Introducción

Vas con tu familia de vacaciones a un lugar turístico en San Luis Potosí, México. Decidiste ir allí porque un mes antes viste un comercial de televisión sobre ese lugar y te causó gran impacto. Además, en el trayecto a tu trabajo instalaron un nuevo panorámico con una foto del sitio. Todo lo anterior te hizo sentir que era el lugar ideal para pasar con tu familia un fin de semana de relajación. Es posible deducir que las imágenes que viste tuvieron gran impacto en tu proceso de compra.

Los seres humanos se han vuelto más visuales a partir de la constante exposición a estímulos de ese tipo, derivados de dispositivos móviles, televisión, espectaculares, etc. De hecho, el cerebro procesa 60,000 veces más rápido las imágenes que el texto, y el 90 % de la información que procesa es visual. Por esta razón es posible recordar el 80 % de las imágenes y únicamente el 20 % del texto o el 10 % del sonido.

En este tema revisarás la importancia de enviar mensajes a tus clientes a través de canales visuales y de esta forma aprovechar la agudeza del sentido de la vista. Además, en esta época del storytelling, los mensajes tienen que enviarse contando una historia al público. Es decir, tiene que existir una narración, un recorrido en el tiempo, un inicio, un conflicto y un desenlace, con la finalidad de impactar a través de lo que se ve. También se debe tratar de que el público se identifique con el mensaje y que en su mente se quede grabada la idea que se les quiere comunicar.

Explicación

Figura 1. Visualización y storytelling de datos.

Proceso de creación de impacto

Cuando se tiene la data, uno de los retos fundamentales es la forma en la que se va a presentar el análisis realizado. Sin embargo, la realidad es que no todas las personas que colaboran en las empresas hablan el mismo lenguaje, por lo que crear un impacto visual al presentar resultados, se vuelve primordial para la empresa. En la medida en que los datos puedan impactar y dejar una profunda huella tanto en las personas que colaboran en la empresa como en el público, principalmente en el mercado meta, lo demás vendrá por añadidura.

Figura 2. Diagrama de Venn del punto justo.

Piensa en los clásicos gráficos de tu hoja de cálculo favorita y compáralos con los que observas en un periódico, una revista o un medio publicitario, ¿cómo se logra desarrollar este tipo de imágenes?

1. La presencia de una línea argumental clara. Se refiere a un enfoque en el que el mensaje que se quiere emitir se visualice de forma concisa. Si el equipo de marketing tiene muy claro el mensaje que, a través de una imagen, quiere enviar al público, entonces será mucho más fácil llegar a un resultado. Imagina que estás promoviendo una galleta de chocolate, pero ¿qué quieres promover realmente? Puede ser la marca, el sabor a chocolate, la cremosidad, lo crocante, etcétera. Si se logra un enfoque máximo y de preferencia orientado hacia un solo atributo, entonces se estará en mejores condiciones de comunicar a través de una imagen.

2. El uso de una visualización potente de los resultados analíticos. Es lo que implica causar un efecto radical al observar los datos. Para esto se debe elegir una herramienta que permita mostrar los datos de una forma impresionante. Las compañías grandes de marketing regularmente contratan a alguna agencia o usan alguna plataforma que contiene herramientas visuales muy poderosas, pero cuando no se tiene el presupuesto necesario, se puede recurrir a lenguajes de programación como R o Python. Estos programas contienen librerías que pueden generar, de forma gratuita gráficos, visuales con mucha calidad.

