Rev. Cient. Sist. Inform. 3(2), e543, doi: 10.51252/rcsi.v3i2.543
Artículo de revisión
Review article
Jul-Dic, 2023
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Uso de data Warehouse para la toma de decisiones
empresariales: una revisión literaria
Use of data warehouse for business decision making: a literary review
Romero-Chuquital, Alexander1*
Melendres-Velasco, John Jeanfranco1
1Universidad Peruana Unión, Tarapoto, Perú
Recibido: 04 Abr. 2023 | Aceptado: 21 Jun. 2023 | Publicado: 10 Jul. 2023
Autor de correspondencia*: alexanderromero@upeu.edu.pe
Como citar este artículo: Romero-Chuquital, A. & Melendres-Velasco, J. J. (2023). Uso de data Warehouse para la toma de decisiones
empresariales: una revisión literaria. Revista Científica de Sistemas e Informática, 3(2), e543. https://doi.org/10.51252/rcsi.v3i2.543
RESUMEN
Los Data Warehouse (DwH) al pasar los años han comenzado a ser necesarios para empresas que manejan
inmensas cantidades de datos provenientes de una o varias fuentes, como sistemas transaccionales u otras bases
de datos relacionales, esta herramienta permite tratar y transformar los datos brutos en información útil,
volverlos disponibles y accesibles para que los usuarios puedan analizarla. Nuestro objetivo fue identificar el
motivo por el cual se requiere implementar DwH en las organizaciones, así como identificar casos de éxito, para
lograrlo nos basamos en la técnica de revisión integradora, empleando motores de búsqueda bibliográficos,
asegurando la revisión de artículos publicados en revistas indexadas entre los años 2018 y 2022. La revisión ha
permitido determinar que el uso de los DwH juega un rol importante en la toma de decisiones en las
organizaciones. En conclusión, el Data Warehouse (DwH) es una herramienta fundamental en la toma de
decisiones empresariales al proporcionar infraestructura sólida para recopilar, almacenar y analizar grandes
volúmenes de datos relevantes, permitiendo una visión holística del negocio y tomar decisiones basadas en
evidencia, empodera a los líderes empresariales a identificar tendencias, oportunidades y tomar decisiones
estratégicas, mejorando la eficiencia, la rentabilidad y la ventaja competitiva de las empresas.
Palabras clave: casos de éxito; diseño; DwH; implantación; metodología
ABSTRACT
Over the years, Data Warehouses (DwH) have become necessary for companies that handle huge amounts of
data from one or more sources, such as transactional systems or other relational databases. This tool allows
processing and transforming raw data into useful information, make it available and accessible so that users can
analyze it. Our objective was to identify the reason why it is necessary to implement DwH in organizations, as
well as identify success stories, to achieve this we rely on the integrative review technique, using bibliographic
search engines, ensuring the review of articles published in indexed journals. between the years 2018 and 2022.
The review has made it possible to determine that the use of DwH plays an important role in decision-making in
organizations. In conclusion, the Data Warehouse (DwH) is a fundamental tool in business decision-making by
providing a solid infrastructure to collect, store and analyze large volumes of relevant data, allowing a holistic
vision of the business and making decisions based on evidence, empowering business leaders to identify trends,
opportunities and make strategic decisions, improving the efficiency, profitability and competitive advantage of
companies.
Keywords: success stories; design; DwH; implementation; methodology
Romero-Chuquital, A. & Melendres-Velasco, J. J.
2 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
1. INTRODUCCIÓN
En las décadas de 1970 y 1980, los datos comenzaron a proliferar y las organizaciones necesitaban una
forma fácil de almacenar y acceder a esa información. En la búsqueda por la obtención de los mejores
resultados de su gestión organizacional (Arias La Rosa et al., 2019), adoptan la flexibilización como
estrategia, con el objetivo de adecuarse a un mercado globalizado, dando origen a un proceso que incide en
su sistema estructural.
La evolución de los sistemas, y la creciente competencia en el mercado, hacía que cada vez fuera necesario
eliminar trabas a los usuarios en sus consultas de la información procedente del negocio, capturada por los
Sistemas Operacionales normales de la Compañía, pero que antes sólo se podía ver de forma agregada, no
bastaba con tener un hardware potencialmente poderoso, también se necesita un software de acceso
cómodo y eficiente, con esta necesidad surgió el denominado Data Warehouse el mismo que agilizo la
cartera de los clientes (Vallejos et al., 2018).
