Rescheduling Strategy for Recoverable Temporal Violations
9.4 Three-Level Temporal Violation Handling Strategy
Es un repositorio de información extraída de otros sistemas corporativos, sean estos sistemas transaccionales, bases de datos departamentales, o Intranet de la compañía, a la que los hombres de negocios de la empresa pueden acceder.
Los sistemas Data Warehouse están orientados a procesos de consultas en contraposición con los procesos transaccionales, sus tablas pueden no estar normalizadas y se admite redundancia en los datos.
Mejor dicho, la Data Warehouse es un sistema, no un producto, en el que se almacenan datos. Es una técnica para consolidar y administrar datos de variadas fuentes con el propósito de responder preguntas de negocios y tomar decisiones, de una forma rápida. Una Data Warehouse se vale de una base de datos relacional diseñada para el acceso rápido y análisis y no al proceso transaccional. La Data Warehouse separa la carga del análisis y normalmente contiene datos históricos derivados de datos transaccionales.
33 Sus principales características son:
- Orientado hacia información relevante de la organización
- Datos integrados
- Variable en el tiempo
- No Volátil
Si el sistema ETL se diseña adecuadamente, puede extraer los datos de los sistemas de origen de datos, aplicar diferentes reglas para aumentar la calidad y consistencia de los mismos Especificación y desarrollo de aplicaciones de BI: Las aplicaciones de BI son la cara visible de la inteligencia de negocios: los informes y aplicaciones de análisis proporcionan información útil a los usuarios.
Para concluir con el proyecto, se realizó la contrastación de la hipótesis, las conclusiones y finalizando con las recomendaciones (Gutiérres 2014).
2.3.4 Data Mart
Es una Data WareHouse solo que más pequeña; en otras palabras, es una Data Warehouse orientada a algún tema. Los Data Mart suelen ser usados por un departamento o grupo de usuarios en una compañía, para un conjunto definido de tareas.
Una Data Mart se considera independiente, ya que recibe datos desde un Data Warehouse.
Los Data Mart aislados, es decir los que toman sus datos directamente desde sistemas transaccionales y no dependen de otros Data Warehouse, recién el nombre de “Data Marts Independientes”.
El acceso a los datos de toda la empresa a veces no es conveniente (o necesario) para determinados usuarios que solo necesitan un subconjunto de estos datos, en estos casos se utilizan los Datamarts. El concepto Datamart es una especialización del datawarehouse, y está enfocado a un departamento o área específica, como por ejemplo los departamentos de Finanzas o Marketing. Permitiendo así un mejor control de la información.
34 Los principales beneficios de utilizar Datamarts son:
- Acelerar las consultas reduciendo el volumen de datos a recorrer - Estructurar los datos para su adecuado acceso por una
herramienta
- Dividir los datos para imponer estrategias de control de acceso. - Segmentar los datos en diferentes plataformas hardware.
- Permite el acceso a los datos por medio de un gran número de herramientas del mercado, logrando independencia de estas (Gutiérres 2014)
2.3.5 Dimensiones
Son los diferentes puntos de vista por los que queremos analizar la información. Las dimensiones contienen los diversos atributos que queremos analizar, además se estructuran en forma jerárquica, conforme a diferentes niveles de detalle.
Las tablas de dimensiones se construyen con todos los atributos que incluyen de una forma des normalizada y con una clave que identifica el mínimo nivel de detalle. Podemos distinguir varios tipos de dimensiones:
Dimensiones normales: aquellas que agrupan diferentes atributos
que están relacionados por el ámbito al que se refieren (todas las características de un cliente, los diferentes componentes de la dimensión tiempo, etc).
Dimensiones causales: son atributos que pueden causar cambios
en los procesos de negocio (por ejemplo, la dimensión promoción en el proceso de negocio de ventas).
Dimensiones heterogéneas: que agrupan conjuntos heterogéneos
de atributos, que no están relacionados entre sí.
Dimensiones roll-up: es un subconjunto de otra, necesarias para el caso en que tenemos tablas de hechos con diferente granularidad (ver la entrada anterior del blog).
Dimensiones Junk: agrupa indicadores de baja cardinalidad como
35
Dimensiones role-playing: cuando una misma dimensión interviene
en una tabla de hechos varias veces (por ejemplo, la fecha en una tabla de hechos donde se registran varias fechas referidas a conceptos diferentes), es necesario reutilizar la misma dimensión, pues no tiene sentido crear tantas dimensiones como usos se hagan de ella. En consecuencia, se definen las dimensiones role- playing. Podemos crear vistas sobre la tabla de la dimensión completa que nos permiten usarla varias veces o jugar con los alias de tabla. La misma dimensión juega un rol diferente según el sitio donde se utiliza.
