desarrollada por Bill Inmon y aquí se trata a un Data Warehouse como

un conjunto de datos orientado por temas, integrados, variantes en el tiempo y no volátiles que

tienen como objetivo ayudar a la toma de decisiones estratégicas[26].

Orientado por temas: Esta característica nos indica que los datos se agrupan de

acuerdo a una temática dentro del Data Warehouse.

Integrados: El Data Warehouse debe contener los datos de todos los sistemas

transaccionales de la compañía y deben ser consistentes.

No volátil: La información en un Data Warehouse no sufre cambios ni se borra, esta

es solo de consulta.

Variante en el tiempo: Los cambios que se realicen a los datos deben quedar

registrados, esto con el fin de poder realizar seguimiento a los cambios.

La información que se guarda en el Data Warehouse debe almacenarse de la forma más

detallada posible. Inmon trata los Data Mart como un subconjunto del Data Warehouse los

cuales son construidos para responder a requerimientos de un área específica.[27]. Esta

metodología propone cargar a través de los ETL la información desde las bases de datos de

los sistemas transaccionales hacia la area stage, allí se realiza una validación y consolidación

de los datos para finalmente enviarlos al Data Warehouse corporativo. Una vez la información

está disponible en el Data Warehouse este sirve como insumo de datos para realizar la carga a

los Data Mart dando la posibilidad de realizar las transformaciones necesarias para que la

información quede consistente en los Data Mart[27].

3.2.8.3. Hefesto

Hefesto es una metodología que fue el resultado de la comparación de muchas otras

metodologías y de la experiencia adquirida en el desarrollo de bodegas de datos de su creador

(Bernabeu Ricardo Dario). Esta metodología está en constante evolución y se alimenta de las

retroalimentaciones que hacen las diferentes personas y empresas que ha usado esta

metodología a nivel mundial.[28].

La metodología Hefesto se ejecuta de acuerdo a la Figura 11.

Figura 11.Metodología HEFESTO, pasos

Fuente:[28]

Esta metodología inicia con el levantamiento de requerimientos los cuales darán como

resultado las preguntas del negocio, posteriormente se realiza un análisis de estas preguntas y

pasamos a realizar un modelo conceptual de datos de Data Warehouse.

Una vez se tiene el modelado conceptual se realiza un completo análisis para identificar los

indicadores, hacer una identificación de los datos fuentes y poder realizar una identificación

de los campos que deben tener las dimensiones del Data Warehouse.

El paso a seguir consiste a construir un modelo lógico de la bodega en donde definiremos cuál

esquema vamos a usar, se definen las dimensiones y las tablas de hechos para luego unirlas.

Por último se definen los ETL y la estrategia que se usará para realizar la carga de la

información.[28]

Las características de esta metodología están basadas en la simplicidad, el logro de resultados

y la adaptabilidad a los cambios, esto debido a que en todas las fases se involucra al cliente el

cual va avalando lo que se está desarrollando.

Tabla 1.Comparativo metodologías de Data Warehouse

Aspecto Modelo

Kimball Inmon Hefesto

Autor Ralph Kimball Bill Inmon Ing. Bernabeu

Ricardo Darío

Concepto Construye el DW

iniciando por la

elaboración de los Data

Marts hasta tener, desde

una perspectiva más

holística, el DW

(Bottom-up)

Elabora el DW hasta

terminar en la

construcción del Data

Mart ((Top-

Down)

Fundamentada en una

amplia investigación,

comparación de

metodologías existentes,

experiencias propias en

procesos de confección

de almacenes de datos

(Bernabéu, 2010).

Enfoque Data Warehouse Data Mart Data Warehouse y Data

Mart

Características -Se basa en un

modelado dimensional

(no normalizado)

- Desarrolla su

metodología con base

en la necesidad del

negocio

-Centraliza los

requerimientos en un

mismo desarrollo

-Desarrolla la solución

de BI por etapas, donde

el resultado de la

finalización de cada

etapa es una parte del

desarrollo

-Ofrece soluciones

integrales

-Trabaja con

conceptos de bases de

datos relacionales

-Problema ya

identificado

-Fácil identificación en

la finalización de cada

fase

-Participación del

usuario en la

finalización de cada

etapa

- Basado en modelos

conceptuales y lógicos

de fácil comprensión

-Se adapta con la

herramienta con la que

se desarrolla

-El final de una fase es

el comienzo de la

siguiente

-Es aplicable a Data

Mart y Data Warehouse

Arquitectura

3.3. Marco institucional

Empresa textil

La empresa de interés en este trabajo es una mediana dedicada a la confección, ensamblaje y

venta de jeans. Actualmente opera en el sector Guayabal, tiene en el mercado alrededor de 10

años, siendo un negocio familiar toma la iniciativa y abre tres sucursales de confecciones en

Itagüí, Medellín-Centro y Bello. Cuenta con 100 personas laborando en la empresa.

Misión

Producir y comercializar eficientemente jeans para satisfacer las necesidades y expectativas

de nuestros clientes, capacitando y gestionando el talento humano, actuando con

responsabilidad social, brindando un rendimiento racional a los accionistas y bienestar a todos

sus empleados.

Visión

La empresa pretende hacerse reconocida tanto a nivel nacional como internacional y adquirir

experiencia en el sector de la confección de jeans impactando en nuevos estilos.

Nuestro patrimonio, un equipo humano capacitado para adaptarse a los constantes cambios de

la moda, aportando ideas para conquistar los gustos jóvenes y grandes.

Política de calidad

En la empresa textil aseguramos la calidad de nuestros productos a través de un sistema de

mejora continua, la capacitación de nuestro personal y mejoramiento de nuestro equipo

productivo, para superar las expectativas de nuestros clientes.

Mapa de procesos

La empresa cuenta con un mapa de procesos que permite identificar los procesos estratégicos,

misionales y de apoyo de la empresa. Sin embargo se ha detectado que éstos no permiten que

la información fluya ágilmente de un proceso a otro debido a las diversas bases de datos que

en cada uno se maneja (Figura 12).

Figura 12.Mapa de procesos de una empresa del sector textil

Fuente: Elaboración propia

4. OBJETIVOS

4.1. General

Diseñar un modelo de Data Mart para la centralización de los datos del proceso de ventas en

una empresa textil que permita mejorar el análisis de la información y la gestión de decisiones

4.2. Específicos

Revisar la literatura concerniente a la inteligencia de negocios que sirva para elaborar

un marco conceptual que respalde esta investigación.

Definir las preguntas del negocio que faciliten tener un entendimiento de las

necesidades del área de ventas de tal forma que sirva de insumo para el diseño del Data Mart.

Elaborar el modelo dimensional del Data Mart aplicando técnicas de BI y de acuerdo

al proceso de ventas.

4.3. Alcance

El alcance de este proyecto incluye el levantamiento de las preguntas del negocio, el

modelamiento del ETL y el modelo de un DM para el proceso de ventas de una empresa

textil.

Este proyecto no contempla la implementación del DM ni los cubos, ni las herramientas de

consulta.

5. METODOLOGÍA

Figura 13. Etapas de la metodología Kimball según necesidad del negocio

Tabla 2.Actividades para el desarrollo de la metodología de la Investigación

Objetivos Actividades Fuentes Hito

O1: Revisar la

literatura

concerniente a la

inteligencia de

negocios que sirva

para elaborar un

marco conceptual

que respalde esta

investigación

A1: Búsqueda de

bibliografía

A2: Depuración y

consolidación de

información

Bases de datos

bibliográfica

Biblioteca

USB

Marco teórico

O2: Definir las

preguntas del

negocio que faciliten

tener un

entendimiento de las

necesidades del área

de ventas de tal

forma que sirva de

insumo para el

diseño del DM.

A3: Entrevistas con

gerencia y líderes del

proceso de ventas

A4: Modelado del

proceso de ventas

A5: Levantamiento de

requerimientos

A6: Elaboración de

preguntas del negocio

A7: Aprobación de

requerimientos y

Equipo de

trabajo que

intervienen en

el proceso.

Manual de

procesos y

procedimientos

Documento

Análisis de requerimientos

• Entrevista con involucrados en el proceso

• Identificación de necesidades

• Levantamiento de requerimientos

• Definición de preguntas del negocio

Modelado dimensional

• Elección proceso del negocio

• Establecer el nivel de granularidad.

• Elegir las dimensiones.

