04 modelo de procesos de inteligencia de negocios

8/13/2019 04 Modelo de Procesos de Inteligencia de Negocios

1/7

Primera Versin 1

Abstract Este artculo presenta como se puede disear unmodelo de inteligencia de negocio con los diversos componenteque la usan y posible interaccin con el proceso unificado , loprimero es ver los diferentes ciclos que acarrea el diseo de unsistema de inteligencia de negocios, adems se observa loscomponentes que se aplican a este procesos, por una parte setiene la construccin de la bodega de datos, que se construye apartir del nivel del modelamiento de los datos, el otro

componente es el analizador de informacin se utiliza tcnicaOLAP o de minera de datos, por ultimo se realiza una revisinde proceso unificado y su posible interaccin con el proceso deinteligencia de negocios .

En la figura 1 se observa en el mapa conceptual de este articulo.

ndice de trminos Inteligencia de negocios, Bodegas dedatos, Modelos conceptuales, UML, modelos Entidad -Relacin, diagrama estrella, diagrama de clases, diagramade estados, minera de datos, OLAP, cubos dimensionales.

CONTENIDOI.INTRODUCCIN

II.MODELOS APLICADOS A LA INTELIGENCIA DENEGOCIOS

III.COMPONENTES DEL ENTORNO DEINTELIGENCIA DE NEGOCIOS

a. BODEGAS DE DATOSb. HERRAMIENTAS DE ANALISIS

IV.INTELIGENCIA DE NEGOCIOS CON UN MODELODE PROCESO UNIFICADO.

V.APROXIMACIONES ACTUALES Y FUTURASPERCEPCIONES

VI.CONCLUSIONESVII.BIBLIOGRAFIA

Figura 1.Mapa conceptual inteligencia de negocios con proceso unificado

I. INTRODUCCINL termino de inteligencia de negocios ( BusinessIntelligence) es un concepto que conviene revisar a fondo,

en virtud de la posibilidad que ofrece para tomar decisionesms acertadas y estratgicas para el desarrollo del negocio.

Este trmino se tiene por referencia en 1958 por parte delinvestigador H. P. Luhn [20] el cual propone comocaractersticas importante de un sistema de inteligencia denegocios el cual propone los siguientes componentes:

Auto abstraccin de documentos. Auto codificacin de documentos. Creacin y actualizacin automtica de perfiles de

usuarios. Procesamiento estadstico de los datos. Facilidades de comunicacin y medios de entrada/salida.

Hasta 1989 donde los sistemas de cmputo obtuvieron undesarrollo importante, Howard Dresner considerados pormuchos como el padre de la inteligencia de negocios, retom lasideas de Luhn, para reformular la implicacin de estos sistemas yelevar la categora de los entonces llamados sistemas de soporte alas decisiones (DSS Decision Support Systems). l describecomo inteligencia de negocios como un conjunto de conceptos ymtodos para mejorar el proceso de decisin utilizando unsistema de soporte basado en hechos..

La inteligencia de negocios se puede definir como elproceso de analizar los bienes o datos acumulados en la

Diseando un modelo de procesos deinteligencia de negocios con proceso unificado:

Estado de Arte.

Edwar Javier Herrera Osorio

E


2/7

Primera Versin 2

empresa y extraer una cierta inteligencia o conocimiento deellos. Dentro de la categora de bienes se incluyen las bases dedatos de clientes, informacin de la cadena de suministro,ventas personales y cualquier actividad de marketing o fuentede informacin relevante para la empresa.

Este artculo presenta primera parte los modelos deprocesos aplicados a la inteligencia de negocios propuestos

por diversos autores, luego se observan los diferentescomponentes que utiliza este proceso, uno de ellos es la

bodega de datos sus modelo conceptual, fsico y lgico, elotros el analizador de informacin que puede utilizar tcnicasOLAP y de minera de datos, despus de ver estoscomponentes se puede ver en el cuarto capitulo unaaproximacin al proceso unificado y como este aplica ellenguaje de modelado unificado (UML) para poder dar unaaproximacin a su posible aplicacin a los proceso deinteligencia de negocios, en el capitulo quinto se da unaaproximacin actual y futuro y el ltimo capitulo se dan lasconclusiones.

II.MODELOS DE PROCESOS APLICADOS A LA INTELIGENCIA DENEGOCIOS

a. Ciclo de gestin de la informacin:

Este modelo fue presentado por Chun Wei Choo [23],donde se define el manejo de informacin como un ciclocontinuo, una representacin grafica es vista en la figura 2,donde se observan seis fases, estas fases son: informacin quese necesita, su adquisicin, su almacenamiento y organizacin,su distribucin, productos y servicios, su uso.