El incremento de datos que las empresas pueden llegar a registrar dentro de sus bases de datos
operacionales trae consigo la necesidad de organizar, comprender y utilizarlos de manera más efectiva
para tomar decisiones empresariales estratégicas; para ello, es necesario un buen plan de gestión de la
información, algo que no se debe tomar a la ligera. Esto implica contar con herramientas óptimas para el
manejo de grandes volúmenes de datos; y, una de las tecnologías que está concebida esto es la denominada
Online Analytical Process (OLAP por sus siglas en inglés) o Data Warehouse (DwH) (Cantero Díaz et al.,
2019).
Los Data Warehouse se caracterizan por tener una arquitectura compleja para reducir los procesos
operacionales de su construcción de manera que su implantación sea fácil. Se construye a partir de la data
de las bases de datos operacionales o transaccionales, que se extrae a través de procesos de extracción,
transformación y carga (ETL) (Hanine et al., 2021).
Este repositorio se utiliza para el procesamiento de información histórica mediante un análisis
multidimensional, como apoyo a la toma de decisiones, sus elementos principales son dimensiones, hechos
y medidas, una dimensión permite agrupar información de un área o aspecto para el análisis. Los hechos
representan un cruce de información entre dos o más dimensiones. Las medidas son valores numéricos
que resultan desde el cruce de las dimensiones y representan indicadores que dan utilidad a los hechos
(Zambrano et al., 2018).
Los enfoques en el diseño de los Data Warehouse (DwH) se clasifican en dos categorías, siendo enfoques
basados en datos y requisitos impulsados. Los primeros acercamientos empiezan con un análisis en
profundidad de los datos almacenados en dispositivos internos y/o externos, las bases de datos y deriva al
Data Warehouse (DwH) multidimensional. Las fuentes de datos y los requisitos se analizan y satisfacen
teniendo en cuenta las fuentes de datos disponibles (Bouchra et al., 2019).
Esta herramienta permite una rápida navegación y portabilidad de las medidas y dimensiones de forma
más ágil y eficiente que realizar el mismo cálculo en una base de datos tradicional. Adicionalmente, se debe
considerar que las medidas representan valores numéricos, así el tipo de análisis que se puede realizar con
un DwH es cuantitativo (Zambrano et al., 2018).
Los resultados que se han obtenido a través del uso de Data Warehouse han convertido a esta herramienta
en un instrumento muy utilizado no solo por empresas u organizaciones de un solo rubro, también existen
soluciones que evidencian la efectividad de su uso, en el rubro de la salud. Para Eschrich et al. (2021) los
datos producidos a partir de estudios de investigación y atención clínica tienen muchos usos secundarios
potenciales más allá de su propósito original, el almacenamiento, la consulta, la recuperación y la
visualización eficaces de estos datos son esenciales para crear una infraestructura que permita nuevos
descubrimientos en la investigación del cáncer.
Romero-Chuquital, A. & Melendres-Velasco, J. J.
3 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
La presente revisión tiene como objetivo explorar y mostrar las razones, por la que existe la necesidad de
implementar los Data Warehouse, además reconocer los casos de éxitos que han registrado el uso de los
DwH en la toma de decisiones organizacionales, de tal manera que las empresas que decidan incursionar
en esta experiencia orienten sus acciones para evitar fracasos y pérdidas de recursos tanto en personal,
tiempo y dinero.
2. MATERIALES Y MÉTODOS
Esta revisión bibliográfica está basada en la exploración literaria, teniendo el objetivo de identificar y
ordenar temas abordados. Actualmente existen tipos de clasificación y lo que se aplica es la revisión
integradora, de acuerdo con Snyder (2019) su propuesta consiste en identificar, seleccionar, analizar, y
sistematizar las publicaciones para revisión.
En la etapa inicial del proceso de investigación, se llevó a cabo una exhaustiva búsqueda de artículos
científicos utilizando fuentes de información académicas reconocidas. Priorizando bases de datos en línea
de prestigio como Scielo, DOAJ, MIAR, Web of Science Group y Redalyc, poniendo énfasis en fuentes
indexadas en Scopus.
Para optimizar y refinar nuestras búsquedas, utilizamos operadores booleanos tales como "AND", "OR",
"NOT", " " y (). Estos operadores nos permitieron combinar y filtrar términos de búsqueda de manera
precisa, obteniendo así un conjunto de resultados más relevantes y pertinentes a nuestra temática de
investigación, además del uso de palabras claves como: Data Warehouse, implementación, soluciones DwH,
DwH y la toma de decisiones, gracias a esto como resultado logramos identificar un total de 60 artículos.
Tabla 1.
Número de artículos encontrados en las bases de datos
Bases de datos
Artículos encontrados
Scielo
15
DOAJ
10
MIAR
8
Web of Science Group
20
Redalyc
7
TOTAL
60
En la segunda etapa, seleccionamos los artículos que emplearemos en la revisión, aplicamos una serie de
criterios de inclusión y exclusión para filtrar los artículos relevantes de acuerdo con los objetivos de la
revisión.
