martes, 19 de abril de 2016
Data warehouse. Ricardo
Un Datawarehouse es una base de datos corporativa que se caracteriza por integrar y depurar información de una o más fuentes distintas, para luego procesarla permitiendo su análisis desde infinidad de pespectivas y con grandes velocidades de respuesta. La creación de un datawarehouse representa en la mayoría de las ocasiones el primer paso, desde el punto de vista técnico, para implantar una solución completa y fiable de Business Intelligence.
La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se almacena la información (modelos de tablas en estrella, en copo de nieve, cubos relacionales... etc). Este tipo de persistencia de la información es homogénea y fiable, y permite la consulta y el tratamiento jerarquizado de la misma (siempre en un entorno diferente a los sistemas operacionales).
Elementos que constituyen la arquitectura de un Data Warehouse
Explicamos uno a uno la función de cada nivel.
1. Base de datos operacional y base de datos externa
Las organizaciones adquieren datos de bases de datos externas a la propia organización, que incluyen datos demográficos, económicos, datos sobre la competencia, etc.
Mediante el proceso de data warehousing se extrae la información que está en la bases de datos operacionales y se mezcla con otras fuentes de datos. Enriquecemos la información.
2. Nivel de acceso a la información
Es la capa con la que trata el usuario final. La información almacenada se convierte en información fácil y transparente para las herramientas que utlizan los usuarios. Se obtienen informes, gráficos, diagramas, etc.
3. Nivel de acceso a los datos
Comunica el nivel de acceso a la información con el nivel operacional, es el responsable de la interfaz entre las herramientas de acceso a la información y las bases de datos.
La clave de este nivel está en proveer al usuario de un acceso universal a los datos, es decir, que los usuarios sin tener en cuenta la ubicación de los datos o la herramienta de acceso a la información, deberían ser capaces de acceder a cualquier dato del data warehouse que les fuera necesario para realizar su trabajo.
4. Nivel de directorio de datos (metadatos)
Para proveer de un acceso universal, es absolutamente necesario mantener alguna clase de directorio de datos o repositorio de información de metadato que ayude a mantener un control sobre los datos. El metadato aporta información sobre los datos de la organización, de dónde proviene, qué formato tenía, cuál era su significado y si se trata de un agregado, cómo se ha calculado éste.
Para mantener un almacén completamente funcional, es necesario disponer de una amplia variedad de metadatos, información sobre las vistas de datos para los usuarios finales y sobre las bases de datos operacionales.
5. Nivel de gestión de procesos
Este nivel tiene que ver con la planificación de las tareas que se deben realizar, no sólo para construir, sino también para mantener el data warehouse y la información del directorio de datos. Es o el controlador de alto nivel de los procesos que se han de llevar a cabo para que el data warehouse permanezca actualizado.
6. Nivel de mensaje de la aplicación
Este nivel es el encargado del transporte de la información a lo largo del entorno, se puede pensar en él como un middleware.
7. Nivel Data Warehouse (físico)
Es el núclo del sistema, el repositorio central de información donde los datos actuales usados principalmente con fines informacionales residen. En el data warehouse físico se almacenan copias de los datos operacionales y/o externos, en una estructura que optimiza su acceso para la consulta y que es muy flexible.
8. Nivel de organización de datos
Incluye todos los procesos necesarios para seleccionar, editar, resumir, combinar y cargar en el data warehouse y en la capa de acceso a la información los datos operacionales y/o externos.
Estructura de un Data Warehouse
La estructura de un data warehouse se caracteriza por los diferentes niveles de esquematización y detalle de los datos que se encuentran en él.
1. Detalle de los datos actuales
Reflejan los acontecimientos más recientes, las últimas informaciones generadas por los sistemas de producción de la organización. El nivel de detalle no tiene por qué ser el mismo que el de los sistemas de producción, ya que los datos pueden ser fruto de alguna agregación o de una simplificación de los datos originales.
