Factores críticos de éxito de un proyecto de Business Intelligence

Factores críticos de éxito de un proyecto de Business Intelligence ATI Sat, 02/04/2012 - 13:11
Business Intelligence

El objetivo de encontrar la mejor metodología de Business Intelligence (BI) es difícil o imposible, pero creemos que sí es posible identificar las características que dicha metodología debe cumplir. En este artículo hemos analizado las características principales de los proyectos de Business Intelligence y distintos enfoques metodológicos usualmente utilizados. Este estudio revela que algunas metodologías tienen ciertas debilidades al no estar expresamente definidas para proyectos de BI, y por lo tanto no se ajustan a las características específicas del proyecto o a las necesidades de los usuarios.

Para ello, hemos identificado cuales son los principales factores críticos de éxito de estos proyectos que pueden determinar cómo tendría que ser la "Metodología de BI". Hemos realizado un análisis de las principales publicaciones en este dominio anotando los factores que los distintos autores y enfoques de BI identifican como determinantes en el éxito y/o fracaso de un proyecto de BI. Hemos propuesto una agrupación de los mismos y una uniformización del vocabulario utilizado, proponiendo finalmente un subconjunto de los factores críticos de éxito de proyectos de BI más significativos.

 

* Este artículo fue publicado previamente en la revista Novática (Nº 211, mayo-junio 2011 págs. 17-22) y se reproduce aquí con permiso de los autores

 

Autores


Jorge Fernández González desarrolla su actividad profesional en dos ámbitos de actuación, el principal de ellos es como profesional de Sistemas de Información. En el que acumula más de 14 años de experiencia y actualmente ejerce el cargo de Director de Consultoría en Business Intelligence de AbastSolutions. El segundo de sus ámbitos de actuación es el de docente universitario. Actualmente es Profesor Asociado al departamento de ESSI de la UPC y responsable de la asignatura “Sistemas de Información para las Organizaciones” de la Facultad de Informática de Barcelona. También ha sido colaborador docente en la Universitat Oberta de Catalunya (UOC), director académico y profesor en masters y postgrados de la Fundación Politécnica y realiza sesiones como invitado en escuelas de negocio como ESADE, La Salle y EAE. En el ámbito de las publicaciones, ha colaborado con la revista Data TI en múltiples ocasiones, fue redactor de la revista Gestión del Rendimiento, es miembro del grupo de expertos en español del portal BeyeNetwork, portal que reúne a los especialistas en BI a nivel mundial, y colabora como experto en todas las ediciones del BARC Business Intelligence Guide.

Enric Mayol Sarroca es Doctor Ingeniero en Informática desde abril del año 2000 por el programa de Software de la Universidad Politécnica de Cataluña y miembro del Departamento de Ingeniería de Servicios y de Sistemas de Información. Actualmente ocupa la plaza de profesor contratado doctor en dicho depar tamento y es profesor de la especialidad de Sistemas de Información del Grado en Informática de la Facultad de Informática de Barcelona, en la misma universidad. Miembro del grupo de investigación GESSI (Grupo de investigación en Ingeniería del Software para los Sistemas de Información) y del grupo SUSHITOS (Services for Ubiquitous Social and Humanistic Information Tecnologies and Open Source Research Group), participa en distintos proyectos de investigación. Sus intereses de investigación se centran en los Sistemas de Información, Business Intelligence, Gestión de Contenidos Digitales, e-Learning y la Ingeniería de Servicios. Es vocal de la Junta Directiva de la Societat Catalana de Genealogia, Heràldica, Sigil·lografia,Vexil·lologia i Nobiliaria (SCGHSVN) y el dominio de aplicación de su investigación se centra en la temática de Sistemas de Información y Genealogía.

 

Introducción

Introducción ATI Wed, 01/18/2012 - 00:53

Hoy en día, estamos en el auge del movimiento de la llamada inteligencia de negocio o Business Intelligence (BI). Casi todas las organizaciones se esfuerzan por crear y mejorar sus procesos y sistemas de toma de decisión. Una gran cantidad de nuevos proyectos de BI aparecen constantemente, pero la experiencia global en los últimos años no es tan buena. Algo por lo general va mal en la ejecución de proyectos de BI, ya que la mayoría de proyectos de BI (85%) no pudo lograr sus objetivos [1].

La disciplina de Business Intelligence es todavía un área muy joven [2]. Hemos encontrado trece enfoques metodológicos diferentes para administrar un proyecto de BI, y la mayoría de ellos se han definido en los últimos 10 años. Pero, ¿cuáles son las razones de esta tasa tan alta de fracasos frente a la gran cantidad de alternativas metodológicas? 

De hecho, podríamos decir que la gran diversidad y heterogeneidad de enfoques metodológicos para proyectos BI muestra la inmadurez que todavía existe en este ámbito. Por lo tanto, elegir una metodología de BI no es una tarea fácil. J. Thomann y D.L. Wells [16] afirman que cada proyecto de BI y cada organización debe escoger la metodología específica que mejor se adapte a la organización y características del proyecto para tener más posibilidades de éxito.

 

Enfoques metodológicos de Business Intelligence

Enfoques metodológicos de Business Intelligence ATI Wed, 01/18/2012 - 00:58

En este apartado vamos a revisar muy brevemente los principales enfoques metodológicos existentes para proyectos BI, así como sus principales limitaciones.

