Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
94
METODOLOGÍA M3S PARA PROYECTOS DE INTELIGENCIA DE NEGOCIOS
M3S METHODOLOGY FOR BUSINESS INTELLIGENCE PROJECTS
Santiago Morales Cardoso
1
; Glenda Toala Sánchez
2
Universidad central del ecuador
1,2
, Quito-Ecuador
smorales@uce.edu.ec
1
; gtoala@uce.edu.ec
2
Santiago Morales Cardoso
1
https://orcid.org/0000-0002-3833-9654
Glenda Toala Sánchez
2
https://orcid.org/0000-0002-4596-3770
Recibido: 16/12/2020 Aceptado: 25/12/2020
Código Clasificación JEL: A12, C80, D70.
RESUMEN
En la actualidad es importante orientar a las organizaciones en una oportuna toma de decisiones, apoyadas
por todas las ventajas que proporciona la Inteligencia de Negocios (IN), la Metodología M3S es una alternativa
innovadora, con grandes aportes en los procesos de la transformación de los datos con la finalidad de mejorar
la toma de decisiones, esta propuesta metodológica incluye un algoritmo de decisión, aportando con mejoras
en la búsqueda de sus nodos por medio de atributos ubicados en diferentes fuentes de datos estructurados o no,
los mismos que pasan por procesos de limpieza especial y a los cuales se les da en este estudio una denominación
de “puros”. Así, obtenidos los nodos, estos pasan a ser clasificados en base a los cálculos recursivos de entropía
y ganancia de información para lograr una estructura robusta que tome decisiones para cualquier dato que
ingrese en un determinado caso de estudio.
Palabras Clave
Entropía, Clasificación, Limpieza de Datos, IN, Árboles de decisión.
ABSTRACT
Nowadays it is important to guide organizations in an opportune decision making, supported by all the
advantages that Business Intelligence (BI) provides. The M3S Methodology is an innovative alternative, with
great contributions in the processes of data transformation with the purpose of improving decision making, This
methodological proposal includes a decision algorithm, contributing with improvements in the search of its
nodes by means of attributes located in different sources of structured or unstructured data, the same ones that
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
95
go through special cleaning processes and which are given in this study a denomination of "pure". Thus, once
the nodes are obtained, they are classified based on the recursive calculations of entropy and information gain
to achieve a robust structure that makes decisions for any data entered in a given case study.
Keywords
Entropy, Classification, Data Cleaning, BI, Decision Trees.
INTRODUCCIÓN
“La inteligencia de negocios, es un enfoque estratégico para orientar sistemáticamente el seguimiento, la
comunicación y la transformación relacionada al débil conocimiento de la información procesable en la cual se
basa la toma de decisiones” (Kamel y Samia, 2002). En la época pasada los Data Warehouse (DW) han sido
ampliamente adoptados en los negocios, proveían análisis multidimensional con muchos datos históricos del
negocio, ayudando a crear nuevas decisiones. “Sin embargo, en el 20% de las empresas se encuentran los datos
numéricos y el otro 80% están escondidos en NO numéricos y hay que recuperarlos para realizar un análisis
más completo de Business Intelligence” (Tseng & H,, 2006).
“Las recomendaciones para implementar un proyecto de Inteligencia de Negocios basado en un DW, debe
analizarse desde diferentes aspectos: Económico (Costos cuantificables e intangibles), Social (Ambiente
organizacional, Apoyo, Aspectos Administrativos, Compromiso), y Técnico (Infraestructura, Metodologías)”.
(Villalon, 2006). Cada organización maneja la Inteligencia de Negocios de acuerdo a las exigencias de la misma.
Es aquí, que se ve la necesidad de crear una metodología en cuanto al proceso ETC para empezar a definir
estándares, ya que los softwares que existen actualmente en el mercado no necesariamente ofrecen las mejores
alternativas. “En el año 2003 ya se decía que la demanda de Sistemas de Inteligencia de Negocios estaba
creciendo, pero la producción de software en general caminaba más lento” (Negash, 2004). De esta manera otro
autor considera que “la investigación y la gestión del conocimiento es una idea básica, por lo que el
conocimiento que se genere esté compartido a la comunidad” (Krogh & von, 2002).