• Identificar tablas de hechos

Diseño Extracción, transformación y carga

• Extracción de información necesario para el DM

• Control y depuración de los registros

• Carga de los datos a medio s de consulta

Objetivos Actividades Fuentes Hito


por parte del gerente de

ventas

O3: Elaborar el

modelo dimensional

del DM aplicando

técnicas y el proceso

de acuerdo con la

naturaleza del

negocio

A8: Identificación de las

fuentes de información

para el DM

A9: Aprobación de

fuentes elegidas por

parte del director de TI

de la empresa textil

A10: Depuración de las

fuentes de información

A11: Identificación de

las variables que harán

parte del DM

A12: Diseño del DM de

ventas

A13: Aprobación del

diseño del DM por parte

del director de TI de la

empresa textil

A14: Diseño de ETL

A15: Aprobación de los

ETL por parte del

director de TI

-Modelo de

datos del

proceso de

ventas

-Fuentes

bibliográficas

-Documento Técnico

Matriz comparativa

Tabla 3.Relación de actividades y técnicas de investigación

Actividades Instrumento Técnica Información

requerida

A1 Revisión de

documentos

Archivos Tema de interés a

buscar

A2 Constancia de revisión

y aprobación

Cualitativa Documentos

encontrados en la

actividad A1

A3 Entrevista

Grupo Focal

Cualitativa Conocimiento del

modelo del negocio por

parte de los implicados

Información del

proceso de ventas

A4 Modelado del proceso

de ventas

Cualitativa Documentación del

proceso de ventas

A5 Listado de

requerimientos

Cualitativa Información de la

actividad A3 y A4

A6 Listado de preguntas Cualitativa Información de la

actividad A3, A4 y A5


y aprobación

Cualitativa Conocimiento del

negocio de la persona a

revisar y aprobar

A8 Entrevista con Director

de TI

Cualitativa Información del

proceso de ventas


y aprobación


actividad A8

A10 Lista de verificación de

fuentes que dan

respuesta a las



actividad A8

A11 Listado de variables Cualitativa Información de la

actividad A8

A12 Modelo dimensional Cualitativa Información de la

actividad A8, A10 y

A11


y aprobación


actividad A12

A14 Diagrama de

actividades


actividad A10, A11,

A12


y aprobación


actividad A14

6. RESULTADOS

6.1. Análisis de requerimientos

Esta etapa contempla la participación de los usuarios involucrados (Director de TI, Líder del

proceso de ventas) en el proceso de ventas, los cuales a través de las necesidades manifestadas

siendo la principal, la obtención oportuna dela información que se generan en los procesos

operacionales para tomar decisiones ágiles, permitieron orientar a los investigadores en el

desarrollo de los requerimientos y preguntas del negocio para el posterior desarrollo del DM.

La información se recopiló por medio de trabajo de campo realizada por los investigadores y

del cual se elaboró un flujograma mediante la notación BPMN 2.0 del proceso que ejecuta la

compañía para la venta de prendas. Asimismo, se realizó una verificación de la concordancia

que éste tenía con respecto al trabajo que se elabora en el quehacer de la empresa (Anexo 1).

La Figura 13 describe el proceso de ventas el cual contempla desde el proceso productivo de

la prenda hasta su venta. El proceso inicia cuando el área comercial emite una orden de

producción que es creada en el sistema de órdenes de producción y se envía un correo

electrónico al área de planeación quien se encarga de crear el producto (estilo-color), crear la

orden de producción para la planta de corte, asociar quiebre de tallas y programar trazos.

Finalizadas estas tareas, se notifica al área de compras quienes deben proveerse de los

insumos necesarios para la fabricación de las prendas. Una vez se ha creado la información

por parte del área de compras, el área de diseño crea toda la moldería para fabricar la prenda y

darle paso al área de corte para que programe todos los rollos de tela que van a extenderse,

cortarse y etiquetarse para entregárselos a las plantas de confección y éstas procedan a

confeccionar y ensamblar la prenda. Cuando las prendas estén ensambladas pasan al área de

lavado, allí se someten a procesos químicos en lavadoras industriales y a elaboraciones

manuales que dan el toque particular a cada orden de producción.

Finalmente, las prendas pasan por el área de terminación donde se procesan aquellos detalles

faltantes de acuerdo a la orden de producción y se empacan para ser almacenadas y

distribuidas a las tiendas donde se comercializan.

Figura 14.Flujograma del proceso de ventas en una empresa textil

Fuente: Elaboración propia

6.1.1. Preguntas del negocio

De acuerdo al trabajo de campo realizado y a las necesidades del negocio planteadas por los

expertos del proceso, se han formulado las siguientes preguntas

1. Consultar los productos más vendidos donde, además, se muestre las tallas más

comercializadas. Este informe debe ser detallado por almacén y permitir realizar

desagregaciones por días, semanas, meses, semestres y año.

El informe debe precisar los atributos que componen un producto

2. Listar los clientes que más compras realizan cada mes, trimestre y semestre donde se

detalle el sexo y la edad. El informe debe precisar las características de la compra

realizada tales como: Producto y sus atributos, almacén donde ha realizado compras,

tela e insumos usados en su confección. El informe debe estar ordenado

descendentemente de acuerdo a la cuantía de las compras

3. Listar las ventas por almacén, donde se detalle la hora en que más facturas se generan

y se consoliden las ventas por mes. El listado debe estar ordenado de forma

descendente por la cuantía vendida.

4. Mostrar los contratos que tienen existencias en bodega y entregar la ubicación donde

se encuentran las prendas. Se deben clasificar las bodegas (Bodega tienda, bodega

general) e identificar a qué almacén pertenece la bodega, además mostrar cuál es la

fecha en la que el contrato ingresó al inventario.

Se debe detallar las tallas que tienen existencias y mostrar la información del producto,

la cotización bajo la que se realiza la orden de producción con su detalle

6.2. Modelado dimensional

6.2.1. Diagrama entidad-relación

A continuación se presenta una vista general de los modelos de las bases de datos

transaccionales de la compañía. Se resalta que no se usa un estándar para nombrar las

entidades, esto debido a que el departamento de tecnología no cuenta con un estándar de

programación y por ende cada persona ha ha manejado su propio nombramiento. Para ver

una vista detallada, se sugiere consultar el diccionario de datos.

Figura 15. Modelo entidad relación base de datos Producción

Figura 16.Modelo entidad relación base de datos Corte

Figura 17. Modelo entidad relación base de datos Lavandería

Figura 18. Modelo entidad relación base de datos Producción Terminada

Figura 19. Modelo entidad relación base de datos Ventas

Figura 20.Modelo entidad relación base de datos Pos

6.2.2. Diccionario de datos

Tabla 4. Diccionario de datos Base de datos Producción

Tablas Descripción Tabla Campos Tipo Descripción Campo

tbl_

Co

tiza

cio

nes

_E

nc

Tabla que almacena el encabezado

de las cotizaciones que se ralizan

para determinar el costo de las

prendas

Id_Cotiza INT Campo que contiene la llave única de

la tabla.

Id_Estilo INT Es el estilo para el que se va a realizar

la cotización.

Precio INT Campo que contienen el valor

resultante de la cotización

Fecha_Actual DATETIME En este campo se almacena la fecha en

la que se registro la cotización

Fecha Vigencia DATETIME En este campo se almacena la fecha en

la que pierde vigencia la cotización

User_Crea VARCHAR(50) Usuario que crea un registro.

tbl_

Co

tiza

cio

nes

_D

et

Tabla que almacena el detalle de las

cotizaciones que se ralizan para

determinar el costo de las prendas

Id_Enc INT

Este campo identifica a que

encabezado pertenece el detalle.

Llave foránea que tiene relación con la

tabla tbl_Cotizaciones_Enc

Id_Insumo INT

Es el identificador del Insumo que se

va a usar para realizar la prenda.

Es una llave foránea y tiene relación

con la tabla tbl_Insumos

Cantidad INT

Campo que almacena la cantidad de

unidades que se van a utilizar para la

elaboración de la prenda

Valor_Unitario INT Costo del insumo por unidades

tbl_

Est

ilo

s

Tabla que guarda los estilos que se

van a vender

Id_Estilo INT Campo que identifica cada estilo como

único.

Descripción VARCHAR(50) Campo que contiene la descripción del

estilo

User_Mod VARCHAR(50) Usuario que Modifica un registro.

Fecha_Mod DATETIME Fecha en que se Modifica un registro.

tbl

_I

ns u m os Tabla que contiene los insumos que

se usan en la prendas Id_Insumo INT

Campo que contiene la llave única de

la tabla.


Nombre VARCHAR(50) Campo que contienen el nombre del

Insumo

Id_Proveedor INT Campo que contienen el Nit o Cedula

del proveedor.


Fecha_Mod DATETIME

Fecha en que se Modifica un registro.

tbl_

Pro

vee

do

res

Tabla que guarda los datos de los

proveedores de la compañía

Id_Proveedor INT

Campo que contienen el Nit o Cedula

del proveedor.