Factores de fracaso de creación de impacto

Muchos equipos de analistas realizan estudios con efectos visuales sorprendentes, pero al final su trabajo no ha servido para poder hacer tangibles las estrategias de marketing planteadas. ¿Qué explicación se encuentra para esto? Sin duda no es la calidad del análisis lo que puede causar este problema. Si los números se han calculado de forma correcta y se han estudiado las preguntas de investigación adecuadas, pero el impacto de todo ello es limitado, puede convertirse en un obstáculo e incluso ocasionar frustración en muchos equipos de analistas. La falta de dicho impacto amenazará a largo plazo la posición de la función analítica en la empresa, por lo que se vuelve vital comprender con gran profundidad cuál es el motivo de esto. A continuación, se enlistan algunas de las posibles causas (Hotz, 2022):

1. No tener la información correcta. Es importante contar con políticas o un checklist para asegurarse del uso correcto de la información y asegurarse de que es “limpia”.
2. No tener el talento correcto. Encontrar personal calificado para manejar Big Data es complicado debido a que es uno de los perfiles más complejos y específicos. No solo se trata de tener la certificación y el conocimiento necesario, sino también se debe contar con el talento de trabajar en equipo.
3. Resolver el problema incorrecto. Es común que las empresas no tengan una alineación clara de objetivos desde el principio, esto da como resultado una malinterpretación del objetivo final o que no ataque el problema desde la raíz.
4. No desarrollar valor. La tecnología digital no necesariamente aumentará la producción, ya que hay brechas en conocimientos técnicos, habilidades y motivaciones que dificultan el puerto de los proyectos.
5. Se piensa que la implementación es el último paso. Comúnmente los proyectos terminan cuando se cumple el alcance, pero en el caso de Big Data, los proyectos terminan en la fase de implementación.
6. Se aplican procesos equivocados o no se aplican. Cuando no existen una metodología clara y establecida, las empresas realizan procesos de gestión de proyectos a la medida (ad hoc), y esto puede provocar intercambios ineficientes de información y malos análisis.
7. Olvidar la ética. Aunque las ciencias de datos pueden tener muchos beneficios, puede pasar que por descuido o de manera intencional, esta información se use de manera inadecuada. Uno de los casos recientes y notables es el de Cambridge Analytica (AFP, 2022), en el cual usuarios de Facebook acusaban violaciones de las reglas de seguridad al compartir datos con la firma mencionada, para ser usadas en la campaña presidencial de EE.UU. de 2016.
8. Pasar por alto la cultura. De acuerdo con la encuesta de New Vantage Partner’s (2021), la adopción de tecnología es más limitada por los retos culturales más allá de los retos tecnológicos.

Para concluir esta sección, se resalta la importancia de la comunicación de los resultados y las limitaciones que pueden presentarse cuando las cosas se complican. Lo más simple es lo mejor en muchas de las ocasiones. Se debe tener muy claro qué se quiere comunicar, probarlo en el entorno y si es claro entonces comunicarlo al público meta.

Storytelling de datos

¿Recuerdas algún cuento que te haya narrado tu papá, mamá o alguien cercano a ti en tu niñez?, ¿qué sensación te dejó? y ¿por qué ese recuerdo está tan presente? Uno de los principios básicos cuando se quiere impactar con un mensaje, es que tenga una historia central. Dicho mensaje debe introducirse con creatividad a partir de una situación específica, además debe contar con una complicación o conflicto central respaldado por argumentos y que tenga un desenlace donde se solucione el conflicto. Una historia bien contada causará tanto impacto, que puede llegar a permanecer en la mente de alguien por mucho tiempo y ser recordada en el momento adecuado dependiendo del contexto.

Existen varios enfoques para comunicar efectivamente, enseguida se presenta el Principio de la pirámide, desarrollado por Bárbara Minto. Consiste en una técnica de comunicación efectiva que, en su forma más simple, dicta que la comunicación debe comenzar con un mensaje central, para luego entregar de dos a cuatro argumentos que lo soporten. Este principio puede llegar a ser tan básico que aplica para muchas situaciones, ya sea para la comunicación escrita, oral o visual, ya que ayuda a estructurar los mensajes de una forma clara y convincente (Justiniano, 2018).