El crecimiento en los servicios de consultoría de Reingeniería de Procesos de Negocio (BPR) ha llevado a
una proliferación de métodos para conducir BPR. Se han hecho investigaciones revisando Métodos, Técnicas
y Herramientas (MTTs), y en base a encuestas exhaustivas de estas técnicas de uso común de BPR, se forma
una base de conocimientos para mejorar la práctica de cambio de procesos empresariales y proporciona una
base para la investigación BPR futuro (Kettinger, Teng, & Subashish, 1997).
“Tomar mejores decisiones más rápido, convertir datos en información, y usar nuevo conocimiento para las
empresas es actualmente una ventaja competitiva” (Calzada & Abreu, 2009). “La Inteligencia de Negocios se
puede definir como el cúmulo de modelos matemáticos y metodologías de análisis que explotan los datos
disponibles para generar información y conocimientos útiles para los complejos procesos de toma de
decisiones” (García, 2012).
Debido a la importancia de esta definición en el estudio se consideran algunos autores más que indican:
“Inteligencia de Negocio es un concepto que “integra como solución el almacenamiento y procesamiento de
enormes cantidades de datos e información para transformarla en conocimiento y decisiones en tiempo real a
través de una fácil explotación” (Salinas La Rosa, 2010); también indica que: “BI es un término que engloba
las aplicaciones, infraestructura, plataformas, herramientas y mejores prácticas que permiten acceder y analizar
la información para optimizar las decisiones y gestionar el rendimiento empresarial”.
Uno de los criterios es que: “Se entiende por Inteligencia de Negocios al conjunto de metodologías,
aplicaciones, prácticas y capacidades enfocadas a la creación y administración de información que permite
tomar mejores decisiones a los usuarios de una organización” (Díaz, 2012).
Desde otro punto de vista se considera la siguiente definición, que asevera: “La inteligencia empresarial es
una categoría de aplicaciones y tecnologías para recopilar, proporcionar acceso y analizar datos con el fin de
ayudar a los usuarios empresariales a tomar mejores decisiones” (Ranjan, 2009).
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
96
Por último se revisa que la inteligencia de negocios se define como “la habilidad corporativa para tomar
decisiones; esto se logra mediante el uso de metodologías, aplicaciones y tecnologías que permiten reunir,
depurar, transformar datos, y aplicar en ellos técnicas analíticas de extracción de conocimiento” (Parr & Sons,
2009), “los datos pueden ser estructurados para que indiquen las características del área de interés” (Stackowiak,
Greenwald, & Rayman, 2007), “generando el conocimiento sobre los problemas y oportunidades del negocio
para que pueden ser corregidos y aprovechados respectivamente” (Ballard, 2006) y Grossman (1998),
mencionan que IN, “es un término general para un conjunto de conceptos y métodos para mejorar la toma de
decisiones empresariales, utilizando sistemas basados en hechos”.
Actualmente, se ha detectado que uno de los retrasos en proyectos de IN se produce en los procesos de
Extracción, Transformación y Carga de Datos (ETC), para lo cual se propone una metodología que optimice
estos procesos con la ayuda de árboles de decisión que aplican aprendizaje automático en las decisiones.
En los proyectos de analítica de datos es necesario permanentemente buscar un nuevo modelo que guíe a
conseguir soluciones en el ámbito de inteligencia de negocios ya sea considerando soluciones tradicionales o
aquellas de las que actualmente se las conoce como In Memory. Se propone una metodología que explote y
mejore principalmente el proceso extracción y transformación de datos, pero introduciendo aprendizaje
automático a través del uso de algoritmos de árboles de decisión que dentro del estudio se les dará mayores
parámetros de valor por lo que se considerará como ideales. Esto ayudará a tener soluciones que beneficien la
creciente necesidad que tienen los ejecutivos y en general los usuarios de diferentes niveles jerárquicos en las
empresas de contar con información tomada de distintas aristas pero que lleguen limpia, que les permita mejorar
sus decisiones en base al mayor conocimiento que se llega a tener de las organizaciones. Tomando en cuenta
que en la mayoría de los casos la información se encuentra dispersa en varios sistemas y en diferentes fuentes
de datos, esto implica que debe crearse una metodología que logre consolidar la información en base a lo
aprendido y en el presente y futuro pueda colaborar con la toma de decisiones certeras en las empresas.