Razón_Social VARCHAR(50) Nombre del Proveedor

Persona_Contacto VARCHAR(50) Nombre del comercial destinado a

atender la compañía

Tel_Fijo VARCHAR(50) Campo que almacena el teléfono o

PBX del proveedor

Celular VARCHAR(50) Celular del comercial destinado a

atender la compañía

tbl_

Co

lore

s

Tabla que almacena los datos de los

colores con que se deben

confeccionar las prendas

Id_Color INT Identificador de los colores

Descripción VARCHAR(50) Campo que contiene la descripción del

Color



tbl_

Tal

las

Tabla que almacena las tallas de las

prendas

Id_Talla INT Campo que contiene la llave única de

la tabla.

Talla VARCHAR(50) Talla en letras o números

Activo BIT Indica si la talla se está usando en el

sistema

tbl_

Ord

enes

Pr

od

ucc

ion

Tabla que almacena las ordenes de

producción para la fabricación de un

estilo

Id_OrdenProd INT Campo que identifica el número de la

orden de producción

Nro_Producto INT Número que identifica la cantidad de

productos

Fecha_Entrega DATETIME Fecha en que se entregará la orden de

producción


Fecha_Creacion DATETIME Fecha en que se genera la orden de

producción

User_Creacion VARCHAR(50) Usuario que genera la orden de

producción

Fecha_Mod DATETIME Fecha en que se Modifica un registro

User_Mod VARCHAR(50) Usuario que Modifica un registro

Fecha_Corte DATETIME Fecha en que se programa el corte

Fecha_Real_Corte DATETIME Fecha real del corte

Fecha_Empaque DATETIME Fecha en que se programa el empaque

de la producción

Fecha_Real_Empa

que DATETIME

Fecha real de empaque de la

producción

Fecha_Despacho DATETIME Fecha en que se programa el despacho

de la producción

Fecha_Real_Despa

cho DATETIME

Fecha real de despacho de la

producción

Id_Tela INT Campo que identifica el código de la

tela

Id_Contrato INT Campo que identifica el número del

contrato

Nit_Cliente INT Campo que contienen el Nit o Cedula

del cliente

Id_Cotizacion INT Campo que identifica el número de la

cotización realizada

Uds_Pedidas INT Número de unidades solicitadas por el

cliente

tbl_

Tal

lasO

rden

es

Tabla que contiene las tallas que se

van a producir en una orden de

producción

Id_TallaOrden INT Campo que identifica el registro de la

talla solicita en la orden de producción

Id_Orden INT Campo que identifica el número de la


Id_Talla INT Campo que identifica la talla

seleccionada

Entrepierna VARCHAR(50) Medida del largo del pantalon

Uds_Pedidas INT Número de unidades solicitadas por el

cliente


Uds_Cortadas INT Número de unidades cortadas

tbl_

Pro

du

cto

s

Tabla que contiene el detalle de los

productos, estos son la

representación de un Estilo, Color,

temporada y tela

Nro_Producto INT Número que identifica el producto

Nombre_Producto VARCHAR(50) Descripción del nombre del producto

Id_Estilo INT Campo que identifica cada estilo como

único.

Id_Color INT Identificador de los colores

Id_Temporada INT Identifica la temporada del año

Id_Tela INT Campo que identifica el código de la

tela

Id_Estado INT Campo que identifica el estado en que

se encuentra el producto

tbl_

Cli

ente

s

Tabla que contiene la información

de clientes

Nit_Cliente VARCHAR(50) Campo que contienen el Nit o Cedula

del cliente.

Nombre_Cliente VARCHAR(50) Campo que contiene el nombre del

cliente

Alias VARCHAR(50) Campo que contiene un alias del

nombre del cliente

Dir_Cedi VARCHAR(50) Dirección del cliente

Regimen VARCHAR(50) Identifica si el cliente pertenece al

régimen común o simplificado

Activo BIT

Campo que contien el sufijo que

representa e cliente, este se concatena

al número del contrato y se garantiza

que ningún contrato se vaya a repetir

Sufijo VARCHAR(50)

Conjunto de letras o una letar que

identifica el cliente y es usada para

generar los contratos

Persona_Contacto VARCHAR(50) Campo que contiene el nombre de la

persona de contacto

Tel_Fijo VARCHAR(50) Campo que contiene el número

telefónico

Celular VARCHAR(50) Campo que contiene el número de

celular

Dir_Cobro VARCHAR(50)

Tablas Descripción Tabla Campos Tipo Descripción Campo tb

l_T

emp

ora

das

Tabla que almacena la información

de las temporadas que se trabajan en

el año

Id_Temporada INT Identifica la temporada del año

Nombre_Tempora

da VARCHAR(50)

Corresoonde a la descripción de la

temporada

Activo BIT Indica si la temporada está en vigencia

tbl_

Insu

mo

XP

rod

uct

o

Tabla que alamacena la relación

entre los producto y los insumos

necesarios para su construcción

Id_InsumoProduct

o INT

Campo que identifica el insumo y

producto en conjunto

Nro_Producto INT Número que identifica la cantidad de

productos

Id_Insumo INT Es el identificador del Insumo que se

va a usar para realizar la prenda.

Cantidad INT Cantidad de insumos que se utilizará

para realizar la prenda

Fecha_Creacion DATETIME Fecha en que se crea la relación

insumo/producto

User_Creacion VARCHAR(50) Usuario que registra la información

User_Mod VARCHAR(50) Usuario que modifica la información

Fecha_Mod DATETIME Fecha en que se modifica la relación

insumo/producto

ConsumoXTalla INT Campo que indica si un insumo tiene

consumos por talla

tbl_

Insu

mo

XP

rod

uc

toX

Tal

la

Tabla que almacena los consumos

por talla de los insumos relacionados

a un producto

Id_IP_Talla INT Clave que identifica la talla del

producto

Id_InsumoProduct

o INT

Campo que identifica el insumo y

producto en conjunto

Id_TallaOrden INT Clave que identifica la talla para la

orden solicitada

Cantidad INT Cantidad de tallas requeridas para la

orden

tbl_

Ord

enes

Co

mp

ras Tabla que tiene el encabezado de las

ordenes de compras

PO INT Clave única de la tabla

Id_Proveedor INT Campo que contienen el Nit o Cedula

del proveedor.

Fecha_Creacion DATETIME Fecha en que se crea un registro.

User_Creacion VARCHAR(50) Usuario que Modifica un registro.

User_Mod VARCHAR(50) Usuario que crea un registro.



Abierta BIT Campo que identifica si la orden de

compra está abierta o cerrada

tbl_

Tra

zos_

En

c

Tabla que guarda los encabezados de

la programación de los trazos para

una orden de producción

Id_Trazo INT Campo que identifica el trazo para una


Id_OrdenProd INT Campo que identifica el número de la



User_Creacion VARCHAR(50) Usuario que crea un registro.



tbl_

Tra

zos_

Det

Tabla que almacena el detalle de la

programación de los trazos para una


Id_Trazo INT Campo que identifica el trazo para una


NumPaquete INT Campo que identifica el paquete del

trazo

CantidadCapas INT Número de capas a utilizar en el trazo

tbl_

Mo

vim

ien

tos_

pd

n

Tabla que controla la ubicación de la

producción en las diferentes plantas

que hay en la compañía

Id_Movimiento INT Campo que identifica la ubicación de la

producción

Id_Planta INT Campo que identifica la planta

Unidades INT Número de unidades en la producción

Id_TipoMovimient

o INT

Campo que identifica el tipo de

movimiento de la producción

PO INT Identificador de las ordenes de

producción que se está moviendo



User_Recibe VARCHAR(50) Usuario que recibe la producción

Fecha_Recepcion DATETIME

Fecha en que se recibe la producción

tbl_

Ti

po

sM

ov

imi

ento

s Tabla que contienen los tipos de

movimientos que se pueden realizar

entre las plantas

Id_TipoMovimient

o INT

Campo que identifica el tipo de

movimiento de la producción

Descripcion VARCHAR(50) Corresponde a la descripción del


movimiento

tbl_

Co

nt

rato

s Tabla que almacena los contratos

bajo los que se están realizando las

ordenes de producción

Id_Contrato INT Campo que identifica el número del

contrato

Id_TipoContrato INT Campo que identifica el tipo de

contrato

tbl_

Tip

osC

on

trat

os

Tabla que contiene los tipos de

contratos que se realizan en la

compañía

Id_TipoContrato INT Campo que identifica el tipo de

contrato

Descripcion VARCHAR(50) Corresponde a la descripción del tipo

de contrato

Activo BIT Identifica si el contrato está activo o no

Fecha_Creacion DATETIME Fecha en que se crea el contrato

User_Creacion VARCHAR(50) Usuario que crea el contrato

User_Mod VARCHAR(50) Usuario que modifica el contrato

Fecha_Mod DATETIME Fecha en que se modifica el contrato

tbl_

Pla

nta

s

Tabla que guarda las plantas que

componen la compañía

Id_Planta INT Campo que identifica la planta

Descripcion VARCHAR(50) Corresponde a la descripción de la

planta

RecepcionAutomat

ica BIT

Campo que indica si la planta que

recibe la producción debe aceptar la

recepción.

tbl_

Est

a

do

s Tabla que contienen los estados que

se manejan en la base de datos

Id_Estado INT Campo que identifica los estados de la

base de datos

Descripcion VARCHAR(50) Corresponde a la descripción de los

estados

Tabla 5. Diccionario de datos Base de datos Corte


TT

elas

Tabla que guarda toda

la información de las

telas usadas para la

confección

Id_Tela INT Campo que identifica el código de la tela

Nombre VARCHAR(100) Campo de denota el nombre de la tela

Id_Composicion INT Campo de identifica de que está compuesta la

tela

Activo BIT Indica si la talla se está usando en el sistema

Fecha_Creacion Datetime Fecha en que se crea un registro



Fecha_Mod Datetime Fecha en que se Modifica un registro.