Este principio dicta que la comunicación debe tener una estructura piramidal, situando en la cúspide el consejo o mensaje central y debajo de la estructura superior, en distintos puntos o párrafos, los argumentos o la motivación. Si la motivación contiene más temas, entonces empieza a existir una nueva pirámide y el mensaje es muy poderoso. Realmente se puede reforzar el impacto de la analítica desde el punto de vista semántico. El resultado de la estructura se muestra en la siguiente figura de ejemplo:

Figura 3. Ejemplo de la estructura de la comunicación.

Como puedes observar, el principio de la pirámide en este ejemplo ilustra la forma en que tu mente va de una idea a otra al momento de pensar en las marcas, productos o servicios que relacionas diariamente.

Para comprender por qué este método puede ser tan potente, considera primero lo que se suele hacer al informar. Normalmente los equipos de analistas comienzan hablando de lo que han realizado y en qué orden lo hicieron. Esto con la finalidad de mostrar a quien está a cargo un viaje analítico desde el planteamiento del problema hasta los resultados finales. Además, suelen terminar la presentación con las conclusiones importantes. Si se sigue la lógica del principio de la pirámide de Minto, lo que tendría que hacerse es estructurar la idea principal y sustentarla con argumentos. De esta forma se debe ir contando una historia que lleve al público meta al lugar que se desea. Esto permitirá concluir con gran impacto.

Visualización de datos

La visualización de los datos es de vital importancia para la Big Data y la razón puede ser muy sencilla. Se puede ejemplificar con el dicho popular: “una imagen vale más que mil palabras”. De ahí que, la labor de entender y extraer el valor de los datos es mucho más sencilla cuando se hace a través de algo visual, en lugar de solo leer las estadísticas.

En 1973, el estadístico Francis Anscombe demostró la importancia de graficar los datos. El cuarteto de Anscombe muestra cómo cuatro conjuntos de datos con estadísticas simples idénticas pueden variar considerablemente cuando se grafican (Gupta, 2022).

Como se muestra a continuación, se tienen datos con su respectiva estadística descriptiva y se observa que para la media, la varianza y el coeficiente de correlación de las variables el resultado es el mismo, pero al hacer el gráfico de cada una, estos son completamente distintos.

Tabla 1. Ejemplo de tabla.

Figura 4. Gráficas correspondientes a la tabla.

Puede observarse la diferencia en los gráficos pese a que se tienen los mismos estadísticos descriptivos. Al visualizar la data se puede notar que es completamente diferente.

De acuerdo con el sitio de la empresa india de aplicaciones web Zoho (s.f.), hay dos principales objetivos de la visualización:

• Explicación. Visualizaciones que brindan a los usuarios información relevante sobre las necesidades diarias comunes, como la cantidad de ventas por región en un día determinado.
• Exploración. Proporcionar a los usuarios una perspectiva completa y multidimensional de un conjunto de datos, permitiéndoles explorar y formular preguntas a medida que se presentan los datos, además de descubrir nuevas perspectivas a lo largo del camino. Por ejemplo, podrán evaluar el rendimiento de una empresa en función de diferentes parámetros durante un período específico. 

Diseño de reporte de datos

Un error muy común cuando se emplean gráficos es limitarse a exponer un gráfico de barras para toda la información, además de suponer que será suficiente y que se explicará por sí mismo. Sin embargo, no es así. Es necesario elegir el tipo de gráfico adecuado, ya que existen más de 50 estilos diferentes y cada uno está en función del tipo de información que se desea mostrar.

De acuerdo con Char Guide (2022), existen cuatro tipos básicos para visualizar los datos:

1. Gráficas de relación de datos. La relación entre los puntos de datos es un tipo de gráfico que busca mostrar la asociación o correlación entre dos o más variables. En este caso se puede usar un diagrama de dispersión, un gráfico de burbujas, un diagrama de red o un diagrama de cuerdas. Se muestran algunos ejemplos a continuación.


Figura 5. Ejemplos de gráficas de asociación de variables.