La Metodología M3S que incluye un algoritmo de decisión basado en ID3, fundamenta, representa y
gestiona la implementación de proyectos de IN usando modelos matemáticos y explotando datos disponibles
para generar conocimiento tomando en cuenta el tiempo del proyecto, madurez de la información,
introducción de técnicas de Inteligencia Artificial como los árboles de decisión y aprendizaje automático.
M3S, al recopilar datos de diferentes fuentes heterogéneas, se considera que es más robusta y puede tener
mayor certeza luego de su procesamiento de pureza de información, a diferencia de datos planos, que generan
variedad de escalas de tiempo, las mismas que determinan los parámetros de integración o identifican los
acoplamientos entre estas series, como bien se lo menciona en la Entropía de Permutación.
Al aplicar la Metodología M3S en casos de estudios específicos, se observó una ganancia competitiva
tanto en la velocidad de obtención de los datos como en su calidad, que permitió ampliar la visión estratégica
del negocio, reducir riesgos de costos y disminuir la incertidumbre en la toma de decisiones.
METODOLOGÍA
La metodología de implementación para procesos de IN, cuenta con las técnicas necesarias para el
seguimiento de proyectos, así como con una estructura organizacional de los mismos, considerando cuatro
factores críticos de éxito, los cuales deben ser base para cualquier tipo de proyecto de tecnología (Ver Figura
1), que permitirá conseguir una buena rigurosidad en su desarrollo, de igual forma permite un control adecuado
en todos los procesos y actividades que se vayan ejecutando.
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
97
Figura1: Pilares de la estructura organizacional
Fuente: Morales, 2019
Para la elaboración de la propuesta metodológica se utilizaron los instrumentos de encuestas, entrevistas y
casos de estudio. En el componente cualitativo, se midieron variables como la satisfacción, madurez de la
información y calidad del entorno. Para el componente cuantitativo se establecieron variables para determinar
el nivel de mejoramiento en tiempos de extracción y transformación de datos, valorados en formularios creados
para esa finalidad.
La hipótesis formulada es la siguiente: La metodología M3S integra y optimiza las propuestas actuales en
la extracción y transformación de datos dentro de un proyecto de IN.
Para la elaboración de la propuesta de la Metodología M3S (Morales, 2019), en primer lugar, se definieron
las etapas del ciclo de vida, luego se analizó la etapa de diseño, es allí donde se propone una mejora en relación
a las metodologías ya existentes, aplicando un modelo matemático basado en algoritmos de árboles de decisión.
PROPUESTA DE LA METODOLOGÍA M3S
El Ciclo de Vida que se definió en M3S está compuesto de seis etapas que se encuentran definidas de manera
literal de la letra A hasta la F y dentro de la cual será en la etapa D de Diseño, en la cual se hizo énfasis y en la
que se establece una nueva metodología dentro de M3S, que se denomina “Metodología de Decisión”, basada
en algoritmos de árboles de decisión conocidos en el estudio como “ideales”, explicados en los siguientes
puntos.
Las etapas del ciclo de vida de la Metodología M3S se detallan en la Tabla 1.
Tabla 1.
Ciclo de Vida de Metodología M3S
ETAPAS DEL CICLO DE VIDA DE LA METODOLOGÍA M3S PARA PROYECTOS DE
INTELIGENCIA DE NEGOCIOS
A. Justificación
A.1. Evaluación caso de negocio
A.2. Acta de Constitución del Proyecto.
B. Planificación
B.1. Evaluación Infraestructura
Técnica
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
98
No Técnica
B.2. Definición del Alcance
B.3. Cronograma
C. Análisis y requisitos de negocio
C.1. Definición de requisitos de Proyecto
C.2. Prototipo de Aplicación
D. Diseño
D.1. Diseño ETC
D.1.1. Diseño Metodología de Decisión
E. Construcción
E.1. Desarrollo ETC
E.1.1. Obtención de Metadata
F. Implementación
F.1. Puesta en marcha.