Una agregación es una partición horizontal de una relación según los valores de los atributos, seguida de una agrupación mediante una función de cálculo (suma, media, producto, etc)
2. Detalle de datos antiguos
Están almacenados en un nivel de detalle consistente con los datos detallados actuales, esto significa que si los datos actuales hacen referencia a ventas diarias en el año actual, los datos historiados contienen las ventas de años anteriores en el nivel de detalle de día también.
3. Datos resumidos
Son datos obtenidos como resultado de un proceso de síntesis de los datos actuales. Lo que se tiene entonces son datos agregados o resumidos. Por ejemplo, se entiende mejor la evolución de las ventas si se la presenta resumida por semanas que de manera diaria.
4. Metadatos
Ofrecen información descriptiva sobre el contexto, la calidad, la condición y las características de los datos. El metadato se sitúa en una dimensión diferente a la de los otros datos en el data warehouse, debido a que su contenido no es tomado directamente desde el ambiente operacional.
Definiciones
DATAWAREHOUSE.
Un Datawarehouse es una
base de datos corporativa que se caracteriza por integrar y depurar información
de una o más fuentes distintas, para luego procesarla permitiendo su análisis
desde infinidad de pespectivas y con grandes velocidades de respuesta. La
creación de un datawarehouse representa en la mayoría de las ocasiones el
primer paso, desde el punto de vista técnico, para implantar una solución
completa y fiable de Business Intelligence.
La ventaja principal de
este tipo de bases de datos radica en las estructuras en las que se almacena la
información (modelos de tablas en estrella, en copo de nieve, cubos
relacionales... etc). Este tipo de persistencia de la información es homogénea
y fiable, y permite la consulta y el tratamiento jerarquizado de la misma
(siempre en un entorno diferente a los sistemas operacionales).
·
Proporciona
una herramienta para la toma de decisiones en cualquier área funcional,
basándose en información integrada y global del negocio.
·
Facilita
la aplicación de técnicas estadísticas de análisis y modelización para
encontrar relaciones ocultas entre los datos del almacén; obteniendo un valor
añadido para el negocio de dicha información.
·
Proporciona
la capacidad de aprender de los datos del pasado y de predecir situaciones
futuras en diversos escenarios.
·
Simplifica
dentro de la empresa la implantación de sistemas de gestión integral de la
relación con el cliente.
·
Supone
una optimización tecnológica y económica en entornos de Centro de Información,
estadística o de generación de informes con retornos de la inversión
espectaculares.
DATAMART.
Un Datamart es una base
de datos departamental, especializada en el almacenamiento de los datos de un
área de negocio específica. Se caracteriza por disponer la estructura óptima de
datos para analizar la información al detalle desde todas las perspectivas que
afecten a los procesos de dicho departamento. Un datamart puede ser alimentado desde
los datos de un datawarehouse, o integrar por si mismo un compendio de
distintas fuentes de información.
Por tanto, para crear el
datamart de un área funcional de la empresa es preciso encontrar la estructura
óptima para el análisis de su información, estructura que puede estar montada
sobre una base de datos OLTP, como el propio datawarehouse, o sobre una base de
datos OLAP. La designación de una u otra dependerá de los datos, los requisitos
y las características específicas de cada departamento. De esta forma se pueden
plantear dos tipos de datamarts:
Datamart OLAP
Se basan en los populares
cubos OLAP, que se construyen agregando, según los requisitos de cada área o
departamento, las dimensiones y los indicadores necesarios de cada cubo
relacional. El modo de creación, explotación y mantenimiento de los cubos OLAP es
muy heterogéneo, en función de la herramienta final que se utilice.