Estos gráficos son usados para encontrar una relación visual entre los datos, es decir, pretende mostrar la correlación entre dos variables o más. Por ejemplo, se puede mostrar cuál es la relación entre el gasto en publicidad y las ventas de la empresa, o entre el número de likes y las preferencias del público. El empleo de cada uno de ellos estará en función del impacto visual y de la capacidad de análisis del público a quien se expondrá.

2. Comparación de datos. La idea básica de este tipo de gráficos es que se busca comparar las puntuaciones de las variables a través de múltiples unidades o subunidades (grupos, tiempo, nivel de ingresos del público, ventas por categoría o departamento en una empresa). Incluso es posible tener como objetivo mostrar las tasas de conversión de diferentes sitios web a lo largo del tiempo. Se puede usar, por ejemplo, para mostrar las ventas por marca, e incluso es deseable usar colores y texto para comunicar de manera adecuada la idea que hay detrás de los datos, como se muestra continuación.


Figura 6. Ejemplo de gráficos de comparación de datos.

3. Composición de datos. Estos gráficos se utilizan para mostrar cómo se compone una variable con respecto a un todo, o cómo se construyen los datos a partir de diferentes subunidades. La forma más básica de obtener este tipo de gráficos es a partir de la tabla de frecuencias. Por ejemplo, se puede representar el origen del número de visitantes a un sitio web desde diferentes puntos de acceso, región, categoría, etc. Uno de los gráficos más populares de esta categoría es el gráfico de pastel, sin embargo, se puede agregar una gama amplia de gráficos de composición que pueden emplearse en función de los datos que se tengan.


Figura 7. Ejemplo de gráficos de composición de datos.

4. Distribución de datos. Como su nombre lo indica, estos gráficos muestran la distribución de los datos y permite conocer valores atípicos, los cuales pueden modificar la estadística descriptiva de los datos. Esto es sumamente importante dentro de una base de datos, es decir, conocer si existen datos que pueden afectar su distribución. Un ejemplo del uso de estos gráficos es cuando se tienen datos que son grupos de edades, niveles de ingreso, segmentos de mercado, etc. Es posible incluso responder a la famosa regla del 80/20 o bien, examinar la potencia de un modelo de predicción de respuesta.


Figura 8. Ejemplo de gráficos de composición de datos.

Uno de los gráficos útiles para las personas especialistas en mercadotecnia es el gráfico o diagrama de caja, que muestra los cuartiles de los datos e incluso permite observar los datos atípicos que se encuentran por arriba o debajo de los límites. Estos gráficos son una gran herramienta para examinar el comportamiento de la distribución de los datos.

Al presentar los resultados de un análisis, es importante contar una historia, tener un objetivo claro de lo que se quiere comunicar, estructurar las ideas adecuadamente y elegir el gráfico correcto que permita comunicar con profundidad lo que se desea.

Herramientas de BI (Business Intelligence)

De acuerdo con el sitio de la aplicación de gestión de proyectos Alonso (2022), existen características clave del Business Intelligence:

1. Proceso alargado en el tiempo. El proceso de business intelligence se extiende a lo largo del tiempo, permitiendo un análisis de datos continuo y prolongado. Este proceso brinda la capacidad de analizar datos pasados y establecer modelos predictivos que faciliten la toma de decisiones informadas.
2. Exploración y extracción. Son las etapas iniciales en cualquier proyecto de business intelligence, donde se busca descubrir y recopilar los datos necesarios.
3. Análisis. Entra en juego al examinar la relación entre variables y KPI (Key Performance Indicator), ya sea para realizar análisis predictivos o descubrir patrones relevantes.
4. Estructura de los datos. Los datos son analizados a través de la inteligencia de negocio. Se basa en tablas interrelacionadas, conocidas como data warehouse o información estructurada.
5. Objetivo del análisis. Para que un proyecto de business intelligence sea exitoso, es fundamental definir previamente los objetivos a alcanzar y el área de análisis. Por ejemplo, se debe definir si se busca reducir costos o incrementar las ventas, o si se está buscando cómo cumplir con las metas de ventas.
6. Comunicación de resultados y puesta en marcha de los cambios. Si se analizaron los datos y se obtuvieron conclusiones relevantes, es momento de comunicar los resultados al equipo y a las personas a cargo. Esto se hace para que se implementen las medidas necesarias.