F.2. Evaluación de la Solución
F.3. Cierre del Proyecto
Fuente: Morales, 2019
En la primera etapa (A) de Justificación, se buscan los argumentos reales que generen la necesidad del
negocio para implementar un proyecto de ingeniería dentro del cual se debe evaluar el caso de negocio en donde
principalmente se debe justificar la inversión mostrando el balance entre el costo, tiempo de ejecución y los
beneficios conseguidos; y también se debe generar el Acta de Constitución, que es un documento inicial que
formaliza la ejecución del proyecto.
La siguiente etapa (B) es la de Planificación, que define la estrategia y planes tácticos a seguir para
desarrollar y llevar a cabo el proyecto con éxito, en la que se debe evaluar la infraestructura técnica, así como
revisar las políticas institucionales, personal que se asigna al proyecto y logística de oficina. Es importante
definir el alcance del proyecto, incluyendo criterios específicos, medibles, realistas y enmarcados en un tiempo
establecido, llegando a definirse claramente el objetivo del análisis de IN; y por último establecer un
cronograma, en donde se define cada actividad designando los responsables, fechas de hitos importantes a
cumplirse y a controlarse.
Continuando con la etapa (C), Análisis y Requisitos de Negocio, en la cual se realiza un análisis detallado
del problema y oportunidades del negocio, para conseguir una comprensión sólida de los requisitos de la
organización que sean necesarios para llegar a una posible solución o producto. Se debe dentro de lo posible
proponer un prototipo de lo que llegaría a presentarse en los resultados de tableros de medición.
En la cuarta etapa (D) que es el Diseño, concibe una alternativa que resuelva el problema para la toma de
decisiones, dentro de la cual se tiene el Diseño ETC en donde los datos de origen para las aplicaciones de IN
provienen de varias plataformas heterogéneas, que son gestionadas por una variedad de sistemas operacionales
y aplicaciones. Partiendo de la premisa de que los sistemas deben aprender y adaptarse a su entorno, el
propósito de los procesos ETC en esta investigación es unir los datos de estas plataformas y transformarlos a
un formato que contenga todas las clasificaciones de información necesarias, de tal forma que a partir de estos
se tenga capacidad de decidir sobre todo el universo de información actual y la futura que llegue para un
determinado objetivo. Por ser una parte esencial de la investigación esta parte tendrá un tratamiento especial
luego de la explicación de las dos últimas etapas de M3S.
En M3S la etapa (E), es la Construcción, en la cual se aplica la metodología de decisión en un software que
realice todo lo diseñado en la etapa anterior (D), dentro de la que se ingresará en un proceso de software las
bases necesarias, las reglas definidas a fin de que la tabla de datos pueda ser analizada y poder inferir el árbol
de decisión ideal.
La última etapa (F) es la de Implementación, conocida también como venta del producto acabado, y entonces
medir su efectividad para determinar si la solución encontrada, excede o no el resultado esperado. Se pone en
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
99
marcha de forma tradicional, o incremental según el mejor criterio de los expertos de BI. De igual forma se
evalúa la solución. A esta altura lo primordial es cerrar el proyecto, en donde se debe archivar toda la
documentación generada para que se encuentre disponible a cualquiera de los niveles empresariales,
formalizando la entrega de todos los aplicativos y aceptación del cliente en base a firmar el acta de entrega total
del proyecto.
Como se indicó anteriormente la propuesta se concentra en la etapa de Diseño de M3S, estableciendo una
metodología de decisión y las fases que la componen.
Metodología de Decisión de la Etapa de Diseño
Antes de presentar la metodología de decisión, se debe realizar ciertas consideraciones como expresar que
la extracción es independiente del origen de datos que se tenga, los mismos que pueden ser cualquier motor de
base de datos relacionales, un Datawarehouse, archivos planos, hojas Excel, redes sociales entre muchos otros.
