1.32 Metodología para proyectos de Inteligencia de Negocio (BI).

DCC. Dafne Rosso Pelayo

La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.

En el artículo anterior platicamos sobre los riesgos involucrados en los proyectos de BI ocasionados por el desconocimiento de la tecnología y por emplear esquemas de desarrollos propios de sistemas tradicionales.

En este artículo iniciaremos la construcción de un prototipo empleando una metodología para proyectos que emplean minería de datos y empleando una herramienta gratuita de BI.

¿Por dónde empezar?

Como comentamos en el artículo anterior, es necesario controlar los cambios, los recursos, los costos, y  las expectativas durante el desarrollo del proyecto. La construcción de un prototipo puede aclarar, resolver y ajustar el alcance y los objetivos  que se pueden lograr con la tecnología de BI, si el resultado del prototipo es positivo, pude incurrir en la compra de una herramienta o el desarrollo del  proyecto con alcances y objetivos más realistas.

Para comenzar el prototipo  presentaremos la metodología que emplearemos en su construcción: La metodología  CRISP-DM (Cross Industry Standard Process for Data mining),  propia de aquellos proyectos que emplean minería de datos o sistemas inteligentes en su desarrollo.

CRISP-DM, incluye dentro de sus fases las fases típicas de un proyecto, las tareas relacionadas con cada fase y una explicación de las relaciones entre estas tareas. CRISP-DM puede ser usada como un modelo de referencia que ofrece una visión general del ciclo de vida de los proyecto que emplean sistemas inteligentes ya sean técnicas de  minería de datos, aprendizaje o análisis avanzados.

 Algunas referencias  las encuentran en http://www.spss.ch/upload/1107356429_CrispDM1.0.pdf, y http://crispdm.wordpress.com/

La siguiente figura muestra las fases que componen la metodología.

El modelo consta de seis fases. La secuencia de las fases no es obligatoria ni rígida. La interacción entre las fases se da de acuerdo a la naturaleza, ritmo y avance  del proyecto. La interacción puede ser en cualquier sentido y el modelo es completamente adaptable al proyecto de BI.

Fases de CRISP-DM: Entendimiento del negocio

El entendimiento del negocio es la primera fase de la CRISP-DM y comprende los siguientes puntos:

1.       Determinar los objetivos del negocio

Antecedentes

Objetivos del negocio

Criterios de éxito

2.       Situación Actual

Inventario de recursos

Requerimientos

Supuestos, restricciones, riesgos y contingencias

                Terminología

                Costos y beneficios

3.       Determinar las metas de la minería de datos

Metas de la minería de datos

Criterio de éxito de la minería de datos

4.       Generar el plan de trabajo

Plan del proyecto inicial

Inventario de técnicas y herramientas

Esta fase es una de las más importantes y requiere que todos los involucrados estén de acuerdo en los puntos que la conforman.

Aplicando la metodología al piloto.

Las fases correspondientes al entendimiento del negocio y el entendimiento de los datos son las más importantes en la preparación del proyecto. Es posible regresar a ajustar detalles a estas fases de acuerdo a los resultados que se obtengan en la preparación de datos.

Determinar los objetivos del negocio
Antecedentes	Planteamiento del contexto (las situaciones, problemática etc.), tanto  anterior como actual de la empresa. Incluyendo los eventos o situaciones que originan y justifican la necesidad de efectuar el proyecto. Eje.(resumiendo) En el piloto: Las ventas no han sido las esperadas en los años anteriores y el inventario no es óptimo.
Objetivos del negocio	Incrementar las ventas Incrementar utilidades Optimizar los inventarios
Criterios de éxito	Realizar un entendimiento adecuado del negocio y de los datos. Contar con el patrocinio de los directores
Situación Actual
Inventario de recursos	No hay software de BI Una desarrollador ( técnico de TI) Gerente y personal de apoyo Red local Internet
Requerimientos	Segmentar clientes, Incrementar ventas, Eliminar productos que no reditúan un beneficio económico, Permitir un seguimiento de las ventas.
Supuestos, restricciones, riesgos y contingencias	Ver artículo anterior (art 30).
Terminología
Costos y beneficios	Pueden ser estimados después del prototipo
Determinar las metas de la minería de datos
Metas de la minería de datos	Segmentar clientes, comportamiento de venta, pronósticos de ventas a futuro
Criterio de éxito de la minería de datos	Calidad de los datos Entendimiento de los datos exitoso Supervisión de los resultados parciales
Generar el plan de trabajo
Plan del proyecto inicial	Puede ser el plan de trabajo del prototipo
Inventario de técnicas y herramientas	En mi opinión aquí hay que regresar una vez que se conoce la naturaleza de los datos.

En el siguiente artículo examinaremos la siguiente fase de CRISP- DM, acoplándola de igual manera al desarrollo de nuestro piloto.

Copyright © 2012 Dafne Rosso Pelayo. Todos los derechos reservados.

1.31 El riesgo de proyectos de Inteligencia de Negocio (BI) en mi Empresa.

En el artículo anterior presentamos una serie de preguntas enfocadas a determinar si necesita o no Inteligencia de Negocio en su empresa, y si ya la tiene, poder verificar cuál es el grado de madurez en sus soluciones de BI.