Una de las grandes herramientas para la inteligencia de negocios que se usa en la actualidad es Power Query. Ésta es una tecnología integrada en Excel y otros productos de Microsoft, diseñada para ayudar a dar forma a los datos. Su significado tiene que ver con realizar consultas poderosas, es decir, de ahí se puede partir hacia la inteligencia de negocios. Si tú, como la mayoría de las personas que analizan grandes cantidades de información, estás acostumbrado a usar Excel, podrás usar fácilmente esta herramienta que es muy robusta a la hora de trabajar con datos.

El proceso ETL (extract, transform, load) o extraer, transformar y cargar, consiste en lo siguiente (Santos, 2023):

1. Extracción: en esta parte se extrae toda la información requerida para el proceso. Pueden extraerse datos de diferentes orígenes como páginas web, redes sociales, servicios en la nube, correos electrónicos, entre otros. Además, puede hacerse en diferentes formatos, como hojas de cálculo de Excel, archivos .txt, archivos .CSV (Comma Separated Value), bases de datos, etcétera.

2. Transformación: en esta etapa se limpian los datos para ser analizados y visualizados.

3. Carga: luego de haber transformado los datos y tenerlos listos para el objetivo final, que es la presentación de informes y la meta del proceso ETL. Por lo que se debe dejarlos en formato tabulado y posteriormente cargarlos. Esta carga se puede hacer como:

1. Tabla.
2. Informe de tabla dinámica.
3. Gráfico dinámico.
4. Crear conexiones entre bases de datos.
5. Agregar los datos al modelo de datos.

¿Qué información necesita la dirección general de una empresa para tomar decisiones? Por lo regular requiere informes, cuadros de mando, paneles, análisis multidimensionales, análisis ad hoc, análisis avanzados, análisis predictivos y alertas. Es decir, la BI (Business Intelligence) puede utilizarse de forma que permita realizar propósitos alineados a la misión y visión de la empresa.

¿Cuáles son las dos áreas clave en donde pueden presentarse problemas cuando se habla de inteligencia de negocios?

• Al establecer la estrategia BI: agrupa áreas o funciones de la empresa, como marketing, ventas, servicio al cliente, operaciones, distribución, gestión de proveedores, mejora de costo y gestión financiera.
• Al ejecutar el plan estratégico de BI: se deben alinear, priorizar y ejecutar eficazmente los diversos flujos de trabajo que son críticos para una adecuada rentabilidad de la empresa.

Utilización de herramientas para la visualización de datos

La visualización de datos se considera como la tercera etapa del proceso de inteligencia de negocios. Un gráfico es un medio de comunicación que permite transmitir información numérica o categorizada de forma visual. Su utilidad y potencia radica en la posibilidad que brinda de obtener conclusiones, identificar patrones y/o relaciones entre las variables analizadas.

Una de las herramientas actuales más importantes para la visualización de datos es Power BI. Se trata de un servicio de análisis de datos de Microsoft, orientado a proporcionar visualizaciones interactivas y capacidades de inteligencia de negocios con una interfaz sencilla para que los usuarios puedan realizar sus propios informes y paneles.

La herramienta Power BI cuenta con un catálogo de visualizaciones bastante amplio, con alrededor de 27 gráficos nativos. Esta cantidad se puede incrementar, ya que los gráficos forman parte de una interfaz que se actualiza constantemente.