Datamart OLTP
Pueden basarse en un
simple extracto del datawarehouse, no obstante, lo común es introducir mejoras
en su rendimiento (las agregaciones y los filtrados suelen ser las operaciones
más usuales) aprovechando las características particulares de cada área de la
empresa. Las estructuras más comunes en este sentido son las tablas report, que
vienen a ser fact-tables reducidas (que agregan las dimensiones oportunas), y
las vistas materializadas, que se construyen con la misma estructura que las
anteriores, pero con el objetivo de explotar la reescritura de queries (aunque
sólo es posibles en algunos SGBD avanzados, como Oracle).
Los datamarts que están
dotados con estas estructuras óptimas de análisis presentan las siguientes
ventajas:
- · Poco volumen de datos
- · Mayor rapidez de consulta
- · Consultas SQL y/o MDX sencillas
- · Validación directa de la información
- · Facilidad para la hostilización de los datos
DATAMINING
El datamining (minería de
datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes
bases de datos, de manera automática o semiautomática, con el objetivo de
encontrar patrones repetitivos, tendencias o reglas que expliquen el
comportamiento de los datos en un determinado contexto.
Básicamente, el
datamining surge para intentar ayudar a comprender el contenido de un
repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos
casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las
redes neuronales.
De forma general, los
datos son la materia prima bruta. En el momento que el usuario les atribuye
algún significado especial pasan a convertirse en información. Cuando los
especialistas elaboran o encuentran un modelo, haciendo que la interpretación
que surge entre la información y ese modelo represente un valor agregado,
entonces nos referimos al conocimiento. Vea más diferencias entre datos,
información y conocimiento.
Cuadro de Mando Integral (CMI)
El Cuadro de Mando
Integral (CMI), también conocido como Balanced Scorecard (BSC) o dashboard, es
una herramienta de control empresarial que permite establecer y monitorizar los
objetivos de una empresa y de sus diferentes áreas o unidades.
También se puede
considerar como una aplicación que ayuda a una compañía a expresar los objetivos
e iniciativas necesarias para cumplir con su estrategia, mostrando de forma
continuada cuándo la empresa y los empleados alcanzan los resultados definidos
en su plan estratégico.
Diferencia con otras
herramientas de Business Intelligence
El Cuadro de Mando
Integral se diferencia de otras herramientas de Business Intelligence, como los
Sistemas de Soporte a la Decisión (DSS) o los Sistemas de Información Ejecutiva
(EIS), en que está más orientados al seguimiento de indicadores que al análisis
minucioso de información. Por otro lado, es muy común que un CMI sea controlado
por la dirección general de una compañía, frente a otras herramientas de
Business Intelligence más enfocadas a a la dirección departamental. El CMI
requiere, por tanto, que los directivos analicen el mercado y la estrategia
para construir un modelo de negocio que refleje las interrelaciones entre los
diferentes componentes de la empresa (plan estratégico). Una vez que lo han
construido, los responsables de la organización utilizan este modelo como mapa
para seleccionar los indicadores del CMI.
Tipos de Cuadros de Mando
El Cuadro de Mando
Operativo (CMO), es una herramienta de control enfocada al seguimiento de
variables operativas, es decir, variables pertenecientes a áreas o
departamentos específicos de la empresa. La periodicidad de los CMO puede ser
diaria, semanal o mensual, y está centrada en indicadores que generalmente
representan procesos, por lo que su implantación y puesta en marcha es más
sencilla y rápida. Un CMO debería estar siempre ligado a un DSS (Sistema de
Soporte a Decisiones) para indagar en profundidad sobre los datos.
El Cuadro de Mando
Integral (CMI), por el contrario, representa la ejecución de la estrategia de
una compañía desde el punto de vista de la Dirección General (lo que hace que
ésta deba estar plenamente involucrada en todas sus fases, desde la definición
a la implantación). Existen diferentes tipos de cuadros de mando integral, si
bien los más utilizados son los que se basan en la metodología de Kaplan &
Norton. La principales características de esta metodología son que utilizan
tanto indicadores financieros como no financieros, y que los objetivos
estratégicos se organizan en cuatro áreas o perspectivas: financiera, cliente,
interna y aprendizaje/crecimiento.