Tabla 2.
Criterios de selección con su respectiva relevancia
Criterios de selección
Relevancia
Tipo de Estudio
70 %
Tema y Enfoque
80%
Calidad Metodológica
90%
Periodo de tiempo
60%
Idioma
50%
En el primer criterio, se vio la concordancia de los objetivos y las necesidades específicas de la revisión.
Este criterio asegura que los artículos utilizados sean apropiados para abordar la pregunta de
investigación.
Romero-Chuquital, A. & Melendres-Velasco, J. J.
4 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
Los artículos seleccionados debían estar estrechamente relacionados con los objetivos de la revisión. Por
lo tanto, era fundamental que el tema y enfoque abordados en los artículos fueran relevantes para el alcance
de la investigación.
La calidad metodológica de los estudios seleccionados debía garantizar la confiabilidad y validez de los
resultados. Por lo que se prefería seleccionar artículos que presenten un enfoque riguroso y una
metodología sólida. Además, se buscaba abarcar la literatura más actualizada y relevante posible para el
tema de investigación, teniendo en cuenta que la relevancia de este criterio podía variar según el área de
estudio y la disponibilidad de literatura reciente. El idioma era un factor importante en la selección de
artículos, debido a su impacto en el acceso a la información, la capacidad de lectura y análisis, la relevancia
contextual y la disponibilidad de traducciones.
Como parte final se realizó una lectura detallada de los artículos seleccionados, prestando especial atención
a los objetivos, métodos, resultados y conclusiones de cada estudio. El objetivo principal era identificar los
hallazgos clave, las tendencias, las discrepancias y las lagunas existentes en la literatura revisada. Estas
áreas representaban campos de investigación aún no explorados o comprendidos completamente, lo que
brinda oportunidades para la investigación futura y el desarrollo del conocimiento.
3. RESULTADOS
3.1. Necesidad de implementar DwH
Desde el concepto de gestión del conocimiento, se acuña el de inteligencia de negocios, el desarrollo de este
concepto ha sido difícil porque incluye otros conceptos como minería de datos, gestión y análisis de datos
a gran escala, por lo que la inteligencia de negocios se considera una “sombrilla" que incluye métodos,
prácticas, sistemas y aplicaciones que te permitirán ganar una mejor comprensión del mercado para
futuras decisiones (Mora, 2018).
Las empresas demandan de tecnología que les permita de forma oportuna y precisa poder tomar decisiones
de alto nivel; la inteligencia de negocios permite procesar gran cantidad de información, explotar datos,
trabajar en tiempo real reduciendo tiempos de espera; en si generar conocimiento en base a datos
depurados (Bustamante- Granda et al., 2018). De esta forma, la obtención de información a partir de los
datos constituye la finalidad de los sistemas de IN (Alvarez Gonzaga, 2021)
La inteligencia de negocios y los análisis de datos en procesos empresariales son aplicados en distintos
sectores organizacionales, el mismo que representa una ventaja competitiva (García Estrella et al., 2021).
Para ello es necesario que la organización sea capaz de interiorizar y dominar prácticas que permitan pasar
de la creación de valor al valor competitivo y asociar el componente de innovación para generar ganancias
en el desempeño organizacional (Božič & Dimovski, 2019).
En las últimas décadas, las empresas se han movido hacia la creación de estrategias basadas en los objetivos
del cliente. El mercado es cada vez más maduro y exigente, y hoy más que nunca se requiere calidad de
servicio y respuestas personales a las necesidades específicas de los clientes. Además, la reducción de los
costes en el almacenamiento y procesamiento de información, la misma que se obtiene a través de un
proceso el cual se llama Data Warehouse (García-Jiménez et al., 2021).
Antes del surgimiento e implementación de DwH, los sistemas de información se encontraban en una
situación en la que la mayoría de los datos que la empresa mantenía en sus diversas unidades
organizacionales (clientes, proveedores, productos, mercados, etc.) se agrupaban en diferentes
departamentos funcionales de la organización (logística, I+D, producción, marketing, etc.), lo que favorece
el desarrollo de subsistemas independientes. Por lo tanto, estas bases de datos no son adecuadas para una
Romero-Chuquital, A. & Melendres-Velasco, J. J.
5 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
integración eficiente de unas con otras. Al no existir datos homogéneos, la toma de decisiones se complica,
porque los resultados son poco claros (Gacitua et al., 2019).