Figura 2.Ciclo de gestin de la informacinChun Wei Choo Information Management for the Intelligent Organization:Roles and Implications for the Information Professions

b. Ciclo de la inteligencia de negocios aplicado por Novintel:

Es un proceso muy parecido al modelo dado por Choo, esun proceso continuo donde se expresa por medio de un ciclode vida [24] el cual esta compuesto por ocho pasos que son:anlisis de lo que se necesita, observar y monitorear, coleccinde informacin, estructuracin y eliminacin, anlisis,comunicacin, almacenamiento, retroalimentacin

Figura 3.

Ciclo de inteligencia de negocios aplicado porNovintel[24]

c. Ciclo de la inteligencia de negocios aplicado por J. ThomasGroup Inc.

Esta compaa diseo su propio ciclo de inteligencia denegocios [25] que es muy similar al desarrollado por Novintel,el cual posee seis fases que son planeacin y direccin,coleccin de datos, procesamiento de informacin yalmacenamiento, anlisis y produccin, diseminacin,

usuarios inteligentes y toma de decisiones. En la figura 4 se veen forma grfica este proceso.

Figura 4.Ciclo de inteligencia de negocios aplicado por J. Thomas

d. Ciclo de la inteligencia de negocios aplicado por Microsoft.

Esta empresa ha desarrollado su propia teora basada eninteligencia de negocios, es un modelo simple, posee solocuatro fases pero cada fase va evolucionando para seguir elciclo, su primera fase es el anlisis, percepcin, accin ymedidas. Es la figura 5 se puede observar el ciclo aplicado porMicrosoft.

Figura 5.Ciclo de inteligencia de negocios aplicado por Microsoft


3/7

Primera Versin 3

En los modelos aplicados a la inteligencia de negocios sepuede ver los cambios entre ellos, uno de los aspectos es elnumero de fases, su estructura de de los ciclos, las fuentes delos datos, los mtodos de almacenamiento de informacin, y eltipo de informacin reunida.

III. COMPONENTES DEL ENTORNO DEINTELIGENCIADENEGOCIOS

Para el desarrollo de solucin de inteligencia de negociosesta compuesta por dos elementos: uno es el componente de la

bodega de datos donde se puede ubicar las fuentes de datos,los procesos ubicados en el proceso de extraccin, carga ytransformacin (ETL), y la zona de almacenamiento. El otrocomponente es el anlisis de los datos donde puede salir desdeun simple consulta y reporte, donde hay informes

predefinidos, hasta la posibilidad de analizar informacinmediante tcnicas OLAP, la utilizacin de tcnicas de minera

de datos que permiten encontrar comportamientos en losconjuntos de datos analizados, para realizar, clasificaciones o

predicciones, o generar informacin para los EIS (ExecutiveInformation Systems), DSS (Decision Support Systems,Sistemas de ayuda a la toma de decisiones) el BSC (cuadrode mandos integral).

Figura 6.Componentes del entorno de Inteligencia de negocios

BODEGA DE DATOS

Es uno de los componentes del proceso de inteligencia denegocios, en donde se destacan Bill Inmon y Ralph Kimbal. El

primero lo define: Una Bodega de Datos es una coleccin dedatos integrados orientados a temas, integrados, no-voltiles y

variables en el tiempo, organizados para soportar necesidadesempresariales[1] y para Kimbal la Bodega de Datos es uncoleccin de datos en forma de una base de datos que guarda yordena informacin que se extrae directamente de los sistemasoperacionales (ventas, produccin, finanzas, marketing, etc.) yde datos externos [2].Ambos punto de vista han tenidoamplia aceptacin, pero el ms utilizado es el Kimbal.

Componente de una bodega de datosEn la Figura 7 se puede observar los componentes de una

bodega de datos dados por Kimbal [2].