TR

oll

os

Tabla que controla la

cantidad de rollos que

hay de una tela

Id_Rollo INT Campo que identifica el tipo de rollo

Id_Tela INT Campo que identifica el código de la tela

Id_ListaEmpaque INT Campo que identifica la lista de empaque

Consecutivo INT Campo que contiene el orden en que se debe

ejecutar la ruta

Cantidad_Entrada INT Campo que indica la cantida de rollos que

ingresan de una tela

Cantidad_RealEnt

rada

INT Campo en el que se registra el metraje que

ingreso por rollo una vez escaneado e ingresado

al inventario

Saldo VARCHAR(100) Es el saldo

Id_Estado INT Estado en el que quedo el rollo. Esta es la

relación con la tabla TblEstados

Id_Zona INT Zona en la que están ubicados los rollos





T E s t a d o s Tabla que contienen Id_Estado INT Campo que identifica el Estado de un insumo

los estados que se

manejan en la base de

datos

Descripcion VARCHAR(100) Corresponde a la descripción del estado de los

insumos

Tzo

nas

Tabla que almacena los

datos de las zonas en

las que se almacena la

tela

Id_Zona INT Campo que identifica la zona donde está

ubicados los insumos

Descripcion VARCHAR(100) Corresponde a la descripción de la zona de los

insumos

TM

ov

Ro

llo

s

Tabla que lleva un

control de los

movimientos(Entradas

o salidas) que se hacen

con los rollos

Id_MovRollo INT Campo que identifica el movimiento de un rollo.