“Los árboles de decisión se utilizan desde los años cuarenta y son especialmente apropiados para expresar
procedimientos médicos, legales, comerciales, estratégicos, matemáticos, lógicos, entre otros, estos se
caracterizan por la sencillez de su representación y de su forma de actuar, además de la fácil interpretación,
dado que pueden ser expresados en forma de reglas de decisión” (Martínez & R., 2009); el centro metodológico
se basará en los árboles de decisión ideales, para los que previamente se debe establecer reglas de negocio
claras, las mismas que lleven a generar una tabla temporal en donde van a ser ubicados los mejores atributos en
su categorización establecida y en el número de ellos que sean necesarios, los cuales agregarán mayor y mejor
información para la toma de decisiones y en muchos casos para predicciones futuras.
Fases de la Metodología de Decisión
Es importante definir un proceso de limpieza de datos como el “proceso de asegurar que todos los valores en
un conjunto de datos sean consistentes y correctamente registrados” (Urdaneta, 2001); Galhardas señala que
el problema consiste en: “remover inconsistencias y errores desde los conjuntos originales de datos, es bien
conocida en el área de Sistemas de Soporte de Decisiones y DW” (Galhardas, Florescu, & Simón, 2000).
Se debe llegar a que los datos con niveles de pureza que maneja M3S sean consistentes y con alta
credibilidad, por lo que se propone el siguiente flujo de limpieza:
1. Validación de valores nulos o vacíos
2. Tratamiento de registros duplicados.
3. Filtrar los datos semejantes.
4. Homogeneizar los datos de bases heterogéneas que vinieron diferentes orígenes estructurados o
definitivamente no estructurado como redes sociales.
Y con estas consideraciones especiales de la conformación de los elementos del árbol de decisión ideal,
ahora se analiza lo descrito anteriormente sobre el Diseño ETC, poniendo las siguientes fases que son
descritas con cada una de sus actividades en la Tabla 2, para la aplicación del Algoritmo Ideal dentro de la
Metodología de Decisión que será implementada en M3S:
Tabla 2.
Etapas de Metodología de Decisión
FASES
ACTIVIDADES
1. Análisis de
Calidad de Datos
Analizar datos para un proceso de decisiones, mediante uso de diccionarios de
datos, estadísticas, redes sociales y conocimiento de expertos; escogiendo los
atributos más relevantes para el estudio, con las características de pureza
explicadas anteriormente, sean del tipo 1 (estructurado) o tipo 2 (no
estructurado).
2. Hipótesis de Datos
El objetivo que tendrá esta parte metodológica es justamente encontrar una
descripción del problema planteado, buscando mediante suposiciones generales
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
100
a partir de hechos concretos y a raíz de estos clasificar la información para
generalizar los casos nuevos.
3. Generación de la
tabla para
Entrenamiento
Esta tabla es el producto final de los datos limpios y lo más refinados posible
según su categoría; así también de la formalización de la o las reglas de negocio
previamente establecidas con las cuales se han logrado clasificar la información.
A raíz de esta tabla se puede generar el proceso matemático y estadístico para la
creación del mejor árbol de decisión de acuerdo con el algoritmo ideal
propuesto y a la objetividad que se haya dado en el análisis con la información
encontrada.
4. Inferencia del
Árbol de decisión
Para generar el árbol de decisión se utilizará inferencia inductiva que es
aprendizaje supervisado. Este árbol es una forma de la aplicación del algoritmo
ID3 con las mejoras específicas sobre la composición de nodos de dos tipos, el
cual se basa en las reglas del negocio formalmente elegido; y del que se prevé
tener la mayor ganancia de información, el mismo que se encuentra detallado en
la etapa de construcción. Se procederá de forma recursiva de arriba hacia abajo;
en cada nodo el atributo “más importante” que discrimina los ejemplos que han
llegado hasta este nodo y por último clasificando los casos que siguen para el
siguiente nivel.
5. Pruebas de datos
sobre el árbol de
decisión
Una vez que se cuenta con el árbol ideal de decisión, el cual con los cálculos de
entropía genera la mayor ganancia de información; se elabora un test para
verificar que siempre se obtendrán los mejores resultados con nuevos datos que
ingresen a evaluarse en el árbol. Se debe tomar en cuenta que, para algunos
casos al probar nuevos datos, estos podrían hacer que cambie la clasificación y
reglas de la tabla de entrenamiento, lo cual produciría una alteración en el árbol
de decisión generado.