Una de las grandes facilidades de esta herramienta es la de crear cualquier tipo de visualización, para lo cual se debe:

• Elegir en el panel de visualizaciones el gráfico que se quiere agregar dando clic en el ícono correspondiente.
• Arrastrar columnas a las tablas y/o medidas a las diferentes áreas de colocación.

La herramienta Power BI contiene diferentes tipos de objetos visuales:

• Gráficos de comparación.
• Gráficos de tendencia.
• Gráficos de seguimiento.
• Gráficos geográficos.
• Gráficos de segmentación.

Cada una de estas categorías tiene una misión en particular. En algunos casos, un gráfico puede transmitir mejor la información que otro. Por lo que es importante saber clasificarlos y entender para qué objetivo están diseñados.

Ventajas de la utilización de herramientas de BI

Existen ventajas que aporta el uso de herramientas en la inteligencia de negocios:

• Sencillez al realizar análisis: debido a que el software utilizado para este objetivo cuenta con interfaces intuitivas, se puede usar y emplear de una forma sencilla para cumplir el proceso de ETL.
• Agilidad de los procesos: por medio de estas herramientas, la analítica de la empresa se automatiza y se eliminan los procesos complejos. En caso de contratar a un tercero, este los resume para ti.
• Eficiencia al requerir una visión general: quien toma las decisiones prácticamente solo debe requerir la información para, de forma rápida, tener una visión amplia y precisa de lo que sucede en la empresa.
• Precisión en la asignación de responsabilidades: cuando la información está ordenada y presentada de forma sencilla y gráfica se puede mejorar su administración, ya que se conoce con precisión su origen de acuerdo con el área y responsable que la genera.
• Mejora en la visibilidad de los procesos e identificación de los que necesitan más atención: cuando la información se presenta de forma estructurada y se utilizan herramientas que facilitan su visualización, se permite identificar adecuadamente los elementos clave para la toma de decisiones. Siempre será necesario identificar con eficiencia la información más relevante de la empresa.
• Aumento de la productividad: cuando el enfoque de la información es claro y es posible tomar decisiones de forma eficiente, sin duda surge un incremento en la productividad; recortando pérdidas de tiempo y reduciendo los márgenes de error.

Desventajas de la utilización de herramientas de BI

• Mayor costo: existe una gran variedad de herramientas para BI, desde las más accesibles hasta las más caras, pero igual que cualquier tipo de producto, éstas se relacionan con el tipo de servicios que ofrecen. Es cierto que los costos aumentan al usar cualquier tipo de herramientas, pero los beneficios pueden llegar compensar ese gasto.
• Complejidad en la implementación del data warehouse: la implementación del almacenamiento de datos puede ser una verdadera complicación. Actualmente la generación de los datos no es un problema. Sin embargo, el tema de dónde almacenar los datos, sí es un problema al que se enfrentan las empresas. ¿Tienen la infraestructura necesaria para almacenarlos?, ¿durante cuánto tiempo los almacenan? Por esto, el desarrollo de plataformas en la nube puede ser una gran solución para las empresas.
• Tiempo: cuando una empresa necesita implementar, de forma profesional, la inteligencia de negocios y un sistema de almacenamiento, puede enfrentarse a que esto es complicado. Además de que poner en marcha esta implementación puede llevar una cantidad de tiempo considerable. ¿Vale la pena? Por supuesto que sí, ya que la inteligencia de negocios tomará todos los datos que se generan y los convertirá en modelos que pueden predecir el comportamiento de los consumidores, la tendencia de las ventas y segmentar con mayor precisión los mercados.
• Uso limitado: generalmente las grandes empresas cuentan con este tipo de infraestructura. Esto se debe a la cantidad de ganancias que generan y por la oportunidad que tienen de invertir en inteligencia de negocios. No contar con los recursos económicos para resolver la BI, es una desventaja. Sin embargo, los costos de este tipo de tecnología han disminuido. De ahí que, actualmente existen herramientas al alcance de cualquier empresa. Incluso el Power BI, como herramienta de inteligencia de negocios, puede incorporarse en una pequeña o mediana empresa sin causar un gran impacto económico.