Se relacionan las tablas Movimiento y Rollos


Id_Contrato INT Campo que almacena el contrato al que se le

asocia la programación

Cantidad INT Es la cantidad de movimientos que tienen los

rollos

Id_TipoMovimien

to

INT Campo que identifica el tipo de movimiento del

rollo

Id_Concepto INT Campo que nos describe con que objetivo se

realizo el movimiento

Fecha_Registro Datetime Fecha en que se registra el movimiento de un

rollo

User_Registro VARCHAR(50) Usuario que hace el registro del movimiento del

rollo

TL

ista

Ro

llo

sPen

d

Tabla que almacena las

listas de empaque que

va a enviar los

proveedores

Id_ListaEmpaque INT Campo que identifica la lista de empaque

Id_Proveedor Varchar(12) Campo que almacena el NIT del proveedor

CantidadRollos VARCHAR(100) Número de rollos que envían los proveedores

Completa bool Campo usado para impedir que se modifique la

lista de empaque





Tp

ro

gra

mac

i

on

es Tabla que guarda los

datos de las telas que

Id_Programacion INT Campo que identifica


se programan para

cortar

Orden INT Campo usado para saber en que orden deben

extenderse los rollos

Id_Contrato INT Campo que almacena el contrato al que se le

asocia la programación





TT

ipo

Mo

vim

i

ento


tipos de movimientos

que se hacen a los

rollos en el sistema

Id_Movimiento INT Campo que identifica el tipo de movimiento del

rollo

Descripcion VARCHAR(100) Campo en el que se describe el tipo de

movimiento del rollo

Id_Naturaleza INT Campo que identifica la naturaleza de los

movimientos

TN

atu

ra

leza

Mv

t

o


naturalezas de los

movimientos

Id_Naturaleza INT Campo que identifica la naturaleza de los

movimientos

Descripcion VARCHAR(100) Campo en el que se describe la naturaleza del

movimiento

TC

on

ce

pto

sMv

t

o


conceptos para los que

se realizan

movimientos

Id_Concepto INT Campo que identifica el concepto del

movimiento

Descripcion VARCHAR(100) Campo en el que se describe el concepto del

movimiento

Tco

mp

osi

cio

nes

Tabla en la que se

detalla cómo está

compuesta la tela

Id_Composicion INT Campo que identifica la composición de la tela

Porc_Algodon INT Campo que identifica de cuanto algodón está

compuesta la tela

Porc_Poliester INT Campo que identifica de cuanto poliéster está

compuesta la tela





Tabla 6. Diccionario de datos Base de datos Lavandería

Tablas Descripción

Tabla Campos Tipo Descripción Campo

Tb

lCo

ntr

ato

s

Tabla que

contiene los

contratos que

llegan desde

confección

Id_Contrato INT Campo que identifica el número del contrato

Id_RutaLavado INT Campo que contiene el identificador de la ruta de

lavado. Esta es la relación con la tabla tblRutasLavado

Nro_Producto INT Identificador del producto bajo el cual se está realizando

el contrato

Id_Cliente INT Este campo se replica desde la base de datos

dbProdConfec

Tb

lRu

tasL

avad

os

Tabla en la que

se detalla cual

es la ruta que se

debe seguir

para realizar un

lavado

Id_RutaLavado INT Campo que contiene el identificador de la ruta de lavado

Id_Insumo INT Clave foránea que tiene relación con la tabla

tbl_Insumos

Id_Maquina INT Clave foránea que tiene relación con la tabla

tbl_Maquinas

Consecutivo INT Campo que contiene el orden en que se debe ejecutar la

ruta

Observacion VARCHAR(100) Campo para comentarios libre

Fecha_Creacion DATETIME Fecha en la que se crea el registro

User_Creacion VARCHAR(100) Usuario que creo el registro

User_Mod VARCHAR(100) Fecha en la que se realizó la última modificación al

registro

Fecha_Mod DATETIME Usuario que realizó la última modificación al registro

Tb

lEst

ado

s Tabla que

contienen los

estados que se

manejan en la

base de datos

Id_Estado INT Campo que identifica el Estado

Descripcion VARCHAR(100) Nombre del estado

Tb

lIn

sum

os

Tabla que

contiene los

insumos que se

usan para lavar

las prendas

Id_Insumo INT Campo que identifica el Insumo

Nombre VARCHAR(100) Nombre del insumo

Id_Proveedor VARCHAR(12) Identificador del proveedor del insumo


registro

Fecha_Mod DATETIME Usuario que realizó la última modificación al registro T

blM

aqu

inas

Tabla que

contienen la

información de

las máquinas

usadas en la

lavandería

Id_Maquina INT Identificador de la máquina

Nombre_Maquina VARCHAR(100) Campo que contiene el nombre de la máquina

Referencia VARCHAR(100) Referencia dada por el fabricante a la máquina

Id_Proveedor INT Identificador del proveedor del insumo

Valor INT Costo en dinero de la máquina

Id_Planta_Respon

sable

INT Identificador de la planta donde utilizan la máquina

Fecha_Compra DATETIME Fecha de compra de la máquina




registro

Fecha_Mod DATETIME Usuario que realizó la última modificación al registro

Tb

l_T

ole

ran

cias

Tabla que

almacena las

tolerancias de

medidas de las

prendas

Id_Tolerancia INT Identificador de la tolerancia

Id_Producto INT Identificador del producto al que pertenecen las

tolerancias

Med_Largo_Inf FLOAT Intervalo inferior para el largo

Med_Largo_Sup FLOAT Intervalo superior para el largo

Med_Ancho_Inf FLOAT Intervalo inferior para el Ancho

Med_Ancho_Sup FLOAT Intervalo superior para el ancho

Med_Entrepierna_

Inf

FLOAT Intervalo inferior para la entrepierna

Med_Entrepierna_

Sup

FLOAT Intervalo superior para la entrepierna

Tb

lAu

dit

Co

ntr

ato

s Tabla que

contienen las

medidas que se

le toman a las

prendas de los

contratos luego

de lavar las

Id_Auditoria INT Identificador de la Auditoria

Id_Contrato INT Contrato al cual se le realiza la auditoria

Id_ToleranciaRef INT Identificador de la tolerancia que se está tomando como

referencia. Este campo es la realación con la tabla

tbl_Tolerancias

Med_Largo FLOAT Largo de la prenda auditada

prendas Med_Ancho FLOAT Ancho de la prenda auditada

Med_Entrepierna FLOAT Entrepierna de la prenda auditada

Id_Estado INT Estado en el que quedo la prenda. Esta es la relación con

la tabla TblEstados

Tabla 7. Diccionario de datos Base de datos Producción terminada

Tablas Descripción

Tabla

Campos Tipo Descripción Campo

tblE

mp

aqu

eEn

c

Alamacena el

encabezado de

las cajas

Id_empaque INT Identificador único de la tabla

Id_PO INT Clave foránea que tiene relación con la tabla

tblOrdenesPdn

Id_TipoCaja INT Clave foránea que tiene relación con la tabla tblTipoCaja



User_Mod VARCHAR(100) Usuario que realizó la última modificación al registro

Fecha_Mod DATETIME Fecha en la que se realizó la última modificación al

registro

Id_Estado INT Clave foránea que tiene relación con la tabla tblEstados

tblE

mp

aqu

eDet

Tabla que

contienen el

detalle del

empaque

Id_empaque INT Clave foránea que tiene relación con la tabla

tblempaqueEnc

TallaXEntrepier

na

VARCHAR(100) Tallas que se empacaron en la caja

Cantidad INT Cantidad de prendas de la talla





registro

tblC

lien

tes Tabla que

contiene la

información de

clientes

Nit_Cliente VARCHAR(100) Identificador único de la tabla

Nombre_Cliente VARCHAR(100) Campo que describe el registro

Activo BIT Atributo de la tabla que indica si el registro se está

utilizando en los sistemas

tblE

stil

os

Tabla que

guarda los

estilos que se

van a empacar

Id_Estilo INT Identificador único de la tabla

Descripción VARCHAR(100) Campo que describe el registro



registro tb

lCo

lore

s

Tabla que

almacena los

datos de los

colores con que

se deben

confeccionar las

prendas

Id_Color INT Identificador único de la tabla




registro

tblT

ipo

Caj

a

Almacena los

datos de los

tipos de caja que

se usan para

empacar las

prendas

Id_TipoCaja INT Identificador único de la tabla

Nombre VARCHAR(100) Campo que describe el registro

DimensionX INT Campo contiene la medida del ancho de la caja

DimensionY INT Campo contiene la medida del alto de la caja

DimensionZ INT Campo contiene la medida de la profundidad de la caja

tblE

stad

os Tabla que

contienen los

estados que se

manejan en la

base de datos

Id_Estado INT Identificador único de la tabla

Descripcion VARCHAR(100) Campo que describe el registro

tblO

rden

esP

dn

Tabla que

contiene las

ordenes de

producción que

se deben

empacar

Id_PO INT Identificador único de la tabla

Id_Cliente INT Clave foránea que tiene relación con la tabla tblClientes

Id_Estilo INT Clave foránea que tiene relación con la tabla tblEstilos

Id_Color INT Clave foránea que tiene relación con la tabla tblColores





registro

Id_Estado INT Clave foránea que tiene relación con la tabla tblEstados

tblT

alla

sPO

Tabla que tiene

las tallas

asociadas a una

orden de

producción

Id_PO INT Identificador único de la tabla

Talla VARCHAR(100) Tallas que se asociaron a la orden de producción

Entrepierna VARCHAR(100) Entrepierna con la que se confeccionaron las prednas

Unidades INT Cantidad de prendas por talla





registro

Tabla 8. Diccionario de datos Base de datos Ventas


tbl_

Est

ilo

s

Tabla que guarda

los estilos que se

van a vender

Id_Estilo INT Identificador único de la tabla




Fecha_Mod DATETIME Fecha en la que se realizó la última

modificación al registro

User_Mod VARCHAR(100) Usuario que realizó la última modificación al

registro

tbl_

Co

lore

s

Tabla que almacena

los datos de los

colores con que se

deben confeccionar

las prendas

Id_Color INT Identificador único de la tabla






registro

tbl_

Tem

po

rad

as Tabla que almacena

la información de

las temporadas que

se trabajan en el año

Id_Temporada INT Identificador único de la tabla

Nombre_Temporada VARCHAR(100) Campo que describe el registro

tbl_

Ped

ido

s

Tabla que almacena

los pedidos de

producción para la

fabricación de un

estilo

Id_Pedido INT Identificador único de la tabla

Nro_Producto INT Clave foránea que tiene relación con la tabla

tbl_Productos

Id_Cotizacion INT Clave foránea que tiene relación con la tabla

tbl_Cotizaciones_Enc

Id_Ubicacion INT Clave foránea que tiene relación con la tabla

tbl_Ubicaciones

Uds_Pedidas INT Cantidad de prendas que se pidieron en el

pedido






registro

tbl_

Tal

lasP

edid

o

s

Tabla que contiene

las tallas de una


Id_TallaPedido INT Identificador único de la tabla

Id_Pedido INT Clave foránea que tiene relación con la tabla

tbl_Pedidos

Talla VARCHAR(100) Tallas que se pidieron en el pedido

Unidades INT Cantidad por talla

tbl_

Pro

du

cto

s