El ciclo de vida de un proyecto de BI [17][18] implica múltiples fases, cíclicas y muchas veces ejecutándose en paralelo, de ahí la complejidad que puede llegar a tener. Se han identificado más de 900 tareas a ejecutar [17][19], cosa que hace que no sea del todo sencillo definir una metodología única. Son muchos los enfoques metodológicos que la literatura científica ha tratado. Según R. Cicchetti et al. [20] son éstos:

 

Plan-Driven approach o Requeriment-Driven approach

Esta metodología más tradicional no parece adecuada para este tipo de proyectos [7] ya que este enfoque no satisfará las demandas futuras de los usuarios, y los usuarios difícilmente son capaces de definir y explicar cómo toman sus decisiones.

 

Demand-Driven o User-Driven o Prototype-Driven Approach

Metodologías orientadas hacia la confección de prototipos [21] para la obtención de los requisitos que sean lo suficientemente precisos [7]. Así pues, se busca mostrar al usuario un prototipo funcional [22] para intentar captarlos lo mejor posible [23].

El punto débil de este enfoque está en asumir que todos los usuarios conocen la estrategia empresarial y se comportan de forma coherente con ella, lo cual no siempre es así. Pero de serlo, si realmente son ellos los que van a tomar las decisiones, son ellos también los que deberían dirigir el proceso de creación del sistema de BI.

La idea se fundamenta en crear un primer prototipo basado en los objetivos empresariales y a partir de ahí los usuarios definen las necesidades de información, las preguntas que le van a hacer al sistema BI, y el mantenimiento y evolución futura [24] del mismo.

B. Afolabi y O. Thiery [5] nos hablan de la importancia de usuario para definirlo basándose en sus propias fases cognitivas (observación, abstracción elemental, razonamiento y simbolización y creatividad). Se puede adaptar nuestro sistema de BI al tipo de consultas que nos hará el usuario final (QueryAdaptation) y al tipo de respuestas que espera recibir (Response Adaptation) [25].

 

Data-Driven Approach

Este enfoque [7] se centra en los datos: en cómo están estructurados, en quién los usa, en la forma en que los usan. Se fija en los datos con mayor tasa de acceso, aquellos que se consultan con mayor frecuencia, como se relacionan entre ellos, qué consultas suelen venir asociadas. Son los datos los que dirigen el proceso. Este enfoque se basa en la premisa de que los datos nunca mienten, mientras que de los usuarios es difícil de asegurar. El problema es que en este enfoque, a priori se deja de lado a los usuarios, los objetivos de la organización y los futuros requisitos del sistema.

 

Value-Chain Data Approach

Basado en la cadena de valor del Business Intelligence [9], es una evolución del enfoque Data-Driven focalizada en los datos que generaran mayor valor para el negocio, pero no resuelve las limitaciones de su predecesor. 

 

Process-Driven Approach

Este enfoque se basa en el análisis de los procesos de negocio [14], la información que generan y la información que consumen. El proceso es la clave y se estructura la información según sea el usuario de proceso. Un aspecto que se puede perder de vista en este enfoque, demasiado centrado en el proceso, es la perspectiva global de la organización y las relaciones entre procesos, lo cual puede llevar a tener una visión incompleta o errónea de la organización. 

 

Event-Driven Approach

Este enfoque propone dividir los procesos de negocio bajo tres puntos de vista: Datos, Función y Organización, cada una de los cuales se conecta entre sí a través de eventos. La gran ventaja de este enfoque es el análisis funcional de la organización. 

V. Stefanov y B. List [6] proponen este mismo modelo extendido con objetos BI y conectores de información BI, como una manera de rellenar el gap entre el negocio y los sistemas de BI. Este enfoque es muy complejo de llevar a la práctica y requiere una gran experiencia y modelos organizacionales muy maduros. 

 

Object-Process Driven Approach

Es una de las variantes metodológicas a medio camino entre el Event-Driven y el Process Driven [13]. En este enfoque, tanto los objetos como los procesos tienen la misma importancia desde el punto de vista decisional y por tanto se deben tratar de la misma manera.

 

Joint Approach

Enfoque metodológico centrado en el reconocimiento de las arquitecturas funcionales cruzadas de las empresas. Los procesos no son de un solo departamento, sino que existen muchos puntos de contacto y muchas junturas[11], por lo tanto es donde se tiene que centrar el esfuerzo. La idea es que la organización es una matriz de procesos con diferentes necesidades de información, pero allí donde se juntan es donde debemos hacer el mayor esfuerzo. La dificultad del enfoque puede radicar en la dificultad en definir los procesos de gestión y control de la información en estos puntos de contacto.

 

Goal-Driven Approach

Este enfoque [7] se centra en el objetivo de los procesos estratégicos de la organización y se basa en el análisis de la interacción que tanto clientes como usuarios hacen para conseguir dicho objetivo. A partir de ahí establece necesidades de información e interrelaciones entre ellas que darán lugar a la estructura del sistema de Business Intelligence. El problema puede aparecer cuando no existe un conocimiento o alineamiento preciso entre los procesos estratégicos y los tácticos u operacionales.