Dimensiones degeneradas: no tienen ningún atributo y por tanto, no tienen una tabla específica de dimensión. Incluyen para ellas un identificador en la tabla de hechos, que identifica completamente a la dimensión (por ejemplo, un pedido de ventas). Nos interesa tener determinada la transacción (para realizar data mining, por ejemplo), pero los datos interesantes de este elemento los tenemos repartidos en las diferentes dimensiones (cliente, producto, etc).
Mini dimensiones o dimensiones Outrigger: conjunto de atributos de una dimensión que se extraen de la tabla de dimensión principal, pues se suelen analizar de forma diferente. El típico ejemplo son los datos socio demográficos asociados a un cliente (que se utilizan, por ejemplo, para la data mining).
2.3.6 Métricas
Son valores que recogen el proceso de una actividad o los resultados de la misma y son usados por los analistas en sus query’s para medir la performance del comportamiento de un proceso o un objeto del negocio.
Las medidas candidatas son los datos numéricos, pero no cada atributo numérico en una medida candidata.
Estas medidas proceden del resultado de la actividad de negocio.
Métricas de realización de actividad: miden la realización de una actividad. Por ejemplo, la participación de una persona en un evento.
36 Métricas de resultado de una actividad: recogen los resultados de una actividad. Por ejemplo, la cantidad de unidades vendidas.
2.3.7 Indicadores
Es una variable dimensional unitaria, expresada como un cociente, que correlaciona dos variables cualesquiera. A través de este concepto es posible relacionar diversas variables presentes en los procesos de una empresa. Ejemplo: N° Ciclos/Hora, LtsComb, /Maquina.
La importancia de un indicador radica en la particularidad de informar al usuario el estado actual del sistema. Revelar el estado del sistema, nos permitirá tomar decisiones preventivas o correctivas de acuerdo a los resultados de las comparaciones entre el valor esperado y el valor obtenido del sistema.
3 METODOS Y MATERIALES
3.1 Hipótesis de la investigación 3.1.1 Hipótesis General
Hi: Desarrollo si la Implementación de Power BI como solución de
inteligencia de negocios Influye en el proceso de toma de decisiones de la Demanda y Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú.
3.1.2 Hipótesis Específicas
H1: La Implementación de Power BI como solución de inteligencia de
negocios Permitirá en el proceso de toma de decisiones de la Demanda en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú
H2: La Implementación de Power BI como solución de inteligencia de
negocios Permitirá en el proceso de toma de decisiones de la Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú
37 3.2 Variables de estudio.
3.2.1 Definición conceptual
Variable Independiente(VI): Implementación de Power BI como solución de inteligencia de negocios
La nueva herramienta de Microsoft que permite analizar y utilizar su información para mejorar la toma de decisiones, con gran facilidad para obtener datos de Querys o preparar modelos directamente en Power BI Desktop. Mediante Querys realizados en sus datos de orígenes Power BI permite sincronizar sus datos y obtener toda la interactividad deseada, sin embargo este tipo de tareas corresponde a las características del Query generado, el cual puede tener restricciones a nivel de la fecha generada, de los atributos utilizados y los datos proporcionados en el Query, lo cual tiene efectos en la flexibilidad que se puede hacer en Power BI, ya que estará restringido el análisis a realizar de acuerdo a las características que tiene el modelo y por otra parte el uso de una sola tabla con toda la información hace que los cálculos a obtener tomen más tiempo al tener que evaluar toda la tabla. Sin embargo, permite que la vista o consulta generada se realice en el lenguaje nativo, permitiendo obtener informes con la información básica a utilizar por el usuario final (Datawin 2017)
Variables Dependientes: Demanda:
Demanda es la carga de trabajo del laboratorio y permite definir los costes e ingresos del mismo. El indicador de la Demanda se obtiene a partir del número de pacientes, muestras y análisis únicos solicitados y obtenidos en el periodo de tiempo seleccionado. El seguimiento de la Demanda a lo largo del tiempo ayuda a los laboratorios a identificar cambios en:
• el número total de muestras
• la solicitud de patrones por muestra
• el grupo de análisis o muestras de un tipo específico • el número de muestras recibidas por procedencia
38 El cambio en la Demanda del laboratorio filtrado por tipo de análisis (p. ej. bioquímica clínica, hematología, etc.) se visualiza en el panel
Volumen por tipo de análisis para el periodo de tiempo
seleccionado. El volumen del laboratorio y el porcentaje del volumen total se visualizan en la tabla para cada tipo de análisis y para el periodo de tiempo actual y anterior. El volumen del laboratorio se registra por tipo de análisis a lo largo del periodo de tiempo actual y anterior en el gráfico de líneas correspondiente. Este gráfico de líneas puede ser de utilidad para identificar y realizar un seguimiento de las tendencias a corto y largo plazo o estacionales y de las anomalías en cuanto a la solicitud de patrones del tipo de análisis. Determinados tipos de análisis pueden tener gran impacto en los ingresos, y la Demanda de estos tipos de análisis puede servir para identificar los patrones de tendencias/ingresos.