La necesidad de las empresas para acceder libremente a la información de su negocio de forma no
estructurada, con “queries ad hoc”, y escases de “Centro de Información” que puedan resolver este
problema, además que la creciente competencia en el mercado, hacía que cada vez más fuera necesario
eliminar trabas a los usuarios en sus consultas de la información procedente del negocio, capturada por los
sistemas operacionales normales de la compañía, pero que antes sólo se podía ver de forma agregada, ahí
donde surge la necesidad de implementar DwH para apoyar las decisiones empresariales (Silva-Peñafiel et
al., 2021).
Cuando definimos al Data Warehouse podemos denotarlo como “herramienta de información que se basa
en un cúmulo de información, tanto detallada como resumida, que proviene de datos que se encuentran en
bases de datos operativos y de otras fuentes externas (datos externos a la propia compañía o datos antiguos
contenidos en otro tipo de soporte, etc.)”. Las organizaciones al depender de estos datos para realizar
análisis o reportes, es necesario que los datos deben tener un formato coherente y ser de fácil acceso, son
las dos cualidades que definen a los Data Warehousing y los hacen esenciales para las empresas de hoy
(Avila Cruz & Chiquito Muñiz, 2022).
3.2. Implantación de DW y metodologías utilizadas
Cada empresa maneja sus propios procesos, productos y servicios, sin embargo, la mayoría se enfrenta a
problemas operativos similares a medida que crecen. Los tiempos actuales están caracterizados por
cambios y esto más cuando se habla de operaciones comerciales, esto ha generado que las empresas, no
puedan adaptarse, mucho menos alcanzar sus objetivos. La implementación de la planificación de recursos
empresariales (ERP) en una organización puede ser la base para conseguir la optimización de las
operaciones comerciales y mejorar la eficiencia e impulsar el crecimiento (Romero, Yamila Mateu Guevara
& Cano, 2020).
Mora (2018) sostiene que los datos representan la codificación estructurada en una entidad primaria, la
cual puede componerse de transacciones comerciales, números de puntos de venta, códigos de barras, etc.
La información es el resultado del proceso de extracción y análisis de datos, teniendo un orden y
significancia en función a objetivos y cumplimientos de quien la requiere, el conocimiento es información
transformada en acción, mediante la toma de decisiones, por ende, al desarrollo de acciones
correspondientes.
La implantación de DW ha permitido a las empresas utilizar información adicional, para realizar análisis
de datos utilizando técnicas y métodos. Existen algoritmos para el descubrimiento de datos de
conocimiento, como clasificación, agrupación y minería, los mismos que son utilizados como entrada para
el sistema de aplicación; por ejemplo, un tablero. Con la existencia de este tablero se espera que sea una
solución para el proceso de aprendizaje para monitorear la condición académica y luego tomar la decisión
correcta (Santoso & Yulia, 2017).
Para diseñar e implementar un DW nos preguntamos ¿Qué metodología seleccionar?, a pesar de los
enfoques y propuestas de cada metodología, decidir qué metodología es más apropiada a implementar no
es tarea sencilla. El motivo es que los requerimientos de un proyecto en específico serán realmente los que
ayuden a definir qué estructura es la que mejor se adecua al proyecto, esta decisión también varía
dependiendo de los objetivos de la organización, se pueden emplear distintas metodologías en las cuales
podemos resaltar la metodología de Ralph Kimball y la metodología de Hefesto (Medina et al., 2018).
Romero-Chuquital, A. & Melendres-Velasco, J. J.
6 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
Metodología Kimball
Reyes-Mena et al. (2018) menciona que “La Metodología Kimball, es una metodología empleada para la
construcción de DW siendo una colección de datos orientada a un determinado ámbito (empresa,
organización, etc.), integrado, no volátil y variable en el tiempo, que ayuda a la toma de decisiones en la
entidad que se utiliza”, está basada en cuatro principios básicos.
Centrarse en el negocio: Considerado como el núcleo de vida de un proyecto de Data Warehouse, se
identifica los requerimientos y alcance del proyecto.
Construir una infraestructura de información adecuada: Crear un repositorio fácil de usar, integrado,
único y eficaz. Además, permite la creación de herramientas, modelos y métodos que se puedan aplicar en
la construcción del Data Warehouse.
Realizar entregas en incrementos significativos: Se basa en la entrega de avances del proyecto a la
empresa.
Ofrecer la solución completa: Implica la entrega de una solución lista para utilizar y que sea de valor para
los usuarios de la empresa (Silva Peñafiel et al., 2019).