Tabla que contiene

el detalle de los

productos, estos son

la representación de

un Estilo, Color y

temporada

Nro_Producto INT Identificador único de la tabla

Nombre_Producto VARCHAR(100) Campo que describe el registro

Id_Estilo INT Clave foránea que tiene relación con la tabla

tbl Id_Estilos

Id_Color INT Clave foránea que tiene relación con la tabla

tbl Id_Colores

Id_Temporada INT Clave foránea que tiene relación con la tabla

tbl d_Temporadas

Id_Estado INT Clave foránea que tiene relación con la tabla

tbl Id_Estados

tbl_

Dis

trib

uci

on

esT

ien

das

Tabla que almacena

la producción que

se le ha enviado a

las tiendas

Id_Distribucion INT Identificador único de la tabla

Id_Pedido INT Clave foránea que tiene relación con la tabla

tbl_Pedidos

Id_Tienda INT Clave foránea que tiene relación con la tabla

tbl_Tiendas

Id_Estado INT Clave foránea que tiene relación con la tabla

tbl_Estados

Placa_Carro VARCHAR(10) Clave foránea que tiene relación con la tabla

tbl_CarroDespacho

Id_Proveedor VARCHAR(12) Identificador del proveedor del insumo

Cant_Entregada INT Cantidad de prendas que se entregaron a la

tienda






registro

tbl_

Tie

nd

as

Tabla que guardar

las distribuciones de

las tiendas

Id_Tienda INT Identificador único de la tabla


Dir_Ubicacio VARCHAR(100) Dirección donde está ubicada la tienda

Id_Ciudad INT Clave foránea que tiene relación con la tabla

tbl_Ciudades

Id_Bodega INT Clave foránea que tiene relación con la tabla

tbl_Bodegas






registro

tbl_

Ub

icac

ion

es Tabla que almacena

las ubicaciones de

los pedidos en la

bodega

Id_Ubicacion INT Identificador único de la tabla

Id_Bodega INT Clave foránea que tiene relación con la tabla

tbl_Bodegas

Id_Estanteria INT Clave foránea que tiene relación con la tabla

tbl_Estanterias

Num_Entrepaño VARCHAR(100) Número del entrepaño por estanteria

tbl_

Est

ante

rias

Tabla que almacena

las estanterias que

se usan para

almacenar los

pedidos

Id_Estanteria INT Identificador único de la tabla

CapacidadXUds INT Cantidad de unidades que caben en la

estantería

CapacidadXPesoKG INT Peso que soporta la estanteria

tbl_

Est

ado

s Tabla que contienen

los estados que se

manejan en la base

de datos



tbl_

Co

tiza

cio

nes

_E

nc

Tabla que almacena

el encabezado de las

cotizaciones que se

ralizan para

determinar el costo

de las prendas

Id_Cotiza INT Identificador único de la tabla

Estilo INT Clave foránea que tiene relación con la tabla

tbl Id_Estilo

Margen_ganancia INT Margen con el que se va a calcular el precio

de venta al pùblico

Fecha_Actual DATETIME Fecha en la que se crea el registro

Fecha Vigencia DATETIME Fecha en la que se crea el registro

User_Crea VARCHAR(100) Usuario que creo el registro

tbl_

Co

tiza

cio

nes

_

Det

Tabla que almacena

el detalle de las

cotizaciones que se

ralizan para

determinar el costo

de las prendas

Id_Enc INT Clave foránea que tiene relación con la tabla

tbl_Cotizaciones_Enc

Id_Insumo INT Clave foránea que tiene relación con la tabla

tbl_Insumos

Cantidad INT Cantidad que se cotizo por insumo

Valor_Unitario INT Valor unitario del insumo

tbl_

Ciu

dad

es Tabla que contienen

las ciudades donde

hay almacenes

Id_Ciudad INT Identificador único de la tabla


tbl_

Car

roD

esp

ach

o Tabla que almacena

la información del

carro que se usa

para realizar los

despachos a las

tiendas

Placa VARCHAR(10) Identificador único de la tabla

Capacidad INT Cantidad de unidades que puede llevar el

carro

TlContacto VARCHAR(10) Teléfono para contactar el conductor del carro

Conductor VARCHAR(50) Nombre del Conductor del carro

Id_TipoCarro INT Clave foránea que tiene relación con la tabla

tbl_TipoCarro

tbl_

Tip

oC

arro

Tipificación de los

carros

Id_TipoCarro INT Identificador único de la tabla

Descripcion VARCHAR(100) Descripción del tipo de carro

tbl_

Bo

deg

as

Tabla que almacena

las bodegas que se

crean en el sistema

Id_Bodega INT Identificador único de la tabla

Id_TipoBodega INT Clave foránea que tiene relación con la tabla

tbl_TipoBodega

Uds_Capacidad INT Cantidad de unidades que puede almacenar la

bodega

Observación VARCHAR(100) Campo en el que se pone un texto libre






registro

tbl_

Tip

oB

od

ega

Tabla que almacena

los tipos de bodegas

Id_TipoBodega INT Identificador único de la tabla

Nombre VARCHAR(100) Descripción del bodega

Observación VARCHAR(100) Campo en el que se pone un texto libre





Tabla 9. Diccionario de datos Base de datos Pos


tblF

actu

ras_

En

c


encabezados de las

ventas que se hacen por

tiendas

Id_Factura INT Identificador único de la tabla

Id_Cliente INT Clave foránea que tiene relación con la tabla

tbl_Clientes

Fecha_Factura DATETIME Fecha en la que se crea el registro

Id_Almacen INT Clave foránea que tiene relación con la tabla

tbl_Almacenes

Id_MedioPago INT Clave foránea que tiene relación con la tabla

tbl_MediosPago

User_Creacio

n

VARCHAR(100) Usuario que creo el registro

Fecha_Mod DATETIME Fecha en la que se realizó la última modificación

al registro


registro

tblF

actu

ras_

Det

Tabla que almacena el

detalle de las facturas

Id_Factura INT Clave foránea que tiene relación con la tabla

tblFacturas_Enc

Id_ArticuloTa

lla

INT Clave foránea que tiene relación con la tabla

tbl_Articulo_Tallas

Cantidad INT Cantidad de artículos vendidos

PVP INT Precio de venta al público

Fecha_Creaci

on

DATETIME Fecha en la que se crea el registro

User_Creacio

n



al registro


registro

tbl_

Cli

ente

s

Tabla que contiene los

clientes que compran las

prendas en las diferentes

tiendas de la compañía

Id_Cliente INT Identificador único de la tabla


Celular VARCHAR(100) Número del celular del cliente

Fecha_Cumpl

eaños


Id_TipoClient

e


tbl_TipoClientes

Sexo VARCHAR((8) Sexo del cliente

CupoCredito INT Cantidad límite de crédito que tiene el cliente

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Alm

acen

es

Tabla que contienen la

información de los

almacenes de la

compañía

Id_Almacen INT Identificador único de la tabla


Dir_Uibcacion VARCHAR(100) Dirección donde está ubicado el almacen

Telefono VARCHAR(100) Teléfono del almacen

Cant_uds_Bod

ega

INT Cantidad de unidades que caben en la bodega

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Art

icu

los Tabla que almacena la

información del

inventario de la tienda

Id_Articulo INT Identificador único de la tabla


Estilo VARCHAR(100) Estilo del artículo

Color VARCHAR(100) Color del artículo

PVP_Actual INT Precio de venta al público del artículo

Cantidad INT Cantidad de artículos que hay en inventario

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Art

icu

lo_

Tal

las

Tabla que detalla las

tallas en los diferentes

estilos que se tienen en

inventario

Id_ArticuloTa

lla

INT Identificador único de la tabla

Id_Articulo INT Clave foránea que tiene relación con la tabla

tbl_Artículos

Talla VARCHAR(100) Talla de un artículo

Cantidad INT Cantidad de prendas por talla

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Tip

oC

lien

tes


categorías que tienen los

clientes de los almacenes

Id_TipoClient

e



Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Cie

rres

Tabla que almacena la

relación de las ventas

reportadas en el sistema

y el dinero que tienen en

el almacén

Id_Cierre INT Identificador único de la tabla

Id_MedioPago INT Clave foránea que tiene relación con la tabla

tbl_MediosPago

Dinero_Venta

s_Sistema

INT Dinero que el sistema indica que se vendió en el

día

Dinero_Venta

s

INT Dinero que reporta el cajero que tiene físico

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Med

iosP

ago

Tabla que contienen los

medios a través de los

cuales se puede pagar

una factura

Id_MedioPago INT Identificador único de la tabla


Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Co

ntr

ol_

Imp

resi

on

_F

actu

ra

Tabla que lleva el

registro de la cantidad de

veces que se imprime

una factura

Id_Control INT Identificador único de la tabla


tbl_Facturas

Cantidad_Imp

resiones

INT Cantidad de veces que han impreso la factura

Fecha_Impresi

on


User_Impresio

n


Terminal_Imp

rimen

VARCHAR(100) Terminal desde la cual se realiza la impresión de

la factura

Observacion VARCHAR(100) Campo opcional tb

l_D

evo

luci

on

se

Tabla que lleva el

registro de las

devoluciones de prendas

Id_Devolucio

n


Id_FacturaCo

mpra


tblFacturas_Enc

Id_Almacen_

Devolucion


tbl_Almacenes

Fecha_Creaci

on


User_Creacio

n


tbl_

Cre

dit

os

Tabla en la que se

registran los créditos que

hacen los clientes

Id_Credito INT Identificador único de la tabla


tblFacturas_Enc

NumCuotas INT Tiempo al que está diferido el crédito

VlrCuota INT Valor que se cancela en cada cuota

PeriodoPagodi

as

INT En este campo se define cada cuantos días se

deben realizar los abonos

CantCuotasPa

gas

INT Campo que indica cuántas cuotas ha pagado el

cliente

Fecha_Creaci

on


User_Creacio

n



al registro


registro

tbl_

Ab

on

osC

red

ito

s Tabla en la que se

registran los pagos que

se realizan

periódicamente a los

creditos

Id_Abono INT Identificador único de la tabla

Id_Credito INT Clave foránea que tiene relación con la tabla

tbl_Creditos

ValorPagado INT Valor que se abono

CantCuotasaP

agar

INT Cantidiad de cuotas que se paga en el abono

Fecha_Creaci DATETIME Fecha en la que se crea el registro

on

User_Creacio

n



al registro


registro

tbl_

Cre

dit

osM

oro

sos

Tabla en la que se

registran los creditos que

estàn en mora

Id_CreditoMo

roso


Id_Credito INT Identificador único de la tabla

Id_TiempoMo

ra


tbl_TiemposMora

Id_EstadoCob

ro


tbl_Estados

Negociado BIT Campo que indica si se ha llegado a algún

acuerdo con el cliente

tbl_

Tie

m

po

sMo

ra

Tabla que contiene los

tiempos de mora de los

creditos

Id_TiempoMo

ra


Descripcion VARCHAR(100) Nombre del tiempo de mora

tbl_

Est

ado

s Tabla de estados de la

base de datos


Descripcion VARCHAR(100) Nombre del estado

6.2.3. Tablas de Dimensiones y de Hechos para el Data Mart

La Tabla 10 contiene las bases de datos y las tablas necesarias para poblar las diferentes

dimensiones y la tabla de hechos del Data Mart. En total se usaron 4 bases de datos

transaccionales y 21 tablas.