Productividad:
Productividad es la relación entre las entradas y salidas del
laboratorio. Se emplea como una medida de la eficiencia y la eficacia con la que se aprovechan los recursos del laboratorio, y puede ser de utilidad como indicador del valor de la inversión del laboratorio en tecnología.
El indicador de la Productividad se obtiene a partir de los datos de las solicitudes de análisis y de los resultados (deducidos del indicador de la Demanda).
El seguimiento de la Productividad mínima y máxima a lo largo del tiempo permite al laboratorio identificar:
•El impacto de los esfuerzos para mejorar la productividad del personal
39 •Como parámetro de productividad, especialmente si se mide en varios laboratorios
3.2.2 Definición operacional
Cuadro 1. Definición operacional de las variables
Variables
Independientes
Dimensiones
Unidades
Implementación de Power BI como solución de inteligencia de negocios - TIEMPO DE ENTREGA PREDECIBLE (PTAT)El PTAT es una indicación de la capacidad del laboratorio para entregar regularmente resultados según el tiempo de entrega acordado
• El exceso de desempeño (es decir, cumplir con los objetivos de PTAT demasiado pronto cuando no es clínicamente relevante) puede indicar un posible desperdicio de recursos
• El desempeño insuficiente significa que el laboratorio no puede cumplir con las necesidades de sus clientes
• Al utilizar esta parte de la consola de la plataforma de BI puede: • Trabajar más cerca de los clientes para poder definir mejor el nivel de servicio requerido
• Informar cómo se desempeñó el laboratorio en relación a los objetivos de nivel de servicio
- TIEMPO EN USO
DEL ANALIZADOR
El seguimiento del Tiempo de actividad del analizador puede ayudar al laboratorio a identificar si los analizadores se utilizan a su capacidad máxima y también observar las posibles tendencias como la frecuencia del tiempo de inactividad del analizador
Minutos
Porcentaje
Variables Dependientes Dimensiones Unidades
Demanda
- VOLUMEN DE CARGA DE TRABAJO TOTAL
Muestra la cantidad total de pacientes, muestras y pruebas durante el período de tiempo seleccionado.
40 - CARGA DE TRABAJO
PROMEDIO/HORAS-HOMBRE
Estos indicadores muestran la
productividad de su fuerza laboral. Al incrementar la productividad de sus recursos humanos, el costo por prueba mejorará.
- DISTRIBUCIÓN DEL GRUPO DE PRUEBA
Muestra la distribución de diferentes tipos de pruebas, así como también los cambios en el promedio. También muestra cómo la mezcla de prueba cambia con el tiempo
Cantidad de Fuerza Laboral
Distribución de las Pruebas
Productividad
- CARGA DE TRABAJO
PROMEDIO/HORAS-HOMBRE
(Esto le permite visualizar su carga de volumen de trabajo por los pacientes, muestras y pruebas)
- CARGA DE TRABAJO vs.
CARGA DE TRABAJO/HORAS-HOMBRE
Promedio de Horas Hombre
Eficiencia del personal
3.3 Diseño de la investigación
Pre Experimental: Se demostrará la hipótesis a través de métodos experimentales. No tiene un Grupo Control para comparación de resultados. Solo se hará en una entidad específica.
Ge O1 X O2
Dónde:
Ge = Grupo Experimental: Es el grupo conformado por toda la producción del
Laboratorio Central de la FAP.
O1 = Son los valores de los indicadores de la Variable Dependiente en la Pre-
Prueba, antes de implementarse Inteligencia de Negocios.
X = Es el estímulo, tratamiento o condición experimental. (Inteligencia de Negocios).
O2 = Son los valores de los indicadores de la Variable Dependiente en la Post-
41 Descripción: Se trata de la conformación intencional de un grupo experimental (Ge) conformado por toda la producción del Laboratorio central de la FAP, al cual a sus indicadores de Pre-prueba (O1), se le administra un estímulo o tratamiento experimental, Inteligencia de Negocios como estímulo (X) para solucionar el problema de dicho proceso, luego se espera que se obtenga (O2). Por lo tanto, se espera que los valores O2 sean mejores que los valores O1.
3.4 Población y muestra de estudio