Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
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
preguntas del negocio
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
A7 Constancia de revisión
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
A9 Constancia de revisión
y aprobación
Cualitativa Información de la
actividad A8
A10 Lista de verificación de
fuentes que dan
respuesta a las
preguntas del negocio
Cualitativa Información de la
actividad A8
A11 Listado de variables Cualitativa Información de la
actividad A8
A12 Modelo dimensional Cualitativa Información de la
actividad A8, A10 y
A11
A13 Constancia de revisión
y aprobación
Cualitativa Información de la
actividad A12
A14 Diagrama de
actividades
Cualitativa Información de la
actividad A10, A11,
A12
A15 Constancia de revisión
y aprobación
Cualitativa Información de la
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.
Tablas Descripción Tabla Campos Tipo Descripción Campo
Nombre VARCHAR(50) Campo que contienen el nombre del
Insumo
Id_Proveedor INT Campo que contienen el Nit o Cedula
del proveedor.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
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
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod DATETIME Fecha en que se Modifica un registro.
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
Tablas Descripción Tabla Campos Tipo Descripción Campo
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
orden de producción
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
Tablas Descripción Tabla Campos Tipo Descripción Campo
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.
Tablas Descripción Tabla Campos Tipo Descripción Campo
Fecha_Mod DATETIME Fecha en que se Modifica 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
orden de producción
Id_OrdenProd INT Campo que identifica el número de la
orden de producción
Fecha_Creacion DATETIME Fecha en que se crea un registro.
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod DATETIME Fecha en que se Modifica un registro.
tbl_
Tra
zos_
Det
Tabla que almacena el detalle de la
programación de los trazos para una
orden de producción
Id_Trazo INT Campo que identifica el trazo para una
orden de producción
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
Fecha_Creacion DATETIME Fecha en que se crea un registro.
User_Creacion VARCHAR(50) Usuario que crea un registro.
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
Tablas Descripción Tabla Campos Tipo Descripción Campo
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
Tablas Descripción Tabla Campos Tipo Descripción Campo
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
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica 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
Fecha_Creacion Datetime Fecha en que se crea un registro
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod Datetime Fecha en que se Modifica un registro.
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_Rollo INT Campo que identifica el tipo de rollo
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
Fecha_Creacion Datetime Fecha en que se crea un registro
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod Datetime Fecha en que se Modifica un registro.
Tp
ro
gra
mac
i
on
es Tabla que guarda los
datos de las telas que
Id_Programacion INT Campo que identifica
Id_Rollo INT Campo que identifica el tipo de rollo
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
Fecha_Creacion Datetime Fecha en que se crea un registro
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod Datetime Fecha en que se Modifica un registro.
TT
ipo
Mo
vim
i
ento
Tabla que almacena los
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
Tabla que almacena las
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
Tabla que almacena los
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
Fecha_Creacion Datetime Fecha en que se crea un registro
User_Creacion VARCHAR(50) Usuario que crea un registro.
User_Mod VARCHAR(50) Usuario que Modifica un registro.
Fecha_Mod Datetime Fecha en que se Modifica un registro.
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
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 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
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
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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
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
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 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
Descripción VARCHAR(100) Campo que describe el registro
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
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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
Tabla 8. Diccionario de datos Base de datos Ventas
Tablas Descripción Tabla Campos Tipo Descripción Campo
tbl_
Est
ilo
s
Tabla que guarda
los estilos que se
van a vender
Id_Estilo INT Identificador único de la tabla
Descripción VARCHAR(100) Campo que describe el registro
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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
Descripción VARCHAR(100) Campo que describe el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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_
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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_
Tal
lasP
edid
o
s
Tabla que contiene
las tallas de una
orden de producción
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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_
Tie
nd
as
Tabla que guardar
las distribuciones de
las tiendas
Id_Tienda INT Identificador único de la tabla
Nombre VARCHAR(100) Campo que describe el registro
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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_
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
Id_Estado INT Identificador único de la tabla
Descripcion VARCHAR(100) Campo que describe el registro
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
Descripcion VARCHAR(100) Campo que describe el registro
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
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_
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
Fecha_Creacion DATETIME Fecha en la que se crea el registro
User_Creacion VARCHAR(100) Usuario que creo el registro
Fecha_Mod DATETIME Fecha en la que se realizó la última
modificación al registro
Tabla 9. Diccionario de datos Base de datos Pos
Tablas Descripción Tabla Campos Tipo Descripción Campo
tblF
actu
ras_
En
c
Tabla que almacena los
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
User_Mod VARCHAR(100) Usuario que realizó la última modificación al
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
VARCHAR(100) Usuario que creo el registro
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_
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
Nombre VARCHAR(100) Campo que describe el registro
Celular VARCHAR(100) Número del celular del cliente
Fecha_Cumpl
eaños
DATETIME Fecha en la que se crea el registro
Id_TipoClient
e
INT Clave foránea que tiene relación con la tabla
tbl_TipoClientes
Sexo VARCHAR((8) Sexo del cliente
CupoCredito INT Cantidad límite de crédito que tiene el cliente
Fecha_Creaci
on
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
Alm
acen
es
Tabla que contienen la
información de los
almacenes de la
compañía
Id_Almacen INT Identificador único de la tabla
Nombre VARCHAR(100) Campo que describe el registro
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
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
Art
icu
los Tabla que almacena la
información del
inventario de la tienda
Id_Articulo INT Identificador único de la tabla
Nombre VARCHAR(100) Campo que describe el registro
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
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
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
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
Tip
oC
lien
tes
Tabla que almacena las
categorías que tienen los
clientes de los almacenes
Id_TipoClient
e
INT Identificador único de la tabla
Descripcion VARCHAR(100) Campo que describe el registro
Fecha_Creaci
on
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
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
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
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
Nombre VARCHAR(100) Campo que describe el registro
Fecha_Creaci
on
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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
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
Id_Factura INT Clave foránea que tiene relación con la tabla
tbl_Facturas
Cantidad_Imp
resiones
INT Cantidad de veces que han impreso la factura
Fecha_Impresi
on
DATETIME Fecha en la que se crea el registro
User_Impresio
n
VARCHAR(100) Usuario que creo el registro
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
INT Identificador único de la tabla
Id_FacturaCo
mpra
INT Clave foránea que tiene relación con la tabla
tblFacturas_Enc
Id_Almacen_
Devolucion
INT Clave foránea que tiene relación con la tabla
tbl_Almacenes
Fecha_Creaci
on
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
tbl_
Cre
dit
os
Tabla en la que se
registran los créditos que
hacen los clientes
Id_Credito INT Identificador único de la tabla
Id_Factura INT Clave foránea que tiene relación con 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
DATETIME Fecha en la que se crea el registro
User_Creacio
n
VARCHAR(100) Usuario que creo el registro
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_
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
VARCHAR(100) Usuario que creo el registro
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_
Cre
dit
osM
oro
sos
Tabla en la que se
registran los creditos que
estàn en mora
Id_CreditoMo
roso
INT Identificador único de la tabla
Id_Credito INT Identificador único de la tabla
Id_TiempoMo
ra
INT Clave foránea que tiene relación con la tabla
tbl_TiemposMora
Id_EstadoCob
ro
INT Clave foránea que tiene relación con la tabla
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
INT Identificador único de la tabla
Descripcion VARCHAR(100) Nombre del tiempo de mora
tbl_
Est
ado
s Tabla de estados de la
base de datos
Id_Estado INT Identificador único de la tabla
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
Tablas Descripción Tabla Campos Tipo Descripción Campo
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
Nro_Producto INT Identificador del producto
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
Nro_Producto INT Identificador del producto
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.