 

Triple-Driven Approach

Vista la inmadurez de las metodologías de Business Intelligence, en Y. Guo et al. [12] apuestan por una combinación de las mejores ideas de cada una de las metodologías Goal, Data y User Driven, creando la Triple-Driven, pues se considera que estos tres enfoques son perfectamente compatibles.

 

Model Driven Approach

Otra de las metodologías que se han usado en BI es la Model Driven [3][4]. Con ella, se pretende tender un puente entre el negocio y el departamento de Informática, intentando proporcionar la base para desarrollar soluciones rápidas, que evolucionen fácilmente y flexibles. Debido a su alto nivel de la reutilización de la abstracción y del código, la metodología MDA (Model-Driven Architecture) se ha aplicado extensamente. El MDA permite reducir tiempo de desarrollo de software, y mejorar la calidad y el mantenimiento de la solución. Pero por el contrario, es difícil definir este modelo simplificado de la realidad y aún es difícil de implantar sobre arquitecturas SOA (Service-Oriented Architecture) y en organizaciones reales.

 

Adaptive Business Approach

La metodología Adaptive Business Approach[8] se basa estrictamente en aquellos aspectos realmente relevantes para el negocio y su evolución. Se centra en los problemas que el negocio tiene que resolver para adaptarse a los cambios del mercado y en los datos de que disponemos para ello. El resultado de los sistemas de Business Intelligence han de ser o bien la solución al problema o bien la aportación de más conocimiento sobre el problema para seguir analizando y tomando decisiones para hallar dicha solución. El centrarse en sólo lo relevante para el cambio, puede dejar de lado o no considerar explícitamente otros aspectos no tan críticos del negocio, pero que determinan o influyen en aspectos más relevantes. Por lo tanto estas dependencias tienen que tenerse en cuenta explícitamente y no obviarse.

 

Agile Approach

Si este enfoque puede considerarse novel en el área de Ingeniería del Software, lo es más en el área de Business Intelligence. La primera referencia académica que encontramos referente al uso de las metodologías ágiles en BI es un pequeño articulo divulgativo en el año 2001 de apenas 2 páginas en el que L.T. Moss[10] comenta que sería posible realizar proyectos de Business Intelligence con rigor usando las metodologías ágiles. Posteriormente, J. Fernández et al. [26] analizan la correlación entre los principios básicos de las metodologías ágiles y las necesidades de una metodología de BI. Entre tanto, algunos trabajos adicionales aparecen, pero sorprende la reducida cantidad de trabajos académicos del tema respecto al enorme número de artículos de experiencias reales del tema, creciendo exponencialmente en 2011.

Como debe ser la metodología de BI

Como debe ser la metodología de BI ATI Wed, 01/18/2012 - 01:01

 

Tanta diversidad de enfoques metodológicos denota la inmadurez que existe en este tipo de soluciones, las interrelaciones no son claras y elegir una metodología no es nada fácil. Los trabajos [16][27] nos muestran que para cada proyecto de BI y para cada organización debe seleccionarse la metodología que más posibilidades de éxito tenga. 

L.T. Moss [19] nos propone las características que debería cumplir una metodología para este tipo de sistemas decisionales, a las que hemos incluido las dos características finales:

1) Ha de estar orientada al cambio y no a la consecución de un producto final.

2) La gestión del proyecto debe ser de forma global y transversal a toda empresa.

3) Debe poder manejar múltiples subproyectos a la vez y en paralelo.

4) Ha de tener en cuenta todas las tareas/procesos de la empresa, sean o no críticos.

5) Debe basarse en la gestión de los caminos críticos del workflow empresarial.

6) Debe estar orientada a las personas y relaciones entre ellas.

7) Ha de estar alineada con las necesidades de negocio de la organización.

Estas características se han sintetizado a partir de la experiencia práctica y la realidad, y se presentan con un enfoque más de divulgación empresarial que académico o científico. Por ello, creemos que un enfoque complementario para determinar cuales son las metodologías más adecuadas para la gestión de un proyecto BI es basarnos en un proceso de análisis de factores críticos de éxito de todo proyecto de BI. Por eso es necesario, en primer lugar, analizar cuales son los factores de éxito de los proyectos de BI más citados y referenciados en la bibliografía académica. Actividad que queremos reflejar en los siguientes apartados.

 

Factores críticos de éxito (FCE)

Factores críticos de éxito (FCE) ATI Sat, 02/04/2012 - 20:34

Factores críticos de éxito (FCE)

Un estudio realizado por la Universidad de Monash [1] concluye que el 85% de los proyectos de BI han fracasado en la consecución de sus objetivos. Así pues, ¿Qué determina el éxito y el fracaso de esos proyectos? A nuestro entender, una análisis de los factores críticos de éxito de estos proyectos ha de dar respuesta a esta pregunta.

Para introducir estos factores de éxito, los presentamos agrupados por categorías, numerados de 1) a 6), según el aspecto del proyecto BI que contemplan. Hemos dejado una última categoría para todos aquellos factores identificados en una revisión bibliográfica que hemos realizado, siendo todos ellos aspectos que los autores aseguran que influyen positivamente o negativamente al éxito o fracaso de un proyecto BI. Este último conjunto de factores, será el que intentaremos reagrupar y priorizar en el siguiente apartado.