Figura 7.Componentes bsicos de una Bodega de Datos.Kimball, R. & Ross, M. The Data Warehouse Toolkit: The CompleteGuide to Dimensional Modeling

i.Sistemas fuente operaciones: son los que guardan lastransacciones del negocio, los cuales son lainformacin vital para los procesos que se llevan acargo en la organizacin. Las caractersticas de estossistemas son desempeo del procesamiento y ladisponibilidad.

ii.rea de depuracin de datos: Es la zona donde seencuentran los datos que forman la parte transaccionalque pueden se usados en la bodega de datos, Es esta

parte aparece el proceso de extraccin, carga ytransformacin de los datos (ETL), este proceso selleva por medio de diversas herramientas las cuales

permite tener integrados muchos datos de diferentesFuentes.

iii.rea de presentacin de datos: Esta parte es donde sepone los datos en un espacio de almacenamiento de labodega de datos, los datos son almacenados en las

tablas dimensiones y en las tablas de hecho donde sepueden formar diversos datamart.

iv.Herramienta de acceso de datos: Es la parte donde elusuario puede tomar y realizar las diversas consultas

para formar los famosos cubos dimensionales, loscuales pueden ser usados para la generacin de reportese indicativos cuando ocurre un proceso OLAP, o se le

puede aplicar un proceso de minera de datos paradescubrir conocimiento, el cual la organizacin noconoca.

Niveles para el modelamiento de los datos

El modelamiento de los datos es una tcnica que almacenalos inventarios, formas, tamaos, contenidos, y reglas de loselementos de los datos usados en el alcance en proceso delnegocio [3]. El resultado del modelamiento de los datos es untipo de mapa que se describe en uso del dato en el proceso.

Tradicionalmente, se encuentran tres niveles para elmodelamiento de los datos en las bodegas de datos. Estos sonlos tres niveles: conceptual, lgico y el fsico (Figura 8).


4/7

Primera Versin 4

Figura 8

Niveles Para el modelamiento de los datos.

i. Modelos ConceptualesEn la actualidad se encuentran vigentes varios modelos de

los cuales se pueden destacar:

Modelo Hecho-Dimensional (Golfarelli)[4]. Modelo Multidimensional/ER (Sapia)[5]. Modelo Estrella/ER (Tryfona) [6]. Modelo GOLD (Trujillo)[7]. Modelo Husemann [8]. Modelo YAM2[9].

En la tabla 1 se encuentra una comparacin de los diferentesmodelos que se aplican al modelo multidimensional.

Tabla 1Comparacin modelos conceptuales multidimensionales

ii. MODELO FSICOLos modelos fsicos consisten en desarrollar los diversos

aspectos que tratan de la obtencin de los datos como es elproceso de ETL y el diseo de la bodega de datos

Proceso ETL

Es uno de los procesos que ms tiempo lleva tiempo en laconstruccin de las bodegas de datos ya que de este proceso seaplica la carga de los datos en las dimensiones y en las tablasde hecho.

En ese sentido Alkis Simitsis y Panos Vassilia [10]proponen un modelo conceptual para este proceso, el cualconsiste en un modelo grfico y fue implementado en unaherramienta llamada ARKTOS.

Mapeo de Datos

Este paso es importante despus de la extraccin de losdatos es pasarlo al de un espacio temporal al espacio definitivoen la bodega de datos, en este sentido Philip A. Bernstein yErhard Rahm [11] expresan dos escenarios relativos a la carga enla bodega de datos que son presentado como casos de estudio. El

primero es el mapeo entre la fuente de datos y la bodega de datosy el otro es el mapeo entre la bodega de datos y un data mart.

En trminos de la industria existen varias aproximaciones paraque se puedan realizar mapeo entre ellos y en el proceso dediseo de la ETL. Una aproximacin es Common WarehouseMetamodel (CWM)[12], que es un estndar abierto dado porOMG para la integracin de las bodegas de datos y lasherramientas de anlisis de negocio, basadas en el uso compartido

de los meta datos. Este estndar es basado en tres estndaresindustriales, meta object facility (MOF), UML y XML por mediodel Metada Interchange (XMI).

iii. MODELO LGICOEn el modelo lgico de una bodega de datos hay que tener encuenta:

Unos del ms importante aspecto en la implementacinproviene en el momento realizar el diagrama estrella.

En la facilidad de comunicacin entre toda la genteinvolucrada en el diseo de la bodega de datos para

modelar los diverso aspectos. Verificar todas las diferentes parte en la bodega de

datos (Dimensiones, hechos, proceso de extraccin,transformacin y carga (ETL), herramientas OLAP)

Verificado lo anterior ya se puede pensar en una buenaimplantacin de la bodega de datos, revisando sobre todo la

plataforma donde se va instalar, el optimo de ubicacin de losdatos (Bases de datos distribuidas, centralizadas), distribucinde informacin en varios disco (RAID), el motor de bases dedatos se va usar, sistemas operativos, e hbridos.