Fuente: Morales, 2019
A continuación, se representa en forma de un modelo matemático cada uno de los pasos contemplados en
la metodología de decisión, representado en base a funciones los datos y a su vez englobándolos como conjuntos
o grupos bajo su pertenencia. Se usan fórmulas como la de entropía y ganancia de Información que definen la
posición de cada Nodo (Atributo) dentro del árbol de decisión ideal que se llegó a obtener:
1. Análisis de Calidad de Datos
Dado A conjunto de datos estructurados, y
Dado B conjunto de datos No estructurados ponderados (1.5)
Si X A ó X B
Sea > , en donde:
son todos los casos posibles de entradas
espacio de salidas
2. Hipótesis de Datos (H)
Serán todas las
3. Generación de la tabla para Entrenamiento:
Si entonces es Aprendizaje considerado
Si entonces no será considerado.
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
101
4. Inferencia de Árbol de decisión
Usar conocimiento a priori para asegurar que en donde la inferencia se lo
realiza mediante:
• Cálculo de la entropía
Dados:
- Un problema con dos clases (positiva y negativa)
- S, el conjunto de ejemplos.
(
)
=
log
1
• Y también mediante la ganancia que se obtendrá
(
,
)
=
(
)
|
|
|
|
(
)
5. Pruebas de datos sobre el árbol de decisión:
Se utilizará medidas comunes de evaluación que son:
=
+
=
+
ó =
+
ò =
+
+ + +
Dónde: TP: Verdaderos positivos (clasificado: positivo, realidad: positivo)
TN: Verdaderos negativos (clasificado: negativo, realidad:
negativo)
FP: falsos positivos (clasificado: positivo, realidad: negativo)
FN: falsos negativos (clasificado: negativo, realidad: positivo)
Se considera que “Un árbol de decisión es un conjunto de datos donde se fabrican diagramas de
construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar
y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolución de un problema”
(Rokach & Maimon, 2008). Hay que tomar en cuenta que los mejores atributos para toma de decisiones es
mediante la generación de aprendizaje automático; se dice, también que “es un aspecto crucial del
comportamiento inteligente de los seres humanos, que les permite acumular experiencias y adaptarse a entornos
cambiantes frente a los que deben utilizarse nuevas estrategias” (Pino, Gómez, & de Abajo, 2001), otro autor
dice que “es desarrollar técnicas que permitan a las computadoras aprender, crear programas capaces de
generalizar comportamientos a partir de una información suministrada en forma de ejemplos, induciendo
conocimiento” (Moreno, 1994). Se revisará que aprendizaje supervisado es el algoritmo que produce una
función que establece una correspondencia entre las entradas y las salidas deseadas del sistema, como lo es el
problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores
utilizando una entre varias categorías (clases) (Salas, 2004), como lo es el Modelo de clasificación ID3, que
significa "inducción mediante árboles de decisión" que aplica la estrategia "divide y vencerás" para hacer la
clasificación, implementando métodos y técnicas para la realización de procesos inteligentes, representando así
el conocimiento y el aprendizaje, automatizando tareas. Recopilando nuevas definiciones de Entropía, la cual
toma en cuenta la incertidumbre, impureza, desorden de un conjunto de datos relativo a una clasificación
binaria, a su vez se define matemáticamente como la propiedad de que si se asigna p = 1 a una de las respuestas,
consecuentemente p = 0 a todas las demás, en cuyo caso la entropía resulta ser cero. Y si todas las probabilidades
son iguales, la entropía es máxima (García, 2018); y por último se recuerda a la Ganancia de Información, la
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
102
cual ocurre por el menor valor de entropía esperado (S), al calcular todo el subconjunto de atributos que fueron
evaluados según la calidad de información que guardan.