QUERY & REPORTING
Las consultas o informes libres trabajan tanto sobre el detalle como sobre las agregaciones de la información.
Realizar este tipo de explotación en un almacén de datos supone una optimización del tradicional entorno de informes (reporting), dado que el Data Warehouse mantiene una estructura y una tecnología mucho más apropiada para este tipo de solicitudes.
Los sistemas de "Query & Reporting", no basados en almacenes de datos se caracterizan por la complejidad de las consultas, los altísimos tiempos de respuesta y la interferencia con otros procesos informáticos que compartan su entorno.
La explotación del Data Warehouse mediante "Query & Reporting" debe permitir una gradación de la flexibilidad de acceso, proporcional a la experiencia y formación del usuario. A este respecto, se recomienda el mantenimiento de al menos tres niveles de dificultad:
- Los usuarios poco expertos podrán solicitar la ejecución de informes o consultas predefinidas según unos parámetros predeterminados.
- Los usuarios con cierta experiencia podrán generar consultas flexibles mediante una aplicación que proporcione una interfaz gráfica de ayuda.
- Los usuarios altamente experimentados podrán escribir, total o parcialmente, la consulta en un lenguaje de interrogación de datos.
Hay una extensa gama de herramientas en el mercado para cumplir esta funcionalidad sobre entornos de tipo Data Warehouse, por lo que se puede elegir el software más adecuado para cada problemática empresarial concreta.
Daniel R.B
lunes, 18 de abril de 2016
Definiciones - Lechiguero
Datawarehouse
Base de datos corporativa que integra y depura información de una
o más fuentes distintas, para luego procesarla y analizarla desde varias
perspectivas y con gran velocidad de respuesta.
La creación de un
datawarehouse representa técnicamente en la mayoría de las ocasiones, el primer
paso para implantar una solución completa y fiable de Business Intelligence.
Datamart
Base de datos departamental, especializada en el almacenamiento de
los datos de un área de negocio específica.
Existen procesos ETL
(extracción, transformación y carga) que nutren los sistemas BI, tienen que
traducir de uno o varios sistemas operacionales normalizados e independientes a
un único sistema desnormalizado, cuyos datos estén completamente integrados.
Procesos ETL
El concepto ETL proviene de los
términos ingleses Extract, Transform y Load. Las herramientas ETL juegan un
papel principal en la creación de los data warehouses, de los que hemos hablado
anteriormente. Es además uno de los cuatro principales componentes por los que
está formada una solución completa de Business Intelligence; ETL, data
Warehouse, reporting y herramientas analíticas.
Arquitectura del Data Warehouse: áreas de datos del Almacén
de datos Corporativo
Cuando
diseñamos la arquitectura de un sistema de Data Warehouse nos hemos de plantear
los diferentes entornos por los que han de pasar los datos en su camino hacia
su Data mart o cubo de destino.
Dada la cantidad de
transformaciones que se han de realizar, y que normalmente el DWH, además de
cumplir su función de soporte a los requerimientos analíticos,
realiza una función de integración de datos que van a
conformar el Almacén Corporativo y que van a
tener que ser consultados también de la manera tradicional por los sistemas
operacionales, es muy recomendable crear diferentes áreas de datos en el camino
entre los sistemas origen y las herramientas OLAP.
Cada una de estas áreas se
distinguirá por las funciones que realiza, de qué manera se organizan los datos
en la misma, y a qué tipo de necesidad puede dar servicio. El área que se
encuentra ‘al final del camino’ es importante, pero no va a ser la única que
almacene los datos que van a explotar las herramientas de reporting.
Tampoco hay una convención
estándar sobre lo que abarca exactamente cada área, y la obligatoriedad de
utilizar cada una de ellas. Cada proyecto es un mundo, e influyen muchos
factores como la complejidad, el volumen de información del mismo, si realmente
se quiere utilizar el Data Warehouse como almacén corporativo o Sistema Maestro
de Datos, o si existen necesidades reales de soporte al reporting operacional.