ANALISIS DE DATOSMinera de datos

La minera consiste en una tcnica enmarcada en conseguirconocimiento partiendo de un conjunto de datos a los cuales sele aplica unos algoritmo para sacar patrones o tendencianuevas en donde los usuarios de estos datos no tenanconocimiento.

En la minera de datos se renen varias areas como son laestadstica, la inteligencia artificial, la computacin grafica,las bases de datos, y el procesamiento masivo.


5/7

Primera Versin 5

Una definicin forma es dada por [19] como: Un procesono trivial de identificacin vlida, novedosa, potencialmentetil y entendible de patrones comprensibles que se encuentranocultos en los datos., adems se ve la minera de datos comoun parte del proceso para la bsqueda de conocimiento en la

bases de datos (KDD). Este proceso se puede ver en la figura9.

Figura 9.Pasos en el KDDTomado de [19]

A.Principales caractersticas y objetivos en la minera dedatos:

Explorar los datos se encuentran en las bases de datos ybodega de datos.

En el proceso se encuentran a menudo descubrimientosde resultados valiosos e inesperados.

Debido a la gran cantidad de datos se pueden usarprocesamientos paralelos.

Se producen cinco tipos de informacin: Asociaciones,secuencias, clasificaciones, agrupamientos y

pronsticos.

B.Fases para el desarrollo de un proceso de minera dedatos:Para el proceso de minera de datos aplican cuatro faces

Filtrado de datos Seleccin de variables Extraccin de conocimiento Interpretacin y evaluacin

C.DivisionesLa minera de datos se puede dividir en dos tipo, (1) en

verificacin y el (2) en la bsqueda. En la verificacin elsistema se es limitado a confirmar alguna hiptesis, En labsqueda es un sistema autnomo para la encontrar nuevopatrones. Este se puede subdividir en prediccin que es unsistema que pretenden analizar hechos histricos y predecir loque puede ocurrir, y los sistemas de descripcin que consistenen encontrar patrones que no son fciles de encontrar por sisolo por los usuarios. Los modelos matemticos ms usados

para aplicar en la minera de datos son: Los lgicos y losestadsticos.

Los mtodos de minera de datos ms usados son basadosen pruebas de aprendizaje maquinal, patrones dereconocimiento y en modelos estadsticos: Clasificacin,agrupamiento, regresin, entre otros se puede ver unadescripcin de cada uno se pude ver en el artculo From DataMining to Knowledge Discovery in Databases[19].

OLAP

Son sistemas que se alimentas de datos generados por lossistemas transaccionales, y permiten el anlisismultidimensional de los datos que facilita la creacin deresmenes e informes.

Segn Marc Gyssens [26] OLAP posee cuatrofuncionalidades que son:

Posibilidad de generar consultas a travs de interfasessimples y declarativas

Capacidad de reestructurar informacin en un modelodimensional.

Posibilidad de clasificar o agrupar un conjunto dedatos para poder realizar una sumarizacin.

Puede realizar agregaciones en el estndar SQLLa unidad de datos es el cubo dimensional (Figura 10), que

es una representacin de los diferentes datos para su anlisis,su estructura se define por medio de dimensiones y demedidas, las medidas se derivan de las la tablas de hechos. Loscubos OLAP utilizan los esquemas de las bodegas de datos(Estrella o copo de nieve) como origen de sus datos.

Figura 10.Cubo dimensional en una, dos y tres dimensiones.

IV. INTELIGENCIA DE NEGOCIOS UN MODELOCON PROCESO UNIFICADO

En el proceso de inteligencia de negocios aparece un ciclo

de vida el se puede aproximar al desarrollo de softwarebasado en el proceso unificado, el cual esta divido en cuatropartes que son: el inicio, elaboracin, construccin ytransicin, y un flujo de trabajo bsico que lo compone losrequerimientos, el anlisis, el diseo, implementacin,

pruebas, mantenimiento, una revisin despus del desarrollo,es un modelo iterativo e incremental [27] en la figura 11 se

puede ver este proceso


6/7

Primera Versin 6

Fig. 11Proceso Unificado

Si el desarrollo de una solucin de inteligencia de negociosse enmarca con el proceso unificado (P.U.) se encuentra quese puede aplicar a los diferentes componentes las ayudasusadas para este proceso que es la utilizacin estndar delUML.