 

1) Relativos a las herramientas de BI

¿Están fallando las herramientas de BI respecto a lo que se espera de ellas? En el trabajo de B. Azvine et al. [28] se nos dice que las actuales herramientas de BI han estado fallando en tres puntos principales:

  • En la visualización de la información de lo que ha pasado.
  • En ayudar a comprender la razón o las causas de lo que ha pasado.
  • En la predicción de lo que sucederá.

Si realmente depende de la validez de las herramientas de BI, entonces, no es necesario preocuparse por la metodología a utilizar. La verdad es que esta visión [28] podría ser demasiado alarmista. Pero hay que reconocer que las herramientas de BI padecen aún de un gran déficit en los dos últimos puntos, aunque poco a poco van mejorando su fiabilidad.

 

2) Relativos a la organización

Una de las características básicas para el éxito del BI es, sin duda, la cultura organizacional y el nivel de madurez de la organización. Pero la creación y gestión de una cultura y un nivel de madurez requiere mucho tiempo. K.R. Quinn [29] ofrece cinco reglas para el éxito y otras 5 causas del fracaso de los proyectos de BI relacionados con la organización:

  + Comprender a los usuarios.

  + Utilizar el paradigma de los clicks.

  + Distinguir claramente entre usuarios productores y usuarios consumidores de información.

  + Establecer una cultura organizativa de medición y evaluación.

  + Conseguir que el proyecto de BI sea una decisión estratégica de toda la compañía.

  - Se desestiman las necesidades y deseos de los usuarios.

  - Se hace demasiado énfasis en fases menos críticas.

  - La información no es auto-explicable, poco énfasis en la semántica.

  - No se ha establecido una estrategia de medición.

  - El proyecto BI solo se ha aplicado tácticamente, no estratégicamente.

 

3) Relativos a la gestión del conocimiento

Otro punto a tener en cuenta al evaluar el éxito de las soluciones de BI se encuentra en los déficits o limitaciones del propio Departamento de Sistemas de Información. J. Becker et al. [30] enumeran las deficiencias en la gestión del conocimiento en los departamentos de BI.

La primera limitación que identifican es la dificultad para definir estructuras adecuadas para la localización de la información. El 30% de los documentos con información relevante se almacena y manipula en ordenadores personales o portátiles aislados por lo que el acceso a dicha información está limitando y accesible solamente a un conjunto limitado de usuarios en la organización, y no se facilitan los mecanismos para compartirlos con el resto de personal interesado.

Una segunda limitación es la dificultad del personal respecto al acceso al conocimiento para ejercer sus funciones satisfactoriamente. Esta adquisición del conocimiento requiere tiempo y dinero de la empresa repercutido en las iniciativas de formación, pero estos recursos son de difícil reutilización. Si a ello se suma una alta rotación de empleados, las pérdidas pueden llegar a ser considerables.

 

4) Relativos a aspectos intangibles

El éxito de la solución del proyecto BI ha de tener presente el componente intangible del proyecto que también debe ser evaluado. A. Counihan et al. [31] ya identificaban la dificultad de evaluar los aspectos intangibles de los sistemas de información estratégicos. Por otra parte, M. Gibson et al. [32] identificaban seis criterios para evaluar los beneficios intangibles de los sistemas de BI:

  • Determinar la criticidad de las cuestiones intangibles.
  • Separar los requisitos de los usuarios de los aspectos intangibles propios del proyecto.
  • Convencer de la importancia de los intangibles a los gerentes de la empresa.
  • Clasificar adecuadamente los intangibles para hacer más fácil su evaluación.
  • Gestionar el proyecto orientado a resultados rápidos (quick win).
  • Medir el nivel de cumplimiento de los intangibles.

 

5) Relativos al personal y al liderazgo

Otro factor a tener en cuenta que puede determinar el éxito o el fracaso del proyecto BI es el perfil, experiencia y formación de las personas involucradas en el proyecto, la implantación y, especialmente en el liderazgo. En este sentido, A. Faulkner y A. MacGillivray [33] identifican 12 aspectos o requisitos que debería satisfacer el líder del proyecto para asegurar un posible éxito del proyecto BI:

  • Saber reflexionar antes que actuar sobre los valores de la organización.
  • Focalizar los objetivos del proyecto en las necesidades más urgentes de la organización, a fin de que los resultados sean visibles lo más pronto posible.
  • Ser un antropólogo amateur, identificando las necesidades del negocio y quienes las están gestionando, para proveerles de herramientas fáciles de usar según sus habilidades, necesidades y preferencias personales.
  • Planificar para el éxito. Es decir, comprender como la organización evalúa el éxito y dirigirse hacia él.
  • Ser un niño de pequeño, preguntando siempre el porqué de todo.
  • Conseguir que el proyecto sea una iniciativa de cambio e innovación para toda la organización.
  • Dialogar, dialogar y dialogar.
  • Integrar e involucrar a los ejecutivos y directores intermedios como co-lideres del proyecto, para que sientan el proyecto como suyo.
  • Ser proactivo, anticipar la resistencia al cambio y convertirse en el paladín de la causa de BI.
  • Aprender de los demás.
  • Evaluar el coste y el riesgo de la alternativa a no usar herramientas BI, y usarlo como argumento.
  • Tener una mente abierta y una visión global de la evolución que puede tener el BI dentro de la organización.