Propuesta de
arquitectura que cada uno ha de adaptar a sus necesidades o simplemente a su
gusto en función de su experiencia.
Staging Area
Es un área temporal donde
se recogen los datos que se necesitan de los sistemas origen. Se recogen los
datos estrictamente necesarios para las cargas, y se aplica el mínimo de
transformaciones a los mismos. No se aplican restricciones de integridad ni se
utilizan claves, los datos se tratan como si las tablas fueran ficheros planos.
De esta manera se minimiza la afectación a los sistemas origen, la carga es lo
más rápida posible para minimizar la ventana horaria necesaria, y se reduce
también al mínimo la posibilidad de error. Una vez que los datos están
traspasados, el DWH se independiza de los sistemas origen hasta la siguiente
carga. Lo único que se suele añadir es algún campo que almacene la fecha de la
carga.
Obviamente estos datos no
van a dar servicio a ninguna aplicación de reporting, son datos temporales que
una vez hayan cumplido su función serán eliminados, de hecho en el esquema
lógico de la arquitectura muchas veces no aparece, ya que su función es
meramente operativa.
Hay quien considera que la
Staging Area abarca más de lo que he comentado, o incluso que engloba todo el
entorno donde se realizan los procesos de ETL.
ODS (Operational Data Store)
Es la que va a dar soporte
a los sistemas operacionales. Su modelo de datos sigue una estructura
relacional y normalizada, para que cualquier herramienta de reporting o sistema
operacional pueda consultar sus datos. Está dentro del Data Warehouse porque se
aprovecha el esfuerzo de integración que supone la creación del Almacén de
Datos Corporativo para poder atender también a necesidades operacionales, pero
no es obligatorio, y ni siquiera es algo específico del Business
Intelligence, los ODS ya existían
antes de que empezáramos a hablar de BI y de DWH.
No almacena datos
históricos, muestra la imagen del momento actual, aunque eso no significa que
no se puedan registrar los cambios.
Los datos del ODS se
recogen de la Stage Area, y aquí sí que se realizan transformaciones, limpieza
de datos y controles de integridad referencial para que los datos estén
perfectamente integrados en el modelo relacional normalizado.
Hay que tener en cuenta que
la actualización de los datos del ODS no va a ser instantánea, los cambios en los
datos de los sistemas origen no se verán reflejados hasta que finalice la carga
correspondiente. Es decir, que se irán actualizando los datos cada cierto
tiempo, cosa que hay que explicar a los usuarios, porque los informes que se
lancen contra el ODS casi nunca podrán estar tan ‘al minuto’ como los que
existan en el sistema origen. Lo que sí se puede hacer es definir una mayor
frecuencia de carga para el ODS que para el Almacén Corporativo. Si es
necesario, se puede refrescar el ODS cada 15 minutos, y el resto cada día, por
ejemplo.
Almacén de Datos Corporativo
El Almacén de Datos
Corporativo sí que contiene datos históricos, y está orientado a la explotación
analítica de la información que recoge. Las herramientas DSS o de reporting
analítico atacarán principalmente a los Data marts, pero también se pueden
realizar consultas directamente contra el Almacén de Datos Corporativo,
sobretodo cuando sea necesario mostrar a la vez información que se encuentre en
diferentes Datamarts.
En él se almacenan datos que
pueden provenir tanto de la Staging Area como del ODS. Si ya hemos realizado
procesos de transformación e integración en el ODS no los vamos a repetir para
pasar los mismos datos al Almacén Corporativo. Lo que no se pueda recoger desde
el ODS sí que habrá que ir a buscarlo a la Staging Area.