UML es leguaje de modelo unificado [22], el cual posee unadiversidad de diagramas los aplicados a los componentes de lainteligencia de negocios pueden dar una nueva forma en eldesarrollo.

Un componte de la inteligencia de negocios lleva la ventajaaplicando el proceso unificado ese componentes son las

bodegas de datos [21]. En este proceso hay un aspectointeresante que han donde varios investigadores han realizadoadelantos es la parte de seguridad como se puede ver en [22],donde se presenta como una extensin en UML al modelo deseguridad al modelo multidimensional, esta extensin presentaun nivel de estereotipos, restricciones y valores etiquetado,esto permite aumentar la seguridad al nivel de los datos,comportamientos y roles de usuarios que son los elementos

principales del modelo de seguridad en los modelosdimensionales que afectan las dimensiones, los hechos y las

jerarquas.

Pero en proceso de anlisis de datos no se han sidoexplorados.

En la tesis doctoral de Trujillo [21], se ve como aplicandolos modelos del proceso unificado en el desarrollo de una

bodega de datos sale una metodologa la cual puede dar alusuario y a los desarrolladores una mejor perspectiva delmodelo de negocio y poderlo desarrollar en un mejor tiempo,realizando las respectivas etapas que llevan este proceso.

V.APROXIMACIONES ACTUALESYFUTURASPERCEPCIONES

En la actualidad se encuentran el modelo Gold y YAM2para disear almacenes de datos basados en UML, pero estosmodelos se quedan en la parte acadmica, y no se hanimplementado en estos momentos por parte de los fabricantesde software, un ejemplo de lo anterior es el modelo GOLD se

encuentra en versin 1.4 UML y no se ha rediseado hacia elestndar actual. El cual permite realizar ms diagramas yposible extensiones hacia el desarrollo de una herramienta encdigo abierto para el desarrollo de bodegas de datos, En elcomponente de ETL se encuentra modelos bsico pero noestandarizados al igual que en la proceso de anlisis de datos.

Trabajo a Futuro

Definir una mtrica para diagramas de mapeo de datos. Realizar diagramas de transformacin de datos basados

en especificaciones como son OCL[14], datalog[15]y QVT[16]

Realizar la modelo ETL basado en UML Realizar la modelo de minera de datos basado en

UML Realizar una herramienta integrada para el desarrollo

de inteligencia de negocios basado en UML, en unsolo entorno.

VI. CONCLUSINLa necesidad que posee las empresas de estandarizar y

poder compartir su informacin hace posible el desarrollo dediversos modelos para el desarrollo de proceso de inteligencia

de negocios. Se ha dado a ver un conjunto de modelos, loscuales poseen beneficios como desventajas, y saber cual debeusar va de mano del ejecutor del desarrollo del proyecto.

Se encuentra prctico en el Mercado de la industriaestndares los cuales puede permitir fcilmente lainteroperabilidad entre diversas herramientas asistidas porcomputador (CASE), las cuales pueden ayudar en la ejecucinde un desarrollo de un proceso de inteligencia de negocios.

Se observa adems que el proceso de inteligencia denegocio es un proceso donde incluye varias parte donde el

desarrollo lgico, un desarrollo conceptual y un desarrollofsico y visto de esta forma se le pueda aplicar el procesounificado para poder realizar procesos de este tipo en todas susetapas con lo cual se puede ver este proceso como un procesode desarrollo de software.

Lo que se plantea es despus de mirar el entorno y lasdiversas propuestas, realizar una con el mayor beneficio dondese pueda integrar todo el desarrollo de una solucin deinteligencia de negocios.


7/7

Primera Versin 7

REFERENCES

[1] W. Inmon, Building the data warehouse. Wiley, 2002.[2] R. Kimball and M. Ross, The Data Warehouse Toolkit: The Complete

Guide to Dimensional Modeling. Wiley, 2002. [Online]. Available:http://www.sigmod.org/sigmod/record/issues/0309/R17.AnisimovBookReview.pdf

[3] S. Allen. Data Modeling for Everyone, Curlingstone Publishing, 2002.[4] M. Goldarelli, D. Maio, and S. Rizzi. The Dimensional fact Model: A

Conceptual Model for Data Warehouses. International Journal ofCooperative Information systems (IJCIS), 7 (2-3): 215-247, June &September 1998.