 

Por otro lado, T. Chenoweth et al. [34] afirman que la interacción entre la tecnología y el contexto social de las empresas claramente determina el éxito o el fracaso de un banco de datos común a la organización. Y al mismo tiempo, reconocen que esta misma interacción puede determinar la extensión y evolución de un sistema de BI. En este sentido, proponen siete intervenciones clave, como una lista ordenada de preguntas básicas a considerar en todo proyecto BI.

  • ¿El proyecto tiene el apoyo de la dirección?
  • ¿Los futuros usuarios apoyan el proyecto?
  • ¿Los usuarios accederán con el sistema a un amplio abanico de datos?
  • ¿Los usuarios necesitan herramientas restrictivas?
  • ¿Los usuarios entienden la relación existente entre la información que les proporcionará el sistema BI y los procesos de negocio que llevan a cabo?
  • ¿Los usuarios perciben al departamento de SI como soporte y ayuda en la realización de sus procesos de negocio?
  • ¿Existen usuarios líderes o ‘power users’?

La principal conclusión en este apartado es que el usuario es el centro de todo, y que la implicación del usuario en el proyecto BI va a determinar claramente el éxito o el fracaso del mismo.

 

6) Otros factores críticos de éxito

En esta sección proporcionamos una lista exhaustiva de FCE obtenida a partir de una revisión de la literatura científica y académica. En los trabajos analizados, se proponen diversos FCE sin focalizarlos en temas específicos de Business Intelligence como en las agrupaciones anteriores. En este caso, son más genéricos pero igualmente relevantes y críticos.

M.D. Solomon [35] nos propone una guía de aspectos a considerar cuando se lleva a cabo la implementación de una solución de BI o de Data Warehouse1.

• El usuario participa en la definición del nivel de servicio y los requisitos de información.

• Identificar los sistemas de provisión de datos.

• Definir plan de calidad.

• Elegir un modelo de diseño adecuado.

• Escoger la herramienta ETL (Extract,Transform and Load) a usar.

• Realizar cargas de datos incrementales preferentemente.

• Escoger cuidadosamente la plataforma de desarrollo BI y el SGBD adecuado.

• Realizar procesos de conciliación de datos.

• Revisar y modificar periódicamente la planificación.

• Proveer soporte al usuario.

 

L.T. Moss [19] resume los 10 errores más frecuentes en la gestión de proyectos de BI y de Data Warehouse.

• No usar ninguna metodología.

• No disponer del equipo adecuado.

• Los usuarios y decisores no participan en el proyecto.

• Descomposición del proyecto en etapas inadecuadas.

• Inexistencia de una planificación del proyecto.

• Inexistencia de un plan de calidad.

• Pruebas de calidad incompletas o inadecuadas.

• No prever el volumen de datos a monitorizar o depurar.

• Ignorar metadatos y semántica de datos.

• Depender en exceso (ser esclavo) de la herramienta de gestión del proyecto.

 

D. Briggs et al. [36][37] proponen los siguientes FCE para sistemas decisionales:

• Patrocinio del proyecto.

• Gestión de las expectativas del usuario.

• Uso de prototipos.

• Búsqueda del resultado rápido (quick win)

• Escoger un problema de la organización medible.

• Modelización y diseño del data warehouse.

• Selección del caso de negocio adecuado.

• Alineación con la estrategia organizativa.

• Selección cuidadosa de las herramientas.

• Usuarios finales involucrados.

• Gestión del cambio organizativo.

• Consideración de la cultura de la organización.

• Centrarse en la gestión de los datos.

• Nivel de escalabilidad y flexibilidad del proyecto y la solución.

• Transmitir el conocimiento en proyectos subcontratados.

• Uso de estándares.

• Aprovechamiento de la experiencia de los miembros del equipo.

• Soporte al usuario final.

 

B.H. Wixom y H.J. Watson [38][39] identifican los siguientes factores como los más relevantes para un proyecto BI:

• Apoyo a la gestión de la organización.

• Existencia de un líder del proyecto.

• Uso adecuado de los recursos.

• Participación del usuario final.

• Equipo con competencias adecuadas.

• Disponer de fuentes de datos adecuadas.

• Considerar la información y su análisis como parte de la cultura de la organización.

• Alineamiento con la estrategia de la organización.

• Gestión y control del BI eficaz.

D. Sammon y P. Finnegan [40] proponen los 10 mandamientos del proyecto BI:

• Iniciativa ligada a las necesidades del negocio.

• Existencia de patrocinio de la dirección.

• Gestión de las expectativas del usuario.

• Proyecto transversal a la organización.

• Control de calidad.

• Flexibilidad del modelo de datos.

• Gestión orientada a los datos.

• Proceso automático de extracción de datos.

• Conocimiento.

• Experiencia.

 

R. Weir et al. [41] proponen este conjunto de mejores prácticas de BI:

• Realizar cambios incrementales.

• Construcción del sistema adaptable.

• Gestionar expectativas del usuario.

• Equipo mixto entre técnicos y usuarios finales.

• Contacto directo con la organización y el negocio.

• No perseguir la perfección.

 

R.S. Abdullaev y I.S. Ko [42] analizan las lecciones aprendidas de diversas experiencias en la construcción de BI:

• La centralización de datos en un data warehouse y su agregación en varios datamarts2 permiten un acceso rápido y de confianza a la información solicitada.

• La definición de listados estándares para todos los usuarios favorece el intercambio de información entre departamentos de una manera más clara y consistente.