El esquema se parece al de
un modelo relacional normalizado, pero en él ya se aplican técnicas de
desnormalización. No debería contener un número excesivo de tablas ni de
relaciones ya que, por ejemplo, muchas relaciones jerárquicas que en un modelo
normalizado se implementarían con tablas separadas aquí ya deberían crearse en
una misma tabla, que después representará una dimensión. Otra particularidad es
que la mayoría de las tablas han de incorporar campos de fecha para controlar
la fecha de carga, la fecha en que se produce un hecho, o el periodo de validez
del registro.
Si el Data Warehouse no es
demasiado grande, o el nivel de exigencia no es muy elevado en cuanto a los
requerimientos ‘operacionales’, para simplificar la estructura se puede optar
por prescindir del ODS, y si es necesario adecuar el Almacén de Datos
Corporativo para servir a los dos tipos de reporting. En este caso, el área
resultante sería el DWH Corporativo, pero a veces también se le llama ODS.
Data marts
Y por fin llegamos a la
última área de datos, que es el lugar donde se crean los Data marts. Éstos se
obtienen a partir de la información recopilada en el área del Almacén
Corporativo. Cada Data Mart es como un subconjunto de este almacén, pero orientado
a un tema de análisis, normalmente asociado a un departamento de la empresa.
Los Data marts se diseñan
con estructura multidimensional, cada objeto de análisis es una tabla de hechos
enlazada con diversas tablas de dimensiones. Si se diseñan siguiendo el Modelo
en Estrella habrá prácticamente una tabla para cada dimensión, es la versión
más desnormalizada. Si se sigue un modelo de Copo de Nieve las tablas de
dimensiones estarán menos desnormalizadas y para cada dimensión se podrán
utilizar varias tablas enlazadas jerárquicamente.
Este área puede residir en
la misma base de datos que las demás si la herramienta de explotación es de
tipo ROLAP, o también puede crearse ya fuera de la BD, en la estructura de
datos propia que generan las aplicaciones de tipo MOLAP, más conocida como los
cubos multidimensionales.
El paso del área anterior
de datos a esta ha de ser bastante simple, cosa que además proporciona una
cierta independencia sobre el software que se utiliza para el reporting
analítico. Si por cualquier razón es necesario cambiar la herramienta de OLAP
tendría que hacer poco más que redefinir los metadatos y regenerar los cubos, y
si el cambio es entre dos de tipo ROLAP ni siquiera esto último sería
necesario.
Qué
es Data Mining?
En los últimos años se han acumulado enormes cantidades de datos en
todas las organizaciones, y esta tendencia continúa a un ritmo acelerado.
Esto es posible por el amplio uso de los sistemas computarizados,
nuevas técnicas de captura de datos, el empleo de códigos de barra, los
lectores de caracteres ópticos, las tarjetas magnéticas, entre otros, y por
el avance en la tecnología de almacenamiento y su consiguiente reducción de
costos. La disponibilidad de esos datos es un importante activo para
cualquier organización, en la medida en que puedan ser transformados en
información de interés, utilizando técnicas y métodos de Data Mining.
Data Mining, también referenciado como Descubrimiento del
Conocimiento en Bases de Datos (Knowledge Discovery in Databases o KDD), ha
sido definida como el proceso de extracción no trivial de información
implícita, previamente desconocida y potencialmente útil.
El crecimiento explosivo de las bases de datos, de Internet y el
empleo de técnicas y herramientas (que en forma automática y eficiente,
generan información a partir de los datos almacenados), permiten descubrir
patrones, relaciones y formular modelos. En particular, estas técnicas
han adquirido enorme importancia en áreas tales como estrategias de
marketing, soporte de decisiones, planeamiento financiero, análisis de datos
científicos, bioinformática, análisis de textos y de datos de la web.
Data Mining incluye áreas del conocimiento tales como Estadística,
Inteligencia Artificial (Machine Learning) y Bases de Datos. Se estima
que del análisis de esos datos pueden surgir ventajas competitivas o
novedosas soluciones a antiguos problemas. Data Mining y Knowledge
Discovery es un área de gran actividad a nivel académico, como lo demuestran
el gran número de eventos científicos relacionados, como así también laborales.