[5] C. Sapia, M. Blaschka, G. Hofling, and B. Dinter. Extending the E/RModel for the Multidimensional Paradigm. In Proceeding of the 1STInternational Workshop on Data Warehouse and Data Mining(DWDM98), volumen 1552 of Lecture Notes in computer Science,

pages 105-116, Singapore, November 19- 20 199. Springer- Velang[6] N. Tryfona. F. Busborg, and J.G. Christiansen. starER: A Conceptual

Model for Data Warehouse Desing. In proceedings of the ACM 2 ndinternational Workshop on Data Warehousing and OLAP (DOLAP`99),

pages 3-8, Kansas City, USA, November 6 1999. ACM.[7] J. Trujillo. The GOLD model: An Object Oriented multidimensional

data model for multidimensional database, Symposium on AppliedComputing Proceedings of the 2000 ACM, symposium on Appliedcomputing- Volume 1, Italy, pages 346-350, 2000. ACM.

[8] B. Husemann, J. Lechtenborger, G. Vossen, Conceptual DataWarehouse Desing, Proceeding of the International Workshop on Designand Management of Data Warehouses (DMDW2000), StockHolm,Sweden.

[9] A. Abello, J. Samos, and F. Saltor. YAM2 (Yet AnotherMultidimensiona Model): An extension of UML. In Internationaldatabase Engineering applications Symposium (IDEAS02), pages 172-181, Edmoton Canada, July 17-19 2002. IEEE Computer Society

[10] P. Vassliadis, A. Simitsis, and S. Skiadopoulos. Conceptual Modelingfor ETL Processes. In proceeding of the ACM 5 th InternationalWorkshop on Data Warehousing and OLAP (DOLAP 2002), pages 14-21, McLean, USA, November 8 2002. ACM

[11] P.A Berntein and E. Rahm. Data Warehouse Scenarios for modelManagement, In Proceeding of the 19th international Conference onConceptual Modeling (ER00), Volumen 1920 of lecture Notes incomputer Science, page 1 15, salt Lake City, USA, October 9 12200. Springer Verlag

[12] Object Management Group (OMG). Common Warehouse Metamodel(CWM), version 1.1, consultado marzo de 2008 Internet:http://www.omg.org/technology/documents/modeling_spec_catalog.htm

[13] Devedzic, V. Knowledge discovery and data mining in databases.Handbook of Software Engineering and Knowledge EngineeringFundamentals, World Scientific Publishing Co., Singapore, pp 615-637,Jan 2001.

[14] Object Management Group (OMG). Object Constraint Language (OCL),version 1.5, consultado marzo de 2008 Internet:http://www.omg.org/technology/documents/formal/ocl.htm

[15] S. Naqvi and S. Tsur, A logical Language for Data and knowledgeBases. Computer science Press, 1989

[16] QVT-Partner. Revised MOF 2.0 Query/ Views/ Transformations RFPconsultado marzo de 2008 Internet: http://www.omg.org/cgi-

bin/doc?ad/05-03-02 [17] Object Management Group (OMG). Unifie Modeling Language (UML),

version 2.0, consultado marzo de 2008 Internet: http://www.uml.org/[18]N. Binh, A. Tjoa, R. Wagner, An Object Oriented Multidimensional data

modelo for OLAP, In proceeding of first International Conference onWeb- Age Information Management, Springer, Shanghai, China, 2000.

[19] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining toKnowledge Discovery in Databases, American Association for ArtificialIntelligence pag 37 -54. 1996

[20] H. P. Luhn, A Business Intelligence System, IBM Journal, 1958, pag314-319.

[21] J. Trujillo, Data WareHouse Desig with UML, PHD. Thesis,Universidad de Alicante, 2005.

[22] E. Fernndez, J. Trujillo, R. Villarroel, M.Piattini, Developing securedata warehouses with a UML extensin, Elsevier, 2006

[23] Chun Wei Choo, Information Management for the IntelligentOrganization: Roles and Implications for the Information Professions,Digital Libraries Conference, 1995

[24] methods have to be applied. Novintel, Novintels business intelligencecycle, 2007. Available http://www.novintel.com/default.asp?24

[25] J. Thomas Group Inc. 2003. Available at:http://www.mindspring.com/~jt-group/default.htm. (Acceso en mayo de2008).

[26] Marc Gyssens (LUC), Laks V.S. Lakshmanan (CUM). A foundation formultidimensional databases, In Proc. Of the 22nd VLDB Conference,Mumbai (Bombay), India, 1996.

[27] Jacobson I., Booch G., & Rumbaugh J. (1999). The Unified SoftwareDevelopment Process. Addison Wesley.

04 modelo de procesos de inteligencia de negocios

Documents