• Algunos modelos de informes predefinidos se han de implementar con el fin de proporcionar a los decisores la funcionalidad para añadir o eliminar elementos necesarios y crear informes específicos.

• Es necesario un equipo responsable de alinear las especificaciones de informes estándar con las necesidades locales y que facilite la ejecución del proyecto de BI.

• Debe existir un fuerte compromiso de la dirección para resolver cualquier conflicto y gestionar los cambios que ocurran durante el desarrollo del proyecto.

• La integración de técnicas "Six Sigma" en la infraestructura TI de la organización contribuye a un sistema BI robusto.

• La infraestructura TI ha de centrarse en una sola plataforma proporcionada por proveedores bien conocidos.

 

I.S. Ko y R.S. Abdullaev [43] identifican los aspectos especialmente críticos durante el desarrollo de proyectos de BI:

• Requisitos del mercado y del cliente en lugar de requisitos internos.

• Disponer de personal representante de cada departamento dedicados al proyecto.

• Equipo formado por personal competente en el proyecto.

• Adopción de una metodología de desarrollo de proyectos BI.

• Realizar y seguir una planificación del proyecto.

• Estandarización de los datos.

• Control de calidad de los datos.

• Existencia de metadatos.

• Usar solo las herramientas necesarias.

 

W. Yeoh et al. [44] realizan una recompilación de FCE para proyectos de BI:

• Soporte al proyecto por parte de la alta dirección.

• Disponer de los recursos adecuados.

• Apoyo comprometido por parte de la organización.

• Participación formal del usuario a lo largo de todo el proyecto.

• Soporte, formación y entrenamiento.

• Caso de negocio establecido y consensuado.

• Visión estratégica de BI integrada con las iniciativas de la compañía.

• Ámbito del proyecto claramente definido.

• Adopción de un enfoque de resultados incrementales.

• Proyecto orientado a resultados rápidos (quick wins).

• Equipo poseedor de la perfecta combinación de capacidades.

• Participación de consultoría externa en fases iniciales del proyecto.

• Experiencia en el dominio del negocio.

• Equipo multifuncional.

• Sistemas proveedores de datos estables.

• Entorno técnico estratégico, escalable y extensible.

• Prototipo usado como prueba de concepto.

• Disponer de fuentes de datos de calidad.

• Métricas y clasificaciones comunes establecidas por la organización.

• Modelo de metadatos escalable.

• Gobierno de los datos por la organización.

 

Clasificación y agrupación

Clasificación y agrupación ATI Sat, 02/04/2012 - 20:57

La revisión bibliográfica realizada para identificar factores críticos de éxito, mejores prácticas y recomendaciones de cómo llevar a cabo un proyecto BI ha de permitir identificar los requisitos deseables de la ‘Metodología’ más adecuada a un proyecto BI concreto.

En primer lugar hemos analizado, clasificado y agrupado todos FCE, mejores prácticas y recomendaciones enumeradas en el apartado anterior en tres grupos básicos:

  • Factores Primarios: los aspectos o factores propuestos por más de cinco autores.
  • Factores Secundarios: los aspectos o factores propuestos por más de un y menos de cinco autores.
  • Factores de Autor: aquellos que sólo han sido identificados por un solo autor.

Los autores que proponen alguno de los factores primarios y secundarios, usan terminología y semánticas ligeramente distintas. A continuación, intentamos describir estos FCE con una terminología y semántica unificada respecto a todas las apariciones del factor en la bibliografía consultada.

Por lo tanto, un proyecto BI ha de:

Factores Primarios

  • Estar enfocado a la gestión de datos.
  • Usar una metodología de gestión del proyecto.
  • Considerar primordialmente las necesidades y características del decisor.
  • Ser una herramienta de soporte a la gestión de la organización.
  • Proporcionar resultados rápidos ya en las primeras fases.
  • Usar herramientas seleccionadas con cuidadosamente.
  • Tener los usuarios finales involucrados en el proyecto.

Factores Secundarios

  • Disponer de recursos adecuados.
  • Contemplar la cultura organizativa.
  • Disponer de un diseño de data warehouse adecuado.
  • Tener un equipo de trabajo capacitado y con experiencia y conocimiento.
  • Tener el soporte y apoyo de la organización y dirección.
  • Estrategia y dirección del BI alineadas con estrategia del negocio.
  • Estar orientado a la gestión del cambio de la organización.
  • Hacer cargas de datos incrementales.
  • Tener una definición clara y precisa de los resultados e informes para el usuario.

Los Factores Primarios tienen una media de 9,4 ocurrencias, mientras que para los Secundarios la media es de 3,4. El rango de numero de apariciones para los Factores Primarios es de [15 , 6] y para los Secundarias es [5 , 2]. Los Factores Primarios corresponden al 66% de todos los FCE identificados en la revisión bibliográfica realizada, mientras que Factores Secundarios representan el 33% restante.

Por lo tanto, entendemos que la selección de los FCE propuestos es representativo de los FCE de un proyecto BI y que toda metodología de gestión de proyectos BI debería soportar.

