Implementation of IFRS

Las tablas de dimensiones definen como están los datos organizados lógicamente y proveen el medio para analizar el contexto del negocio, mediante los cuales los usuarios podrán filtrar

16

y manipular la información almacenada en la tabla de hechos. En la siguiente figura se puede apreciar un ejemplo.

Figura 1-7: Tablas de Dimensiones Fuente: (Duque Galvez, 2010)

Cada tabla posee un identificador único y al menos un campo o dato de referencia que describe los criterios de análisis relevantes para la empresa, los datos dentro de estas tablas, que proveen información del negocio o que describen alguna de sus características, son llamados datos de referencia. Cada tabla de dimensión podrá contener los siguientes campos:

 Clave principal o identificador único.  Clave foráneas.

 Datos de referencia primarios que identifican la dimensión. Ej: nombre del cliente.  Datos de referencia secundarios: datos que complementan la descripción de la

dimensión. Por ejemplo: e-mail del cliente, fax del cliente, etc. (Bernabeu, 2010)

1.3.3.7.2 Tablas de hechos.

Las tablas de hechos contienen, precisamente, los hechos que serán utilizados por los analistas de negocio para apoyar el proceso de toma de decisiones. Contienen datos cuantitativos. Los hechos son datos instantáneos en el tiempo, que son filtrados, agrupados y explorados a través de condiciones definidas en las tablas de dimensiones. Los datos presentes en las tablas de hechos constituyen el volumen de la bodega, y pueden estar compuestos por millones de registros dependiendo de su granularidad y antigüedad de la organización. Los más importantes son los de tipo numérico. El registro del hecho posee una clave primaria que está compuesta por las claves primarias de las tablas de dimensiones

17

relacionadas a este. En la siguiente figura se puede apreciar lo anterior misionado. (Bernabeu, 2010)

Figura 1-8: Tabla de Hecho Fuente: (Duque Galvez, 2010)

1.3.3.7.3 Nivel.

En las dimensiones se pueden especificar características (atributos) en particular de acuerdo a cada dimensión. Estos atributos necesitan ser ordenados o agrupados de acuerdo a un fin en específico como por ejemplo se puede observar en la Figura 1-9, en la cual dos dimensiones se encuentran agrupadas de cierta manera, a estas agrupaciones son llamadas niveles.

Figura 1-9: Niveles en la Dimensión Fuente: (Duque Galvez, 2010)

Para garantizar que existan registros únicos en cada dimensión es necesario contar con una clave única para cada nivel de agregación, la misma que se recomienda sea secuencial.

18

1.3.3.7.4 Jerarquías.

Las jerarquías son estructuras lógicas usadas para categorizar los datos, de acuerdo a los niveles definidos, la jerarquía también ayuda a definir la navegación por la información que va a tener la dimensión en un orden (de los niveles) definido. (Duque Galvez, 2010)

Figura 1-10: Jerarquía en la Dimensión. Fuente: (Duque Galvez, 2010)

1.3.3.7.5 Granularidad.

La granularidad es el nivel de detalle en que se almacena la información. Por ejemplo: Las ventas pueden expresarse por día y los objetivos por mes. El atributo de granularidad de la relación normal permite gestionar este caso sin problema. En todos los casos, y de forma especial en el caso de una dimensión realizadora de funciones, usted define en la relación la columna o columnas del grupo de medidas ligadas al atributo de granularidad. (Gauchet, 2011)

1.3.3.7.6 Relaciones.

Las relaciones mantienen la integridad de la información del negocio, referenciando datos entre diferentes tablas, en este caso, relacionando las dimensiones con los hechos, como por ejemplo la relación Producto – Ventas, Almacén – Pedidos, etc.

Figura 1-11: Relaciones en un Modelo Fuente: (Duque Galvez, 2010)

19

1.3.3.7.7 Claves subrogadas.

Una clave subrogada es un identificador único que se asigna a cada registro de una tabla de dimensión. Esta clave, generalmente, no tiene ningún sentido específico de negocio. Son siempre de tipo numérico. Preferiblemente, un entero autoincremental. (Urquizu, 2009)

1.3.3.8 Análisis OLAP.

El procesamiento analítico en línea permite obtener acceso a datos organizados y agregados de orígenes de datos empresariales, organiza subconjuntos de datos con una estructura multidimensional de manera que represente un significado especial o responda a una pregunta en particular (Gomez, 2010). OLAP (On-Line Analytical Processing) o Procesamiento Analítico en línea, surge como contraste a OLTP (On-Line Transactional Processing) que define a los sistemas de ambientes transaccionales.

El análisis multidimensional (Análisis OLAP), parte de una visión de la información como dimensiones de negocio, en la que hay que tomar en cuenta que se debe de olvidar lo que son las tablas y campos, dando mayor énfasis a lo que son las dimensiones y medidas.

Figura 1-12: OLAP (On-Line Analytical Processing) Fuente: (Duque Galvez, 2010)

Las herramientas OLAP se caracterizan por subdividirse en tres tipos de acuerdo a la manera de almacenar los datos, estos son:

 ROLAP (Relational OLAP).

Arquitectura en la que se almacenan los datos en un motor de base de datos relacional, pero de igual manera se proporciona la funcionalidad analítica. A través de esta implementación se soporta de mejor manera las capacidades OLAP con respecto a las bases de datos relacionales, en el sentido que realiza consultas directas a la base de datos, e igualmente presenta los datos de la manera multidimensional

20

caracterizada por la arquitectura. Los esquemas más comunes sobre los que se trabaja son estrella o copo de nieve. La arquitectura está compuesta por un servidor de datos relacional y el motor OLAP.

 MOLAP (Multidimentional OLAP).

En este tipo de arquitectura los datos se almacenan de manera dimensional en un servidor de base de datos multidimensional, permitiendo optimizar los tiempos de respuesta en la información, ya que al ser sumarizada y/o agregada ayuda mucho a los datos calculados por adelantado como por ejemplo los totales, lo que aumenta el desempeño de análisis.

Para tener un idea de cómo funciona la tecnología OLAP se puede hacer una analogía con la representación de un cubo, y es aquí donde nace el término de los cubos de información, que no son otra cosa más que el análisis multidimensional de los datos, como se puede apreciar en la figura 1-13 a continuación.

Figura 1-13: Cubo OLAP Fuente: (Sanches, 2012)

En un análisis OLAP se implementan funcionalidades las cuales permiten interpretar la información de diferentes maneras, estas funciones u operaciones entre las más importantes son:

 Drill down.- Desglosar una métrica de lo general a lo particular por la jerarquía de sus dimensiones.

21

Figura 1-14: Operación OLAP - Drill Down Fuente: (Duque Galvez, 2010)

 Roll up.- Agregar una métrica de lo particular a lo general por la jerarquía ascendente de sus dimensiones.

Figura 1-15: Operación OLAP - Roll Up Fuente: (Duque Galvez, 2010)