Tabla 10. Relación preguntas con las tablas de las bases de datos transaccionales utilizadas

en la empresa textil

Base de datos Tabla Preguntas

dbProdConfec

tbl_Estilos 1,2 y 4

tbl_Colores 1,2 y 4

tbl_Productos 1,2 y 4

tbl_Temporadas 1,2 y 4

tbl_OrdenesProduccion 2

tbl_InsumoXProducto 2

tbl_Insumos 2 y 4

tbl_Contratos 4

tbl_Cotizaciones_Enc 4

tbl_Cotizaciones_Det 4

dbPos

tblFacturas_Enc 1,2 y 3

tbl_Almacenes 1,2 y 3

tblFacturas_Det 1

tbl_Articulo_Tallas 1

tbl_Clientes 2

dbCorte TTelas 2

dbVentas

tbl_Pedidos 4

tbl_TallasPedidos 4

tbl_Ubicaciones 4

tbl_Bodegas 4

tbl_TipoBodega 4

La columna Preguntas hace referencia a las enunciadas en la sección PREGUNTAS DEL

NEGOCIO, las cuales se van a resolver haciendo uso de las tablas que se mencionan en la

columna Tabla; en la columna Bases de datos se muestra a qué base de datos pertenece dichas

tablas.

6.2.4. Diseño del Data Mart

El modelo elegido para realizar el diseño fue un modelo estrella; éste tiene como tabla de

hechos Fact_Facturación y está compuesta por 14 dimensiones, tal como se ve en la Figura

21, las cuales nos permiten responder las preguntas del negocio. Para ver este modelo con

mayor detalle diríjase al diccionario de datos (Tablas 4-9).

Figura 21. Diseño de Data Mart de Ventas

Tabla 11. Diccionario de datos del Data Mart


Fac

t_F

actu

raci

on

Tabla de hechos que

contiene las facturas y

relaciones de las

diferentes dimensiones

Id_Factura INT Identificador de la factura

Id_Producto INT Clave foránea que hace relación a la

dimensiòn Dim_Productos

Id_Estilo INT Clave foránea que hace relación a la

dimensiòn Dim_Estilos

Id_Color INT Clave foránea que hace relación a la

dimensiòn Dim_Colores

Id_Temporada INT Clave foránea que hace relación a la

dimensiòn Dim_Temporadas

Id_Alamacen INT Clave foránea que hace relación a la

dimensiòn Dim_Almacenes

Id_Tiempo INT Clave foránea que hace relación a la

dimensiòn Dim_Tiempo

Id_Talla INT Clave foránea que hace relación a la

dimensiòn Dim_Tallas

Id_Cliente INT Clave foránea que hace relación a la

dimensiòn Dim_Clientes

Id_Tela INT Clave foránea que hace relación a la

dimensiòn Dim_Telas

Id_InsumoXProducto INT Clave foránea que hace relación a la

dimensiòn Dim_InsProd

Id_Contrato INT Clave foránea que hace relación a la

dimensiòn Dim_Contratos

Id_UbicacionBodega INT Clave foránea que hace relación a la

dimensiòn Dim_UbicacionesBodegas

Id_Pedido INT Clave foránea que hace relación a la

dimensiòn Dim_Pedidos

Id_Cotizacion INT Clave foránea que hace relación a la

dimensiòn Dim_Cotizaciones

Ventas_Almacen_Mes INT Valor vendido en el almacen en el mes

Vlr_Compra_Cliente INT Valor de la compra realizada

Vlr_Tot_Compras_Clie

nte

INT Valor total de las compras por dìa de un

cliente

Vlr_Vendido_dia INT Cantidad de dinero que se vende en el

dìa

CantidadVendida INT Cantidad de prendas que se vendieron en

esta factura

Dim

_P

rod

uct

os

Dimensión de productos Id_DimProducto INT Identificador único de la dimensión

Nro_Producto INT Identificador del producto

Nombre_Producto VARCHAR(50) Nombre del producto, este está

compuesto por el estilo, color,

temporada y tela

Estilo VARCHAR(50) Estilo del producto

Color VARCHAR(50) Color del producto

Temporada VARCHAR(50) Temporada del producto

Tela VARCHAR(50) Tela del producto

Dim

_T

alla

s

Dimensión de tallas Id_DimTalla INT Identificador único de la dimensión

Id_Talla INT Identificador de la talla

Talla VARCHAR(20) Talla

Dim

_E

stil

o

s

Dimensión de Estilos Id_DimEstilos INT Identificador único de la dimensión

Id_Estilo INT Identificador del estilo

Descripción VARCHAR(50) Nombre del estilo

Dim

_C

olo

r

es

Dimensión de Colores Id_DimColor INT Identificador único de la dimensión

Id_Color INT Identificador del color

Descripción VARCHAR(50) Nombre del color

Dim

_T

emp

or

adas

Dimensión de

Temporadas

Id_DimensionTempora

da

INT Identificador único de la dimensión

Id_Temporada INT Identificador de la temporada

Nombre_Temporada VARCHAR(50) Nombre de la temporada

Dim

_A

lmac

en

es

Dimension de almacenes Id_DimAlmacen INT Identificador único de la dimensión

Id_Tienda INT Identificador de la tienda

Nombre VARCHAR(100) Nombre de la tienda

Dir_Ubicacio VARCHAR(100) Dirección donde está ubicada la tienda

Ciudad VARCHAR(30) Ciudad donde se encuentra la tienda

Bodega VARCHAR(30) Bodega que pertence a la tienda

Dim

_T

iem

po

Dimensión de tiempo Id_DimTiempo INT Identificador único de la dimensión

Hora VARCHAR(10) Hora con minutos y segundos

Dia_Letras VARCHAR(20) Nombre del día

Num_Dia_Semana INT Número del día en los 7 días de la

semana

Semana_Mes INT Número de semana en el mes

Semana_Año INT Número de semana en el año

Mes_Letras VARCHAR(12) Nombre del mes

Num_Mes_Año INT Número del mes de los 12 meses del año

Trimestre INT Número de trimestre en el año

Semestre INT Número de semestre en el año

Año INT Año en número

Dim

_C

lien

tes

Dimensión de clientes Id_DimClientes INT Identificador único de la dimensión

Id_Cliente INT Identificador del cliente

Nombre VARCHAR(100) Nombre del cliente

Celular VARCHAR(100) Celular de contacto

Fecha_Cumpleaños DATETIME Fecha en la que el cliente cumple años

TipoCliente VARCHAR(100) Clasificacíon del cliente

Sexo VARCHAR(8) Genero del cliente

CupoCredito INT Tope de crédito del cliente

Dim

_T

elas

Dimensión de telas Id_DimTelas INT Identificador único de la dimensión

Id_Tela INT Identificador de la tela

Nombre VARCHAR(100) Nombre que el fabricante da a la tela

Composicion VARCHAR(MAX) Descripción de la composición de la tela

Dim

_I

nsP

rod

Dimensíon de los

insumos usados para

Id_DimInsProducto INT Identificador único de la dimensión


fabricar un producto Nombre_Producto VARCHAR(50) Nombre del producto, este está

compuesto por el estilo, color,temporada

y tela

Insumos VARCHAR(MAX) Descripción de los insumos usados para

fabricar la prenda

Dim

_C

on

tr

ato

s

Dimesnión de contratos Id_DimContrato INT Identificador único de la dimensión

Id_Contrato INT Identificador del contrato

TipoContrato VARCHAR(50) Tipo de contrato

Dim

_U

bic

acio

nes

Bo

deg

a

Diemsión de ubicación

de las prendas

Id_DimUbicacionBode

ga

INT Identificador único de la dimensión

Id_Bodega INT Identificador de la bodega

Almacen VARCAR(100) Nombre del almacen al cual pertenece la

ubicación

TipoBodega VARCHAR(100) Tipo de bodega(Bodega general o

bodega tienda)

Id_Ubicacion INT Identificador de la ubicación

Id_Estanteria INT Identificador de la estanteria

Num_Entrepaño INT Número del entrepaño

Uds_Capacidad INT Unidades que puede almacenar la

bodega

Dim

_P

edid

os

Dimensión que tiene el

detalle de las prendas que

se mandaron a

confeccionar

Id_DimPedido INT Identificador único de la dimensión

Id_Pedido INT Identificador del pedido


Id_Cotizacion INT Identificador de la cotización del pedido

Ubicacion VARCHAR(100) Lugar donde está alamacenado el pedido

Uds_Pedidas INT Unidades totales del pedido

Talla VARCHAR(50) Tallas del pedido

UnidadesXTalla INT Cantidad que se tienen por talla

Dim

_C

oti

z

acio

nes

Dimensión de

cotizaciones

Id_DimCotizacion INT Identificador único de la dimensión

Id_Cotiza INT Identificador de la cotización

Estilo VARCHAR(50) Estilo que se está cotizando

Precio INT Precio de la cotización

Insumo VARCHAR(100) Insumos que están en la cotización

Cantidad INT Cantidad del insumo

Valor_Unitario INT Valor del insumo por unidades

6.3. Diseños de ETL

A continuación se presentan los diagramas de flujo de los ETL para cargar el Data Mart de

ventas. Aunque no estaba contemplado de los objetivos, los investigadores los proponen como

una guía en la cual se dan recomendaciones generales de cómo se deben desarrollar los ETL

para cargar el Data Mart.