Existen al momento un sinnúmero de productos desarrollados por las
grandes compañías dedicadas al software y por nuevas compañías creadas al
efecto. La causa de esta actividad radica en la necesidad por parte de
diversas organizaciones de analizar sus datos por medios automáticos o
semiautomáticos, para la resolución de diversos problemas, tanto en el ámbito
empresarial como científico.
|
ODS (Operational Data Store)
Es la que va a dar soporte
a los sistemas operacionales. Su modelo de datos sigue una estructura
relacional y normalizada, para que cualquier herramienta de reporting o sistema
operacional pueda consultar sus datos. Está dentro del Data Warehouse porque se
aprovecha el esfuerzo de integración que supone la creación del Almacén de
Datos Corporativo para poder atender también a necesidades operacionales, pero
no es obligatorio, y ni siquiera es algo específico del Business
Intelligence, los ODS ya existían
antes de que empezáramos a hablar de BI y de DWH.
No almacena datos históricos,
muestra la imagen del momento actual, aunque eso no significa que no se puedan
registrar los cambios.
Los datos del ODS se
recogen de la Stage Area, y aquí sí que se realizan transformaciones, limpieza
de datos y controles de integridad referencial para que los datos estén
perfectamente integrados en el modelo relacional normalizado.
Hay que tener en cuenta que
la actualización de los datos del ODS no va a ser instantánea, los cambios en
los datos de los sistemas origen no se verán reflejados hasta que finalice la
carga correspondiente. Es decir, que se irán actualizando los datos cada cierto
tiempo, cosa que hay que explicar a los usuarios, porque los informes que se
lancen contra el ODS casi nunca podrán estar tan ‘al minuto’ como los que
existan en el sistema origen. Lo que sí se puede hacer es definir una mayor
frecuencia de carga para el ODS que para el Almacén Corporativo.
definiendo el dashboard, es cuando las personas que
tienen que tomar las decisiones se empiezan a hacer preguntas, a pensar en sus
posibles aplicaciones,… en definitiva, es cuando realmente empiezan a ‘tocar’
el resultado de nuestro trabajo como consultora y es cuando surgen los “¿Y si?”
y los “¿cómo podríamos…?”.
definiendo el dashboard, es cuando las personas que tienen
que tomar las decisiones se empiezan a hacer preguntas, a pensar en sus
posibles aplicaciones,… en definitiva, es cuando realmente empiezan a ‘tocar’
el resultado de nuestro trabajo como consultora y es cuando surgen los “¿Y si?”
y los “¿cómo podríamos…?”.
Toma de decisiones en base al dashboard:
1. Hecho: “La tasa de rebote de una landing page ha subido hasta el 40%”.
2. Origen: viendo las fuentes de tráfico de esta landing, vemos que ppc parece ser el origen de este
aumento. Dando un paso más vemos que una de las campañas de categoría de ppc en
Google ha aumentado su % CTR, el volumen de tráfico y su tasa de rebote de una
forma notable.
3. Consecuencias para el negocio: esto ha provocado que la tasa
de conversión de la landing
haya bajado hasta el 4,2%, lo que ha provocado una disminución de las ventas
del x%.
4. Recomendación: revisión de las campañas de categoría de ppc para corregir el error.
CMI Cuadro de Mando Integral
Herramienta de control empresarial que permite establecer y
monitorizar los objetivos de una empresa y de sus diferentes áreas. Es una
aplicación que ayuda a la compañía a expresar los objetivos e iniciativas
necesarias para cumplir con su estrategia, mostrando de forma continuada cuándo
la empresa y los empleados alcanzan los resultados definidos en su plan
estratégico.
Editor
Lechiguero
Suscribirse a:
Entradas (Atom)