El ciclo de vida Kimball es un roadmap general que describe la secuencia de tareas necesarias para un
correcto diseño, desarrollo e implementación (Forero Castañeda & Sánchez Garcia, 2021), esta secuencia
se presenta en el siguiente diagrama:
Figura 1. Ciclo de vida Kimball adaptado de Forero Castañeda & Sánchez García (2021)
Metodología Hefesto
Por otro lado, Silva Peñafiel et al. (2019) menciona que la metodología Hefesto se fundamenta en una
amplia investigación y comparación entre metodologías existentes, además de expectativas propias del
autor en procesos de desarrollo de almacenes de datos, la cual está en continua evolución y que toma en
cuanta, como valor agregado, todas las aportaciones de la gran comunidad que la utiliza, está caracterizada
por su fácil entendimiento y porque posee fases, donde se puede distinguir los objetivos que se persiguen,
así como los resultados esperados (Figura 2).
Romero-Chuquital, A. & Melendres-Velasco, J. J.
7 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
En la Figura 2, comienza recolectando información de usuarios donde se obtiene las preguntas claves del
negocio. Seguidamente, identifica indicadores, los que fueron resultado de interrogativas y perspectivas de
análisis, mediante el cual se construirá el modelo conceptual de datos del DW.
Figura 2. Metodología Hefesto, Adaptado de Valarezo-Avila et al. (2021)
Después, se analiza los OLTP donde se determina la construcción de los indicadores, señalando
correspondencias con los datos fuentes, para seleccionar los campos de estudio.
Hecho esto, se construirá el modelo lógico del depósito, donde se definirá cuál será el tipo de esquema que
se implementará, a continuación, se confeccionarán las tablas de dimensiones y las tablas de hechos, para
luego efectuar sus respectivas uniones.
Por último, utilizando técnicas de limpieza y calidad de datos, procesos ETL, etc, se definirán políticas y
estrategias para la Carga Inicial del DW y su respectiva actualización (Valarezo-Avila et al., 2021).
3.3. Casos de éxito
Tamayo Yero et al. (2019) en su estudio denominado “Almacén de Datos para la gestión de estudios de
Peligro, Vulnerabilidad y Riesgo en Cuba”, menciona que el Estado Cubano invierte cuantiosos recursos en
el establecimiento de planes de preparación a fin de mitigar y minimizar los impactos negativos de
fenómenos naturales, pero la forma en que son analizados los resultados que se derivan de este arduo
trabajo presentan algunas limitaciones por la cantidad de datos que se encuentran , muchas veces dispersos
y poco entendibles para ser usados de forma rápida en los Centros de Gestión de Riesgos.
Su trabajo explica el modelo para gestionar estudios de peligro, vulnerabilidad y riesgo en Cuba,
centrándose en ocurrencia de eventos hidrometeoro lógicos extremos en zonas vulnerables, la estructura
básica de la herramienta informática mostrada modifica el actual procedimiento de análisis de estos
estudios en el país. Una muestra de ello se muestra mediante los pasos que sirvieron para el desarrollo de
la herramienta aplicando la metodología Hefesto:
Romero-Chuquital, A. & Melendres-Velasco, J. J.
8 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
Figura 3. Establecimiento de correspondencias para el control de valores por vulnerabilidad, por cada tipo
de peligro
Al alinear las fuentes de datos con indicadores establecidos, perspectivas de análisis, requiere de una nueva
tabla de hechos secundarios, para evaluar el riesgo asociado al peligro que corresponda, porque no
depende del tipo de vulnerabilidad, por lo que se incorpora el esquema constelación, al diseño de la base
de datos multidimensional.
La diferencia en el valor de vulnerabilidad y riesgo para los consejos populares especificados en el
desarrollo del estudio constata cambios que ocurrieron en territorios ante la exposición del peligro, que
analiza y alerta sobre el nivel de atención a los territorios que requieran para reducir condiciones de
fragilidad.
Tabla 3.
Reporte Tabular
Cat h
I
III
Mcpio
Cons pop
Valor vulnerabilidad
Valor riesgo
Valor vulnerabilidad
Valor riesgo
Palma
Soriano
28 de septiembre
53,71
,33
56,53
,33
Aguacate
42,47
,25
46,00
,27
Santiago
de Cuba
30 de noviembre
50,16
,26
52,99
,28
Abel Santamaria
62,90
,37
62,93
,36
Aguero – Mar
Verde
73,95
,35
78,28
,38
Altamira
49,42
,16
52,27
,18
En base a los resultados de la investigación, se diseña e implementa para las necesidades de la provincia
Santiago de Cuba, una base de datos multidimensional, centrada en resultados de investigación sobre
fenómenos hidrometeoro lógicos extremos en 2011 y 2016, así como un almacén de datos, soportado en
técnicas y metodologías de Inteligencia de Negocios, permitiendo el análisis de estos estudios de forma
integrada, para la obtención de información relevante y mejor representada a través de reportes dinámicos,
para garantizar una rápida y efectiva toma de decisiones. Sin embargo, no es la única aplicación que se le
puede dar a los DwH.