De todo el detalle que se encontró en la revisión de M3S, se puede concluir en primer lugar que las
eficiencias de los algoritmos de árboles de decisión dependen en gran medida de la pureza de información que
se pueda conseguir, el conocimiento que entreguen los expertos de negocio, para generar una óptima tabla de
entrenamiento (TE), sobre la cual la implementación de ID3-Modificado como se lo ha llamado, entrega un
árbol de decisión ideal que mantiene la mayor ganancia de información posible, que, sin embargo, está sujeto a
cambios en base a nueva información que puede ingresar al sistema. También es válido indicar que el definir
una tabla de entrenamiento que mantiene todas las agrupaciones concretas de datos, garantiza la fiabilidad de
las decisiones inducidas, por eso es por lo que, al momento como resultados iniciales, se creó una Metodología
que aporta como guía dentro de ETC, en la cual lo más relevante es que se complementa un algoritmo de
aprendizaje para extraer información valiosa de las empresas.
DISCUSIÓN
Para el desarrollo de proyectos de IN, existen varias metodologías genéricas (Cruz Caicedo, 2012), como
ISO21500, PMBOK y PRINCE2, las mismas que son compatibles entre sí y pueden ser complementarias según
el tipo de proyecto, por lo tanto, para elaborar la propuesta de M3S se consideran algunos aspectos positivos de
cada una de ellas, en el caso de PMBOX, destaca su eficiencia en los procesos y gestión de tiempos, PRINCE2,
tiene su fortaleza en la gestión de cambio. Sin embargo, se identificaron los aspectos débiles, tal como los
problemas generados al aplicar ISO21500 en el control de los proyectos en cuanto a las tareas en el ciclo de
vida, al no considerar su tamaño, así como en la gestión de cambios.
De igual manera se revisan los modelos INMON y KIMBALL, en donde KIMBALL muestra mayor
facilidad en la orientación de los procesos y su modelado, además permite encontrar indicadores de gestión en
forma más efectiva, mientras que INMON mantiene un enfoque diferente, visualizando a la organización en
conjunto.
Una vez elaborada la propuesta de M3S, con la finalidad de medir su eficacia, se la aplicó en el desarrollo
de proyectos de IN en diferentes organizaciones, obteniendo resultados relevantes en comparación con el uso
de otras metodologías, como la mejora en tiempo y en el número de personas involucradas en el desarrollo de
proyectos, lo cual implica una reducción de costos, generando de esta manera una mayor rentabilidad, logrando
así optimizar los procesos de la transformación de datos para la toma de decisiones.
Considerando que la IN permite buscar una nueva forma de analizar, diseñar, construir y ejecutar proyectos
de este tipo, la contribución principal de esta propuesta es brindar un nuevo conocimiento sobre la información
propia de cada organización, con la finalidad de permitir la toma de decisiones de manera más eficiente,
mediante el uso de la metodología M3S, cuyo aporte significativo es la implementación de una metodología de
decisión dentro de la etapa de diseño del ciclo de vida del proyecto, basada en algoritmo de árboles de decisión,
que sirvió para la verificación de los datos y predecir las decisiones, además de disminuir el tiempo invertido,
de esta manera facilita a las pequeñas y medianas empresas a gestionar sus procesos de innovación tecnológica.
CONCLUSIONES
En los casos que se han analizado se almacenaba enorme cantidad de datos con un alto grado de
heterogeneidad, pero la clave radicó principalmente en que se ganó ventaja competitiva tanto en la velocidad
de obtención como en la misma calidad y nivel de pureza de esos datos agrupándolos según la categoría aquí
descrita.
• M3S, es una metodología que apunta a las nuevas posibilidades de IN, con fuerza en las pequeñas
y medianas empresas públicas o privadas y de cualquier sector productivo o comercial, de tal
forma que soportados en la innovación tecnológica se implantó para mejorar las decisiones en las
empresas estudiadas.
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
103
• M3S se la ha socializado para empresas con un mínimo nivel de madurez en el manejo de la
información.
• M3S se construyó en base a la experiencia pragmática de profesionales con experticia de muchos
años en proyectos de este tipo, por lo que justamente pudo ser probado en diferentes empresas y
con el apoyo necesario.
• Luego de los casos de estudio se considera que se implantó mejor en pequeñas y medianas
empresas por la mayor flexibilidad en su estructura plana organizacional, lo que llevó a un mejor
apoyo tanto técnico como administrativo.
• M3S, se ejecutó con una clara descripción de los procesos y actividades a seguir en la
metodología, haciéndola mucho menos burocrática incluso en su propia documentación, más aún
en sus etapas que se definen como más ágiles.
