También llamados Decision Support System (DSS), los Sistemas de Soporte a la Decisión (SSD) utilizan una serie de conceptos, técnicas y herramientas para transformar datos en información útil para ayudar en la toma de decisiones. Para la elaboración de un sistema de este tipo, normalmente se involucran muchos profesionales, principalmente en las áreas de Tecnología de la Información y Comunicación (TIC) y de Negocios y, específicamente, en las áreas de Business Intelligence (BI), Business Analytics (BA), Data Mining, Machine Learning, Estadística, Bases de Datos, Infraestructura de Software, Inteligencia Competitiva, Marketing, Ingeniería y Gestión del Conocimiento, entre otras. La interacción de distintos perfiles de profesionales garantiza, además del rendimiento y la seguridad, que los puntos importantes para la institución (Indicadores Clave - KPI) sean definidos por las áreas que tienen el conocimiento adecuado, maximizando el éxito de los proyectos.
Cubo Analítico
Con todos los Indicadores Clave (KPI) definidos, todas las reglas de negocio documentadas y el origen de todos los datos conocido, se inicia el desarrollo del SSD. La primera etapa consiste en leer los datos de todas las fuentes definidas en el proyecto, integrándolos en un gran almacén de datos, el Data Warehouse (DW).
A partir de ahí viene la gran idea de Business Intelligence: se crean los Cubos Analíticos, también llamados Cubos Multidimensionales, uno para cada hecho a analizar y sin límite en la cantidad de Dimensiones.
Un solo cubo debe ser capaz de ofrecer, con mucha agilidad, toda la información que un gestor necesita sobre el hecho que el cubo analiza. #Todas.
El ejemplo al lado es una representación gráfica (gif) de un cubo de Movimientos Financieros compuesto por 3 dimensiones:
- Tipo de Movimiento Financiero (qué);
- Fecha (cuándo) y
- Ubicación (dónde)
Cada una de las dimensiones puede ser utilizada para filtrar los datos y seleccionar solo el período deseado. La porción en rojo corresponde a la selección realizada y en el último cuadro del gif notamos el cuadrado que indica la intersección de todos los filtros, es decir, la respuesta deseada.
Filtros aplicados: Tipo de movimiento = Ventas, Fecha = Año 2017, Ubicación = Estado de São Paulo.
Paneles Interactivos
Ahora que el cubo analítico es capaz de dar todas las respuestas necesarias al gestor, la siguiente etapa es crear paneles interactivos (dashboards) que permitan al propio usuario refinar sus consultas, simplemente seleccionando por ejemplo el Año y el Mes, siempre con la posibilidad de filtrar aún más los datos, haciendo clic en los gráficos (de barras, pastel, etc.) y obteniendo respuestas precisas y prácticamente automáticas, ya que todas las técnicas y herramientas utilizadas permiten que estos datos sean precalculados y de fácil acceso. Las tendencias y desviaciones del patrón en los datos de la institución se encuentran fácilmente, de forma visual, clara e intuitiva, como en algunos ejemplos a continuación:
[widgetkit id=66]
Caso Toyota
A finales de los años 90, la empresa enfrentó grandes problemas en su cadena de operaciones. El costo de almacenamiento de automóviles aumentó y ya no lograba entregar el producto a tiempo a sus clientes. Utilizaba computadoras que generaban una cantidad enorme de datos y reportes que no se utilizaban estratégicamente porque no siempre eran exactos y muchas veces se entregaban demasiado tarde, lo que retrasaba la toma de decisiones.
Se contrató a una nueva CEO. Ella identificó algunas soluciones: primero, la necesidad de un Data Warehouse, un repositorio central de datos, organizado y de fácil acceso. Segundo, la necesidad de implementar herramientas de software para realizar la manipulación de estos datos. Desafortunadamente, el nuevo sistema implantado no funcionó de manera correcta: la entrada de datos históricos incluía años de errores humanos que no fueron detectados, datos duplicados, inconsistentes y falta de información importante. Todo esto generó análisis y conclusiones precipitadas sobre el funcionamiento de la distribuidora.
Recién en 1999 la empresa decidió implantar una plataforma de Business Intelligence. En cuestión de días, el sistema presentó buenos resultados. Por ejemplo, descubrieron que a la empresa se le cobraba dos veces por un envío especial en tren (un error de US$ 800.000). Entre 2001 y 2005, el volumen de automóviles negociados aumentó en un 40%, el tiempo de tránsito se redujo en un 5%. Estos y varios otros beneficios ayudaron a Toyota a alcanzar los mayores márgenes de ganancia en el mercado automotriz desde 2003, y han estado aumentando consistentemente cada año desde entonces. Además, un estudio realizado por IDC Inc. en 2011 indicó que la institución alcanzó, en ese año, un retorno de al menos el 506% sobre la inversión en BI. Fuente
Este es solo uno de los innumerables casos que ilustran la eficiencia de estas soluciones capaces de integrar e interpretar Datos, transformándolos, de alguna forma, en Información relevante para su negocio, posibilitando, con el debido análisis, la creación de Conocimiento. A través de la utilización y la gestión de este conocimiento nace la Inteligencia.
Conclusión
Han pasado más de 15 años desde que Toyota adoptó el BI. Actualmente, se generan más de 2.5 trillones de bytes de datos diariamente en el mundo, siendo que el 90% de los existentes hoy fueron creados en los últimos 2 años. La tendencia es que este número crezca de una forma cada vez más rápida.
Una Solución de Soporte a la Decisión no necesita costar millones de dólares ni exigir la venta atada de equipos, capacitaciones, consultorías y servicios. Al contrario, con software libre y con el respaldo de una consultoría especializada se pueden lograr resultados excelentes y sostenibles utilizando el equipamiento ya existente, con cualquier sistema operativo del mercado, pudiendo ser accedido desde celulares y computadoras hasta en grandes pantallas de televisión. Todo esto con toda la seguridad y libertad de quien tiene todo el código fuente en su poder.
Y usted, ¿qué va a hacer con sus datos?