Existen casos como el que menciona Pavlenko et al. (2020) donde su caso de estudio menciona sobre la
implementación de acceso y uso de datos de procedimientos en DW clínicos, donde se pretende mejorar la
atención médica y la investigación en salud a través de aplicaciones intensivas en datos dependiendo de
una cantidad creciente de datos de salud. En el núcleo de los esfuerzos de integración de datos a gran escala,
Romero-Chuquital, A. & Melendres-Velasco, J. J.
9 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
los almacenes de datos clínicos (CDW, por sus siglas en inglés) también son responsables de la gobernanza
de datos, la gestión del acceso a los datos y la reutilización. Como la complejidad de los datos aumenta el
flujo, se requiere mayor transparencia y estandarización de criterios y procedimientos para mantener
supervisión y control objetivos. Por lo tanto, el desarrollo de políticas orientadas a la práctica y basadas en
la evidencia es crucial. Este estudio evaluó el espectro de criterios y procedimientos de acceso y uso de
datos en los almacenes de datos clínicos, a continuación, se muestra el diagrama de flujo de búsqueda
sistemática basado en PRISMA.
Figura 4. Establecimiento de correspondencias para el control de valores por vulnerabilidad, por cada tipo
de peligro
Se menciona que utilizar la gobernanza en la literatura científica se caracteriza por un alto nivel de
heterogeneidad y ambigüedad. En la práctica, esto puede limitar el intercambio efectivo de datos necesario
para cumplir las altas expectativas de los enfoques intensivos en datos en la investigación médica y la
atención de la salud. La falta de público información disponible sobre políticas de acceso entra en conflicto
con requisitos éticos vinculados a principios de transparencia y responsabilidad. Donde los CDW debe
divulgar públicamente quién y en qué condiciones se puede acceder a los datos, y proporcionar estructuras
y políticas de gobierno designadas para aumentar la transparencia en el acceso a los datos. Los resultados
de esta revisión pueden contribuir al desarrollo de estándares mínimos orientados a la práctica para la
gobernanza del acceso a datos, que también podría resultar en una mayor armonización, eficiencia y
eficacia de los CDW.
CONCLUSIONES
La elaboración de este artículo de revisión permitió reconocer los motivos por el que surge la necesidad de
implementar un DwH dentro de organizaciones, empresas, el mismo que es la cantidad de datos que estas
pueden almacenar, además que los datos almacenados en el almacén de datos son históricos y
proporcionan una visión general de las diferentes transacciones que se han producido a lo largo del tiempo.
Los datos redundantes a menudo se incluyen en los almacenes de datos para proporcionar a los usuarios
múltiples vistas de la información. Esta es la razón por la cual los datos almacenados en el almacén a
menudo se agregan para facilitar el acceso de los usuarios.
Romero-Chuquital, A. & Melendres-Velasco, J. J.
10 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
Por otro lado, los casos de éxito que se registran mediante el uso de la herramienta han permitido la mejora
en las decisiones empresariales, ya que por ello la empresa reconoce los factores de beneficio, para
mantener ordenada y disponible la información brindando así acceso a múltiples bases de datos, con
respuestas rápida, permitiendo recopilar y manipular datos provenientes de diversas fuentes, con el fin de
recuperar informaciones valiosas para una empresa.
Concluimos con que la revisión bibliográfica sobre el uso de Data Warehouse para la toma de decisiones
empresariales revela valiosas perspectivas, sin embargo, existen oportunidades de investigación que
podrían expandir aún más nuestro entendimiento en este campo. Una recomendación para futuras
investigaciones sería examinar de manera exhaustiva los desafíos técnicos y prácticos asociados con la
implementación de DwH en entornos empresariales específicos. Además, sería beneficioso explorar los
efectos de la utilización de sus diversas arquitecturas en la calidad y la integridad de los datos, así como en
la eficiencia del proceso de toma de decisiones. Otra línea de investigación prometedora podría centrarse
en la integración de tecnologías emergentes, como el aprendizaje automático y la inteligencia artificial, para
mejorar aún más la capacidad de los DwH para proporcionar información precisa y oportuna.
FINANCIAMIENTO
Ninguno
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización: Romero-Chuquital, A. y Melendres-Velasco, J. J.
Curación de datos: Romero-Chuquital, A., y Melendres-Velasco, J. J.
Análisis formal: Melendres-Velasco, J. J.
Adquisición de fondos: Romero-Chuquital, A. y Melendres-Velasco, J. J.