Figura 22. ETL Dimensión Almacenes

Figura 23.ETL Dimensión Clientes

Figura 24.ETL Dimensión Color

Figura 25.ETL Dimensión Contratos

Figura 26.ETL Dimensión Cotizaciones

Figura 27. ETL Dimensión Estilos

Figura 28. ETL Dimensión InsProd

Figura 29. ETL Dimensión Pedidos

Figura 30.ETL Dimensión Productos

Figura 31. ETL Dimensión Tallas

Figura 32. ETL Dimensión Telas

Figura 33. ETL Dimensión Temporadas

Figura 34. ETL Dimensión Tiempo

Figura 35. ETL Dimensión UbicacionesBodega

Figura 36. ETL Dimensión Facturación

7. CONCLUSIONES

La literatura concerniente a inteligencia de negocios revisada, fue suficiente para elaborar

un marco conceptual que respaldó la elaboración del proyecto.

La revisión de los procesos de la compañía textil, la observación en campo y el

acompañamiento de los expertos en el proceso de ventas, fue el trabajo fundamental para

lograr la adecuada definición de las preguntas del negocio, insumo esencial para el diseño del

Data Mart.

El diseño del Data Mart proporciona a las empresas, herramientas para la elaboración de

una solución de inteligencia de negocios que permita realizar de forma óptima el

procesamiento de datos para la construcción y presentación de información, facilitando el

proceso de la gestión de la toma de decisiones.

8. RECOMENDACIONES

Una correcta revisión de literatura acerca de inteligencia de negocios, es el inicio más

apropiado para la elaboración de un proyecto de este tipo; de esta manera se garantiza que la

elección de la metodología que respalde el planteamiento de la solución, se hará de forma

adecuada.

Debido al alcance del proyecto, no se contempló la implementación del Data Mart, ETL,

cubos e informes, por lo que se recomienda realizar estas implementaciones con el fin de

validar el diseño presentado en este proyecto.

Es importante para un buen diseño del Data Mart, tener conocimiento suficiente del

negocio y tener claridad de los requerimientos necesarios para plantear una solución

adecuada.

Consultar y comprender diferentes metodologías propuestas por varios autores, es la

forma más asertiva para aplicar la más conveniente en un proyecto de BI, ya que cada uno

tiene requerimientos diferentes, y las metodologías de Kimball e Inmon (metodologías más

comunes) pueden no ser las más adecuadas para todos los proyectos.

ANEXOS

Anexo 1. Cuadro de verificación del modelado del negocio

Código Concepto Cumple No

Cumple

01 El modelo cumple con el proceso de elaboración y venta de una

prenda

X

02 El modelo abarca todas las áreas que se relacionan con la

construcción y venta de las prendas

X

03 La comunicación entre las áreas se diagrama de forma correcta X

04 El medio de transferencia de información (Correo electrónico) se

diagrama de forma efectiva

X

05 Se evidencia cuáles son las responsabilidades de cada área en la

elaboración y venta de las prendas

X

06 El lenguaje de modelado cumple con los estándares de

modelación de la compañía

X

REFERENCIAS

[1] Informatica de data integration company, «El gobierno de datos hace realidad los datos

fiables,» Mayo 2014. [En línea]. Available:

http://www.informatica.com/es/solutions/data_governance/Pages/index.aspx.

[2] Deloitte.com, «Gobierno de Datos: Por el gobierno del negocio,» Junio 2014. [En línea].

Available: http://www.deloitte.com/view/es_CL/cl/servicios/risk-

consulting/189b4f4de9d55310VgnVCM3000001c56f00aRCRD.htm..

[3] J. C. Pavas y O. M. Jaramillo, «Modelo para el diseño y desarrollo de una bodega de

datos caso a la problemática de ausentimos en las fincas bananeras afiliadas a la empresa

CI. UNIBAN,» Universidad de San Buenaventura, Medellín, 2011.

[4] Confidencial, Interviewee, Empresa Caso de estudio. [Entrevista]. 05 10 2014.

[5] J. C. Araníbar, «Inteligencia de negocios,» Rev Cien Cult., pp. 95-101, 2003.

[6] L. M. V. Valderrama, « Definición de estrategias para la implementación de una bodega

de datos en la Secretaria de Salud de Medellín,» Universidad de San Buenaventura,

Medellín, 2013.

[7] M. L. Gillenson, Administración de bases de datos, Medellín: Limusa, 2006.

[8] Departamento Nacional de Planeación, Guía metodológica para la implementación de

Bodega de Datos corporativa y soluciones de inteligencia de negocios, Bogotá:

Departamento Nacional de Planeación, 2013.

[9] F. Grajales Fonnegra, «Diagnóstico y metodología BI,» de 2ndo foro Business

Intelligence Universidad de los Andes, Bogotá, 2012.

[10] L. Molina y S. Ribeiro, «Descubrimiento conocimiento para el mejoramiento bovino

usando técnicas de data mining,» de Actas del IV Congreso Catalán de Inteligencia

Artificial, Barcelona, 2001.

[11] H. D. Jiménez Arbeláez y D. A. Ramírez Zapata, Construcción del modelo de ventas

multidimensional basado en la información histórica de la organización., Medellín:

Universidad San Buenaventura, 2011.

[12] H. I. W, Building the Data Warehouse., New York: john Wiley & Sons, 1996.

[13] F. Hurtado Giraldo, «Las bodegas de datos (data warehouse): una introducción.,» Revista

Escuela Colombiana de Ingeniería, nº 32, pp. 36-42, 1998.

[14] R. Anaya, «Las bodegas de datos como apoyo a los sistemas de información acerca del

negocio,» Revista Universidad Eafit, vol. 32, nº 104, pp. 93-101, 1996.

[15] J. D. Peña Rivera y J. A. Suárez Daza, Utilización de información histórica para

decisiones empresariales, Bogotá: Pontiificia Universidad Javeriana, 2005.

[16] M. D. Hernández Ramírez, «Procedimiento para el desarrollo de un sistema de

inteligencia de negocios en la gestión de ensayos clínicos en el Centro de Inmunología

Molecular,» Revista Cubana de Información en Ciencias de la Salud, vol. 22, nº 4, 2011.

[17] F. García Merayo y E. Luna Ramírez, «Data Warehousing: Arquitectura de los meta

datos,» Revista Mundo Electrónico, vol. 321, pp. 52-54, 2001.

[18] J. J. Pacheco Ochoa y E. A. Vargas Huarca, Un Sistema de información ejecutivo basado

en datamart para la prevención, análisis y supervisión de las operaciones de lavado de

activos en la Empresa Concorde, Lima: Universidad Nacional Mayor San Marcos, 2008.

[19] M. A. González Martínez, El Data Mart en las pequeñas y medianas empresas como

auxiliar en el proceso de toma de decisiones, Veracruz: Universidad Veracruzana, 2008.

[20] B. Inmon, Building the Data Warehouse, Wiley & Sons, 2002.

[21] R. Kimball, The Data Warehouse Lifecycle Toolkit, New York: Wiley & Sons, 2008.

[22] J. Firestone, «Data Warehouse and Data Marts: a dynamic view,» Revista DSstar, vol. 4,

nº 38, 2000.

[23] M. Tamayo y F. J. Moreno, «Análisis del modelo de almacenamiento MOLAP frente al

modelo de almacenamiento ROLAP,» Ingeniería e Investigación, vol. 26, nº 3, pp. 135-

142, 2006.

[24] J. Ibarzábal, Estrategia de reporting, Cedyc S.Coop, 2003.

[25] G. R. Rivadera, La metodología de Kimball para el diseño de almacenes de, Salta:

Revista UCASAL, 2010.

[26] S. A. Bustos y V. N. Mosquera, «Análisis, diseño e implementación de una solución BI

para la generación de indicadores y control de desempeño, en la empresa Octecel S.A

utilizando la metodología Hefesto V2.0,» Sangolquí, 2013.

[27] J. L. Tufiño Lopez, «Desarrollo del Data Mart para el sistema nacional de vigilancia

tecnológica de software libre,» Quito, 2013.

[28] R. D. Bernabeu, «HEFESTO: Metodología para la Construcción de un Data Warehouse».

Córdoba, Argentina 2010.

[29] Tdwi.org, «El gobierno de datos hace realidad los datos fiables,» Junio 2014. [En línea].

Available: http://tdwi.org/portals/business-intelligence.aspx.

[30] F. Merayo y E. Luna, «Data Warehousing: arquitectura de los metadatos.,» Mundo

electrónico, vol. 321, pp. 52-54, 2001.

Documents

DISEÑO DE UN MODELO DE DATA MART (DM): CASO INDUSTRIA TEXTIL