 

 

Conclusiones

Conclusiones ATI Sat, 02/04/2012 - 20:59

Con el surgimiento de la Inteligencia del Negocio o Business Intelligence en los últimos años, todas las organizaciones hacen esfuerzos para crear o mejorar sus procesos de decisión y sistemas decisionales. Una gran cantidad de nuevos proyectos de Business Intelligence aparecen constantemente, pero la experiencia no es tan buena como era de esperar, porque una enorme cantidad de proyectos de BI (85%) no alcanzan sus objetivos iniciales.

Una gran diversidad y heterogeneidad de enfoques metodológicos para la gestión de proyectos BI muestra el estado de la novedad y la inexperiencia que todavía existe en este ámbito. Elegir una metodología de BI no es una tarea fácil. La implementación y gestión de un proyecto de BI puede suponer múltiples fases y más de 900 tareas. Por lo tanto, no es tan fácil de identificar una metodología de soporte satisfactoriamente a un proyecto de tanta complejidad y en todos sus aspectos y dimensiones.

En este artículo hemos resumido los principales enfoques metodológicos existentes para la gestión e implementación de un proyecto de BI. Hemos detectado las principales limitaciones de éstas y analizado cuales tendrían de ser las características de ‘la metodología de proyectos BI’. Para identificar estas características, nos hemos basado en los Factores Críticos de Éxito de proyectos de Business Intelligence que han sido propuestos recientemente en las publicaciones académicas y científicas más relevantes.

 

 

Notas y referencias - FCE de un proyecto de BI

Notas y referencias - FCE de un proyecto de BI ATI Sat, 02/04/2012 - 21:02

Notas

1 Un Data Warehouse (DW) es una base de datos usada para generación de informes. Los datos son cargados desde los sistemas operacionales para su consulta. Pueden pasar a través de un almacén de datos operacional para operaciones adicionales antes de que sean usados en el DW para la generación de informes (Traducción libre de la introducción al concepto que se encuentra en la Wikipedia en inglés el 24/6/2011: http://en.wikipedia.org/wiki/Data_warehouse). Se suele considerar que el término equivalente en castellano es "Almacén de datos": "En el contexto de la informática, un almacén de datos (del inglés data warehouse) es una colección de datos orientada a un determinado ámbito (empresa, organización, etc.), integrado, no volátil y variable en el tiempo, que ayuda a la toma de decisiones en la entidad en la que se utiliza. Se trata, sobre todo, de un expediente completo de una organización, más allá de la información transaccional y operacional, almacenado en una base de datos diseñada para favorecer el análisis y la divulgación eficiente de datos (especialmente OLAP, procesamiento analítico en línea)". (Wikipedia en castellano 24/6/2011: http://es.wikipedia.org/wiki/Almac%C3%A9n_de_datos).

2 Un Data mart es una versión especial de almacén de datos (data warehouse). Son subconjuntos de datos con el propósito de ayudar a que un área específica dentro del negocio pueda tomar mejores decisiones. Los datos existentes en este contexto pueden ser agrupados, explorados y propagados de múltiples formas para que diversos grupos de usuarios realicen la explotación de los mismos de la forma más conveniente según sus necesidades. http://es.wikipedia.org/wiki/Data_mart.

 

Referencias

[1] U.M. Fayyad. Tutorial report. Summer school of DM. Monash Uni Australia.

[2] R. Preston. Business Intelligence Still In Its Infancy. Information Week. Último acceso: julio 2010, http://www.informationweek.com/story/showArticle.jhtml?articleID=196801….

[3] P. Chowdhary, G.A. Mihaila, H. Lei. Model Driven Data Warehousing for Business Performance Management. ICEBE 2006: pp 483-487.

[4] P. Chowdhary, K. Bhaskaran et al. Model Driven Development for Business Performance Management. IBM Systems Journal, vol 45, nº 3, pp 587-605.

[5] B. Afolabi, O. Thiery. Using Users’ Expectations to Adapt Business Intelligence Systems. Último acceso: julio 2010, http://arxiv.org/ftp/cs/papers/0608/0608043.pdf.

[6] V. Stefanov, B. List. Bridging the Gap between Data Warehouses and Business Processes: A Business Intelligence Perspective for Event-Driven Process Chains. EDOC 2005: pp. 3-14.

[7] J. Rowan. Design Techniques for a Business Intelligence Solution. Auerbach Publications 2003.

[8] T. Bäck. Adaptive business intelligence based on evolution strategies: some application examples of self-adaptive software. Inf. Sci. 148(1-4): pp. 113-121.

[9] M.K. Brohman, M. Parent, M. Pearce, N. Wade. The Business Intelligence Value Chain: Data-Driven Decision Support in a Data Warehouse Environment: An Exploratory Study. HICSS 2000.

[10] L.T. Moss. Business Intelligence Methodologies, Agile with Rigor. Cutter IT Journal. vol. 14, no 12, pp. 19-26.

[11] S. March, A.R. Hevner. Integrated decision support systems, A data warehousing perspective. Decision Support Systems, 2005.

[12] Y. Guo, S. Tang, Y. Tong, D. Yang. Triple-driven data modeling methodology in data warehousing: a case study. DOLAP 2006: pp: 59-66.

[13] D. Dori, R. Feldman, A. Sturm. An OPM-based Method for Transformation of Operational System Model to Data Warehouse Model. SwSTE 2005, pp. 57-66.

[14] C. Kaldeich, J. Oliveira e Sá. Data Warehouse Methodology: A Process Driven Approach. CAiSE 2004, pp. 536-549.