Investigación: Romero-Chuquital, A. y Melendres-Velasco, J. J.
Administración del proyecto: Romero-Chuquital, A.
Software: Melendres-Velasco, J. J.
Supervisión: Romero-Chuquital, A.
Validación: Melendres-Velasco, J. J.
Visualización: Romero-Chuquital, A.
Redacción -borrador original: Romero-Chuquital, A. y Melendres-Velasco, J. J.
Redacción - revisión y edición: Romero-Chuquital, A. y Melendres-Velasco, J. J.
REFERENCIAS BIBLIOGRÁFICAS
Alvarez Gonzaga, B. R. (2021). Inteligencia de negocios para la toma de decisiones: Un enfoque desde la
dirección estratégica de instituciones educativas. Revista Scientific, 6(19), 295–312.
https://doi.org/10.29394/Scientific.issn.2542-2987.2021.6.19.15.295-312
Arias La Rosa, A., Rodríguez Cruz, Y., & Rodríguez Martínez, A. (2019). Comportamiento de la producción
científica sobre Inteligencia Organizacional en la base de datos SCOPUS (2009-2019). Alcance,
10(26). https://revistas.uh.cu/alcance/article/view/5206%0A
Avila Cruz, C. A., & Chiquito Muñiz, J. J. (2022). La integración de Datamart con Datawarehouse. UNESUM-
Ciencias. Revista Científica Multidisciplinaria. ISSN 2602-8166, 6(1), 23–30.
Romero-Chuquital, A. & Melendres-Velasco, J. J.
11 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
https://doi.org/10.47230/unesum-ciencias.v5.n4.2021.470
Bouchra, A., Larbi, K., Wakrime, A., & Abderrahim, S. (2019). Linking Context to Data Warehouse Design.
International Journal of Advanced Computer Science and Applications, 10(1).
https://doi.org/10.14569/IJACSA.2019.0100102
Božič, K., & Dimovski, V. (2019). Business intelligence and analytics for value creation: The role of
absorptive capacity. International Journal of Information Management, 46, 93–103.
https://doi.org/10.1016/j.ijinfomgt.2018.11.020
Bustamante- Granda, W. X., Macas- Ruiz, E. M., & Cevallos- Macas, F. B. (2018). Data Warehouse: Análisis
Multidimensional de BAFICI utilizando Power Pivot. Revista Espacios, 39(34), 24.
https://www.revistaespacios.com/a18v39n34/18393424.html
Cantero Díaz, A., Goire Castilla, M. M., & Quintana Cassulo, Y. (2019). Sistema para la gestión y análisis de
datos de una red de sensores inalámbricos basado en un almacén de datos. Revista Cubana de
Ciencias Informáticas, 13(3), 76–90. http://scielo.sld.cu/pdf/rcci/v13n3/2227-1899-rcci-13-03-
76.pdf
Eschrich, S. A., Teer, J. K., Reisman, P., Siegel, E., Challa, C., Lewis, P., Fellows, K., Malpica, E., Carvajal, R.,
Gonzalez, G., Cukras, S., Betin-Montes, M., Aden-Buie, G., Avedon, M., Manning, D., Tan, A. C., Fridley,
B. L., Gerke, T., Van Looveren, M., … Rollison, D. E. (2021). Enabling Precision Medicine in Cancer
Care Through a Molecular Data Warehouse: The Moffitt Experience. JCO Clinical Cancer Informatics,
5, 561–569. https://doi.org/10.1200/CCI.20.00175
Forero Castañeda, D. A., & Sánchez Garcia, J. A. (2021). Introducción a La Inteligencia De Negocios Basada
En La Metodología Kimball. Revista Tia, 9(1), 5–17.
https://revistas.udistrital.edu.co/index.php/tia/article/view/18082/17993
Gacitua, R., Mazon, J. N., & Cravero, A. (2019). Using Semantic Web technologies in the development of
data warehouses: A systematic mapping. WIREs Data Mining and Knowledge Discovery, 9(3).
https://doi.org/10.1002/widm.1293
García-Jiménez, A. de-J., Aguilar-Morales, N., Hernández-Triano, L., & Lancaster-Díaz, E. (2021). La
inteligencia de negocios: herramienta clave para el uso de la información y la toma de decisiones
empresariales. Revista de Investigaciones Universidad Del Quindío, 33(1), 132–139.