Proceso de implementación de BI

El siguiente esquema muestra una metodología para implementar una solución de inteligencia de negocios en una empresa. No representa un paradigma o forma única, pero es la que se propone en la mayoría de los casos. Recibe el nombre de metodología Kimball (Forero y Sánchez, 2021).

Figura 9. Método de implementación Kimball.

1. Planificación. Antes de comenzar la implementación, deben considerarse las actividades, el alcance, los objetivos, la planificación de riesgos y los accionistas.

2. Definición de requerimientos. Debe aclararse lo que el sistema debe hacer y sus propiedades esenciales y deseables.

3. Modelado dimensional. Este se realiza de manera iterativa y consta de cuatro pasos:
1. Elegir el proceso de negocio. La etapa inicial del proceso de diseño dimensional implica la selección del proceso que se va a modelar. Este proceso ha sido previamente elegido por el área estratégica y es el resultado del análisis y la definición de los requerimientos de negocio que se realizaron. Por ejemplo, puede ser un proyecto de implementación sobre el manejo de inventarios de artículos de mantenimiento.
2. Establecer el nivel de granularidad. La segunda etapa implica determinar el nivel de detalle, el cual debe ser una descripción precisa de la esencia del modelo dimensional en sí. Este modelo servirá como base para la construcción de tablas de hechos, dimensiones y otros objetos. Por lo tanto, es importante establecer el nivel de detalle más completo posible para evitar problemas en etapas posteriores. La recomendación es establecer el nivel del data warehouse al mayor nivel de detalle posible, ya que esto permite realizar agrupamientos posteriores, al nivel deseado.
3. Elegir las dimensiones. La tercera etapa implica la identificación de las dimensiones, las cuales deben surgir del análisis de los requerimientos y ser facilitadas por la elección del nivel de detalle (granularidad). Estas dimensiones se pueden considerar como entidades que contienen atributos representativos para implementar y respaldar una base sólida de tablas de hechos. Se deben utilizar sustantivos para nombrarlas, por ejemplo, las palabras plan, fecha y artículo, son buenos ejemplos de cómo definir las dimensiones.
4. Identificar las tablas de hechos y medidas. La cuarta etapa consiste en la identificación de los hechos. Una tabla de hechos es una entidad que contiene los resultados concretos del negocio, ya que posee atributos numéricos que almacenan los resultados de las operaciones en las que intervienen las dimensiones definidas previamente. Esta etapa también implica la construcción del modelo analítico. La definición de las tablas de hechos depende del análisis de requerimientos y el diseño de las dimensiones. Ejemplos de definición de hechos incluyen la cantidad de artículos vendidos, el valor total de las ventas del día y el número de nuevos clientes.

4. Diseño físico. En esta fase de la metodología se lleva a cabo la implementación del modelo dimensional previamente construido en el modelo físico. Es crucial realizar un dimensionamiento adecuado para garantizar que este modelo dimensional pueda soportar todos los procesos transaccionales definidos previamente. Durante esta etapa, es necesario tener claridad en los siguientes aspectos:
1. Dimensionamiento del tamaño del futuro almacén de datos (DWH).
2. Factores de uso que permitirán una configuración más compleja.
3. Dimensionamiento a nivel de servidores, procesadores, memoria, almacenamiento y sistemas de respaldo.
4. Instalación del software en los diferentes servidores.
5. Definir e instalar los componentes necesarios para las estaciones de trabajo de los usuarios de negocio.
6. Establecer el método para la transición del modelo dimensional al modelo de datos físico.
7. Definir el plan de indexación y de particionamiento.