[15] L. Niu, G. Zhang. A Model of Cognition-Driven Decision Process for Business Intelligence. Web Intelligence, 2008 pp. 876-879.

[16] J. Thomann, D.L. Wells. Implementing Data Warehousing Methodology- Guideline for Success. TDWI 2000.

[17] L.T. Moss, Sh. Atre. Business Intelligence Roadmap: The Complete Project Lifecycle for Decision Support Applications. Addison Wesley Longman, 2003. ISBN-10: 0201784203.

[18] G.R. Gangadharan, S.N. Swami. Business Intelligence Systems Design and Implementation Strategies. IT1 2004, pp. 139-144.

[19] L.T. Moss. Ten Mistakes to avoid for Data Warehouse Projects Managers. TDWI’S best of Business Intelligence Vol 3, pp. 16-22.

[20] R. Cicchetti et al. (Eds.). A Comparison of Data Warehouse Development Methodologies Case Study of the Process Warehouse. DEXA 2002, LNCS 2453, pp. 203–215, 2002.

[21] T.N. Huynh, J. Schiefer. Prototyping Data Warehouse Systems. DaWaK 2001, pp. 195-207.

[22] W. Yang, P. Hou, Y. Fan, Q. Wu. The Research of an Intelligent Object-Oriented Prototype for Data Warehouse. ICIC (1), 2006, pp. 1300-1305.

[23] R. Winter, B. Strauch. A Method for Demanddriven Information Requirements Analysis in Data Warehousing Projects. Proceedings of the 36th Hawaii International Conference on System Sciences (HICSS’03).

[24] H. Engström, S. Chakravarthy, B. Lings. A User-centric View of Data Warehouse Maintenance Issues. BNCOD 2000, pp. 68-80.

[25] D. Schuff, K. Corral, O. Turetken. Comparing the Effect of Alternative Data Warehouse Schemas on End User Comprehension Level. ICIS’05 http://mis.temple.edu/sigdss/icis05/.

[26] J. Fernández, E. Mayol, J.A. Pastor. Agile Business Intelligence Governance: Su justificación y presentación. ITSMF 2008, http://www.uc3m.es/portal/page/portal/congresos_jornadas/congreso_itsmf….

[27] J. Thomann, D.L. Wells. Evaluating Data Warehousing Methodologies- An Evaluation Process.TDWI 1999.

[28] B. Azvine, Z. Cui, D.D. Nauck. Towards realtime business intelligence. BT Technology Journal Vol 23 No 3 July 2005, pp. 214-225.

[29] K.R. Quinn. Establishing a culture of Measurement, a practical guide to BI. White Paper Information Builders 2003.

[30] J. Becker, L. Vilkov, C. Brelage. Multidimensional Knowledge Spaces for Strategic Management - Experiences at a Leading Manufacturer of Construction and Mining Equipment. DEXA Workshops 2004, pp. 482-487.

[31] A. Counihan, P. Finnegan, D. Sammon. Towards a framework for evaluating investments in data warehousing. Inf. Syst. J. 12(4), pp. 321-338.

[32] M. Gibson, D. Arnott, I. Jagielska. Evaluating the Intangible Benefits of Business Intelligence: Review & Research Agenda. IFIP TC8/WG8.3 International Conference, 2004.

[33] A. Faulkner, A. MacGillivray. A business lens on business intelligence – 12 tips for success. ODTUG 2001.

[34] T. Chenoweth, K. Corral, H. Demirkan. Seven key interventions for data warehouse success. Commun. ACM 49(1), pp. 114-119.

[35] M.D. Solomon. Ensuring a successful data warehouse initiative. ISM Journal winter 2005, pp, 26-36.

[36] D. Briggs, D. Arnott. Decision Support Systems Failure: An Evolutionary Perspective (Working Paper. No. 2002/01). Melbourne, Australia: Decision Support Systems Laboratory, Monash University.

[37] D. Briggs. A Critical Review of Literature on Data Warehouse Systems Success/Failure (Working Paper. No. 2004/01). Melbourne, Australia: Decision Support Systems Laboratory, Monash University.

[38] B.H. Wixom, H.J. Watson. An empirical investigation of the factors affecting data warehouse success. MIS Quarieriy Vol. 25 No. 1, pp. 17-41, marzo 2001.

[39] B.H. Wixom, H.J. Watson. The Current State of Business Intelligence. IEEE Computer (COMPUTER) 40(9), pp:96-99.

[40] D. Sammon, P. Finnegan. The Ten Commandments of Data Warehousing. The DATA BASE for Advances in Information Systems, Vol. 31, No. 4.

[41] R. Weir, T. Peng, J.M. Kerridge. Best Practice for Implementing a Data Warehouse: A Review for Strategic Alignment. DMDW 2003.

[42] R.S. Abdullaev, I.S. Ko. A Study on Successful Business Intelligence Systems in Practice. JCIT 2(2), pp. 89-97.

[43] I.S. Ko, R.S. Abdullaev. A Study on the Aspects of Successful Business Intelligence System Development, Computational Science – ICCS 2007.

[44] W. Yeoh, J. Gao, A. Koronios. Towards a Critical Success Factor Framework for Implementing Business Intelligence Systems: A Delphi Study in Engineering Asset Management Organizations. CONFENIS 2007.