https://doi.org/10.33975/riuq.vol33n1.514
García Estrella, C. W., Barón Ramírez, E., & Sánchez Gárate, S. K. (2021). La inteligencia de negocios y la
analítica de datos en los procesos empresariales. Revista Científica de Sistemas e Informática, 1(2),
38–53. https://doi.org/10.51252/rcsi.v1i2.167
Hanine, M., Lachgar, M., Elmahfoudi, S., & Boutkhoum, O. (2021). MDA Approach for Designing and
Developing Data Warehouses: A Systematic Review & Proposal. International Journal of Online
and Biomedical Engineering (IJOE), 17(10), 99. https://doi.org/10.3991/ijoe.v17i10.24667
Medina, F., Fariña, F., & Castillo, R. (2018). Data mart to obtain indicators of academic productivity in a
university | Data mart para obtención de indicadores de productividad académica en una
universidad. Ingeniare, 26, 88–101. https://www.scielo.cl/pdf/ingeniare/v26s1/0718-3305-
ingeniare-26-00088.pdf
Mora, G. (2018). Siglo XXI economía de la información: gestión del conocimiento y Business Intelligence,
el camino a seguir hacia la competitividad. SIGNOS - Investigación En Sistemas de Gestión, 10(2), 161–
174. https://doi.org/10.15332/s2145-1389.2018.0002.09
Pavlenko, E., Strech, D., & Langhof, H. (2020). Implementation of data access and use procedures in
Romero-Chuquital, A. & Melendres-Velasco, J. J.
12 Rev. Cient. Sist. Inform. 3(2): e543; (Jul-Dic, 2023). e-ISSN: 2709-992X
clinical data warehouses. A systematic review of literature and publicly available policies. BMC
Medical Informatics and Decision Making, 20(1), 157. https://doi.org/10.1186/s12911-020-01177-z
Reyes-Mena, F. X., Fuertes-Díaz, W. M., Guzmán-Jaramillo, C. E., Pérez-Estévez, E., Bernal-Barzallo, P. F., &
Villacís-Silva, C. J. (2018). Aplicación de Inteligencia de Negocios para el análisis de vulnerabilidades
en pro de incrementar el nivel de seguridad en un CSIRT académico. Revista Facultad de Ingeniería,
27(47), 21–29. https://doi.org/10.19053/01211129.v27.n47.2018.7747
Romero, Yamila Mateu Guevara, J. A., & Cano, F. A. (2020). Estrategia de Integración de un Proyecto de
Almacenes de Datos Integration Strategy of a Data Warehouse Project. Serie Científica de La
Universidad de Las Ciencias Informáticas, 13(7), 144–162.
https://dialnet.unirioja.es/servlet/articulo?codigo=8590329
Santoso, L. W., & Yulia. (2017). Data Warehouse with Big Data Technology for Higher Education. Procedia
Computer Science, 124, 93–99. https://doi.org/10.1016/j.procs.2017.12.134
Silva-Peñafiel, G. E., Córdova-Vaca, A. M., Cusco-Vinueza, V. A., & Estrada-Velasco, M. V. (2021).
Implementación de un Data Warehouse mediante la metodología Hefestos para la toma de
decisiones en el Instituto Nacional de Patrimonio Cultural Regional 3. Dominio de Las Ciencias, 7(3),
1116–1135. https://dominiodelasciencias.com/index.php/es/article/view/2044
Silva Peñafiel, G. E., Zapata Yánez, V. M., Morales Guamán, K. P., & Toaquiza Padilla, L. M. (2019). Análisis
de metodologías para desarrollar Data Warehouse aplicado a la toma de decisiones. Ciencia Digital,
3(3.4.), 397–418. https://doi.org/10.33262/cienciadigital.v3i3.4..922
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of
Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Tamayo Yero, H. A., Milanés Batista, C., & Milanés Clavijo, V. A. (2019). Almacén de Datos para la gestión
de estudios de Peligro, Vulnerabilidad y Riesgo en Cuba. Revista Cubana de Ciencias Informáticas,
13(2). http://scielo.sld.cu/pdf/rcci/v13n2/2227-1899-rcci-13-02-61.pdf
Valarezo-Avila, B., Córdova-Aponte, M., & Serrano-Orellana, B. (2021). Inteligencia de negocios como
herramienta clave en el desempeño empresarial. 593 Digital Publisher CEIT, 6(6), 306–325.
https://doi.org/10.33386/593dp.2021.6.727
Vallejos, C., Caniupan, M., & Gutierrez, G. (2018). Compact Data Structures to Represent and Query Data
Warehouses into Main Memory. IEEE Latin America Transactions, 16(9), 2328–2335.
https://doi.org/10.1109/TLA.2018.8789552
Zambrano, C. del C., Rojas, D. F., & Salcedo, P. A. (2018). Un Método para Analizar Datos de Pruebas
Educacionales Estandarizadas usando Almacén de Datos y Triangulación. Formación Universitaria,
11(4), 3–14. https://doi.org/10.4067/S0718-50062018000400003