En este artículo platicaremos sobre los riesgos involucrados en los proyectos de BI.

Desconocimiento de las capacidades de BI.

Como comentamos en el artículo anterior, la toma de decisiones en las empresas independientemente del giro, se realiza basándose en información, es por eso, que en muchos casos el desconocimiento de la tecnología emergente, cómo actúa ésta sobre la información, sus implicaciones, sus riesgos, y sus costos entre otros, hacen dudar al dueño de la información en implementar o no las soluciones que le ofrece la nueva tecnología a pesar de las grandes ventajas que promete brindar.

En el caso de sistemas inteligentes y particularizando en inteligencia de negocio (BI), existe un enorme desconocimiento en el área, aún entre las personas que trabajan en TI. Los usuarios finales no se encuentran familiarizados con la terminología, las herramientas, las técnicas, y algoritmos  alrededor de BI, y no solamente los usuarios finales, la TI el día de hoy es tan grande y especializada que muchas veces técnicos en TI, o telecomunicaciones, desarrolladores, etc. desconocen también el ambiente de BI.

En otros campos de TI, no pasa lo mismo, en las empresas es común hablar de sistemas contables, ERP, CRM, etc.,  pero no es común hablar de sistemas inteligentes o sistemas que apliquen técnicas o herramientas inteligentes para brindar soluciones.

Los sistemas inteligentes no son nuevos, las técnicas de procesamiento de lenguaje natural empleadas ahora tan comúnmente, datan de los años 50’s, no fue hasta que las técnicas de búsqueda con modelos como el SML (Statistical Models Lenguajes) se profundizaron en los 80’s y se empezó a difundir su uso enormemente  en el WEB,  su evolución permitió incorporar nuevas técnicas en el rastreo de redes sociales, reconocimiento de voz y minería de texto, entre otros. Por otro lado las técnicas de minería de datos, análisis avanzados, técnicas predictivas también tienen un periodo de maduración de décadas.

Riesgo en los proyectos de BI.

Entonces,  si las técnicas empleadas no son nuevas

¿Por qué el riesgo es alto?

¿Por qué existe tanto desconocimiento?

La mediana y pequeña empresa nos hemos estancado (y en mi opinión también en las grandes empresas en México) en la década de los 90’s,  cuando el desarrollo de proyectos de inteligencia de negocio  giraban solamente alrededor de almacenes de información y análisis OLAP,  seguimos empleando las mismas antiguas técnicas de modelaje, construcción, administración y planeación de proyectos de TI aplicadas a proyectos de BI. Eso es por un desconocimiento del área e implica un gran riesgo en el desarrollo de este tipo de proyectos.

Información en BI

La siguiente figura muestra algunos de los riesgos más comunes a los proyectos de inteligencia de negocio.

Algunos Riesgos en proyectos de BI

Por desconocimiento nos referimos principalmente al desconocimiento de la tecnología, metodologías, y mejores prácticas. Los costos refieren impactos económicos en la empresa por tecnología o capacitación.

De los riesgos comunes a todos los proyectos de TI como lo son la mala planeación, el contar con recursos adecuados, el constante cambio en los requerimientos, no vamos a tratar en este artículo.

¿Por qué fracasan los grandes proyectos de BI?

Las soluciones de inteligencia de negocio integrales contemplan un análisis de información horizontal de la empresa que permite ver la perspectiva de la información desde sus diferentes ángulos y áreas, esto involucra desarrollar almacenes de datos conocidos como data warehouses  y emplear suites  de inteligencia de negocio para explotarlos.

Los alcances y objetivos asignados a este tipo de proyectos suelen ser demasiado ambiciosos y por lo tanto la mayoría de los proyectos de BI que involucran grandes almacenes de datos fracasan. El alcance  en este tipo de proyectos suele estar mal plantado.

Como hemos planteado en este blog (art 1, art 2, entre varios) es necesario un cambio de paradigma, un cambio de estrategia, un cambio de conducción de los proyectos de BI.

Las áreas involucradas son muchas, los cruces de información extensos y complejos, el personal involucrado, la duplicidad de fuentes, la falta de calidad en la información, la diversidad de bases de datos, etc.,  son el pan de cada día de las personas que se nos dedicamos a este tipo de proyectos.

Para obtener resultados diferentes hay que actuar diferente. !!!!!

Empecemos por emplear una metodología distinta y no una tradicional para proyectos de TI, usemos metodologías ágiles, alcances cortos, objetivos crecientes (incrementales), resultados controlados y mucha, mucha interacción entre las fases.

Es necesario controlar los cambios, los recursos, los costos, y  las expectativas durante el desarrollo del proyecto, como hemos propuesto en varias ocasiones existe una gran gama de herramientas de BI gratuitas. La construcción de un prototipo puede aclarar muchas dudas tanto a los usuarios como al equipo de desarrollo, sobre todo si no conocen lo que esta tecnología ofrece, si el resultado del prototipo es positivo, pude incurrir en la compra de una herramienta o el desarrollo de su proyecto con alcances y objetivos más realistas.

En los siguientes artículos emplearemos una herramienta gratuita en la construcción de un prototipo establecido para una solución predictiva de BI.

Copyright © 2012 Dafne Rosso Pelayo. Todos los derechos reservados.