5. Diseño e implementación del susbsistema ETL. En esta fase se define el diseño e implementación del subsistema de ETL. Consiste en identificar y recopilar la información inicial de las fuentes de datos (como archivos planos, bases de datos transaccionales, repositorios de servidores web, etc.), de acuerdo con el negocio y los requerimientos diseñados previamente. Después se clasifica la información, depurando los registros que no cumplen con el nivel de calidad requerido, y se realizan las adecuaciones necesarias pensando en su visualización final. Posteriormente, la información procesada se carga en el modelo diseñado, la cual se utilizará después para la inteligencia de negocios y para cumplir con los requerimientos planificados.

6. Implementación. Esta es la última etapa del modelo Kimball y es donde se lleva a cabo la implementación completa del modelo. Esto implica la integración del diseño lógico y físico, y la presentación de la solución a los usuarios del negocio. Es importante considerar aspectos como la capacitación, el soporte y las estrategias para el crecimiento y mantenimiento de la solución.

Cierre

En este tema se ha establecido la importancia de comunicar con profundidad lo que se quiere decir al público meta. Se debe contar una historia con impacto y, si es posible, hacer de esa experiencia algo inolvidable.

En la red existen muchas herramientas en línea, gratuitas y de paga, para presentar los datos como Power BI. Esta herramienta está diseñada exclusivamente por Microsoft para la inteligencia de negocios.

En resumen, la próxima vez que presentes un informe en tu trabajo, aplica todo lo aprendido. Recuerda contar una historia y elegir el tipo de gráficos adecuados para lo que quieres comunicar y para el tipo de datos (relación, comparación, composición, distribución, etcétera). Tener claro tu objetivo y probarlo previamente ante un público, te permitirá tener mayor éxito al momento de la presentación.

Checkpoints

Asegúrate de:

• Comprender el significado de contar una historia cuando se presentan los datos.
• Identificar los factores de éxito al hacer una presentación.
• Comprender la importancia de la visualización de los datos y su papel en el marketing digital.
• Diferenciar los distintos diseños de reporte de datos para una adecuada comunicación de resultados.
• Aplicar e implementar Power BI como una herramienta de visualización de datos e inteligencia de negocios.

Referencias

• AFP. (2022). Facebook acepta pagar 725 millones de dólares para resolver escándalo de Cambridge Analytica. Recuperado de https://www.eleconomista.com.mx/tecnologia/Facebook-acepta-pagar-725-millones-de-dolares-para-resolver-escandalo-de-Cambridge-Analytica-20221223-0018.html
• Alonso, M. (2022). Qué es Business Intelligence y cómo sacarle partido en gestión de proyectos. Recuperado de https://asana.com/es/resources/business-intelligence
• Gupta, S. (2022). Anscombe’s quartet: what is it and why do we care? Recuperado de https://builtin.com/data-science/anscombes-quartet
• Forero, D., y Sánchez, J. (2022). Introducción a la inteligencia de negocios basada en la metodología Kimball. Tecnología Investigación y Academia, 9(1). Recuperado de https://revistas.udistrital.edu.co/index.php/tia/article/view/18082
• Hotz, N. (2022). Why big data science & data analytics projects fail. Recuperado de https://www.datascience-pm.com/project-failures/
• Justiniano, J. (2018). El mejor truco para la comunicación efectiva: el principio de la pirámide. Recuperado de https://ejecutivojoven.com/el-mejor-truco-para-la-comunicacion-efectiva/
• NewVantage Partners. (2021). Big Data and AI Executive Survey 2021. The journey to becoming data-drive: a progress report on the state of corporate data initiatives. Recuperado de https://c6abb8db-514c-4f5b-b5a1-fc710f1e464e.filesusr.com/ugd/e5361a_76709448ddc6490981f0cbea42d51508.pdf
• Santos, D. (2023). Qué es ETL: definición, proceso y herramientas. Recuperado de https://blog.hubspot.es/marketing/que-es-etl
• Zoho. (s.f.). ¿Qué es la visualización de datos? Recuperado de https://www.zoho.com/es-xl/analytics/what-is-data-visualization.html