• Se presentó como una metodología con mayor flexibilidad en la medida que la experiencia de los
profesionales que estén al frente puedan ejecutarla de manera óptima en cada una de sus etapas.
REFERENCIAS BIBLIOGRÁFICAS
Cruz Caicedo, L. (2012). Comparativa ISO 21500 y PMBOK Versión 5. I Congreso Internacional Gerencia de
Proyectos. Bogotá, Colombia.
http://americalatina.pmi.org/media/files/latam/colombia/2012_co_cruz.aspx
Díaz, J. C. (2012). Introducción al Inteligencia de Negocios (Vol. 1era.). (E. C. SA, Ed.) UOC.
Galhardas, H., Florescu, D., Shasha, D., & Simon, E. (2000, May). AJAX: an extensible data cleaning tool. In
ACM Sigmod Record, 29(2), 590.
García Reyes, R. (2012). Minería de Datos para la Toma de Decisiones e Inteligencia de Negocios. México
D.F., Universidad Nacional Autónoma de México.
García, R. (12 de febrero de 2018). Repositorio Central Cepal.
http://repositorio.cepal.org/bitstream/handle/11362/33747/S8500576_es.pdf?sequence=1
Kamel, Rouibah y Samia, O. (2002). A concept and prototype for linking business intelligence to business
strategy. Journal of Strategic Information System, l(11), 133-152.
http://www.sciencedirect.com/science/article/pii/S0963868702000057
Krogh, G., & von. (2002). The Communal Resource and Information System. Journal of Strategic
Information System, 11, 85-107. http://www.sciencedirect.com/science/article/pii/S0963868702000069
Martínez, R. E., Ramírez, N. C., Mesa, H. G., Suárez, I. R., Trejo, M. D., León, P. P., & & Morales, S. L.
(2009). Árboles de decisión como Herramienta en el Diagnóstico Médico.
http://www.medigraphic.com/pdfs/veracruzana/muv-2009/muv092c.pdf
Morales Cardoso, S. L. (2019). Metodología para procesos de Inteligencia de Negocios con mejoras en la
extracción y transformación de fuentes de datos, orientado a la toma de decisiones.
Moreno, A. (1994). Aprendizaje Automático. Ediciones UPC.
Negash, S. (2004). Business Intelligence. Communications of the Association for Information Systems, 13,
177-195. http://aisel.aisnet.org/cgi/viewcontent.cgi?article=3234&context=cais
Parr, O. R., & Sons. (2009). Business Intelligence Success Factors.
Facultad de Ciencias Administrativas. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
104
Pino, R., Gómez, A., & de Abajo, N. (2001). Aprendizaje automático. En Introducción a la inteligencia
artificial (8). Servicios de Publicaciones Universidad de Oviedo.
Quinlan, J. (1986). Induction of decision trees. Machine learning. Kluwer Academic Publishers.
https://doi.org/10.1007/BF00116251
Ranjan, J. (2009). Business Intelligence: Concepts, components, Techniques and benefits. Journal of
Theorical and Applied Information Technology, 70. http://www.jatit.org
Rokach, L., & Maimon, O. (2008). Data mining with decision trees: theory and applications. World Scientific
Publishing Co. Pte. Ltd.
Salas, R. (2004). Redes Neuronales Artificiales. Departamento de Computación.
Salinas La Rosa, A. (2010). Inteligencia de Negocio. Auditoría y Control. Prototipo de Herramienta de
Calidad (Vol. 1). (D. D. Informática, Ed.) Universidad Carlos III de Madrid.
https://core.ac.uk/download/pdf/29402111.pdf
Stackowiak, R., Greenwald, R., & Rayman, J. (2007). Oracle Data Warehousing and Business Intelligence
Tseng, F. S., & H, C. A. (2006). The concept of document warehousing for multi-dimensional modeling of
textual-based business intelligence. Decision Support System, 727-744.
Urdaneta,Elymir (2001). El Data Mining.
Villalon M, D. M. (2006). Recomendaciones para la Implementación de BI, basado en Data Warehouse.
Técnico de Monterrey. http://hdl,handle.net
