Universidad Austral de Chile
Facultad de Ciencias Económicas y Administrativas
Escuela de Ingeniería Comercial






“Data Warehouse”



Integrantes: Ana Barros P.
Viviana Estrada R.
Mº Eugenia Guarda C.
Pamela Quintuprai M.

Asignatura: Sistemas de información Empresarial.

Ayudante: José luis Carrasco V.




07 de junio de 2010
Introducción

En la actualidad, toda empresa requiere utilizar mecanismos e instrumentos que le faciliten la correcta toma de decisiones. Para ello, se necesitan datos y cifras confiables, precisas y oportunas, lo que trae consigo un mayor requerimiento en la velocidad de la información. Es aquí donde cobra importancia la utilización de herramientas que nos ayuden a minimizar el tiempo para analizar gran cantidad de información con mayor velocidad y precisión.

En un comienzo se contaba únicamente con bases de datos donde se guardaba la información. Luego aparecieron las bases de datos relacionales. Finalmente aparecieron nuevos sistemas que no solamente se dedican a guardar información, sino que tienen un enfoque gerencial, ofreciendo un apoyo a la toma de decisiones. Es en este ámbito donde aparece el data warehouses, componente de Bussines Intelligent que viene a facilitar los requerimientos de manejo de datos para la correcta toma de decisiones dentro de la empresa.
En el presente informe se exponen una serie de conceptos asociados al almacenamiento y manejo de información.

Desarrollo de las actividades

Business Inteligente:
Es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios.




Desde un punto de vista más pragmático, y asociándolo directamente con las tecnologías de la información, podemos definir Business Intelligence como el conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y transformar datos de los sistemas transaccionales e información desestructurada (interna y externa a la compañía) en información estructurada, para su explotación directa (reporting, análisis OLTP / OLAP, alertas) o para su análisis y conversión en conocimiento, dando así soporte a la toma de decisiones sobre el negocio. La inteligencia de negocio actúa como un factor estratégico para una empresa u organización, generando una potencial ventaja competitiva, que no es otra que proporcionar información privilegiada para responder a los problemas de negocio: entrada a nuevos mercados, promociones u ofertas de productos, eliminación de islas de información, control financiero, optimización de costes, planificación de la producción, análisis de perfiles de clientes, rentabilidad de un producto concreto, etc.
Por otro lado, los principales componentes de orígenes de datos en el Business Intelligence que existen en la actualidad son:
• Datamart
• Datawarehouse
• DW - Almacenes de datos, Bodegas de Datos (Data warehouses)
• ETL - Transformar, Extraer y Cargar datos
• DM - Minería de datos (Data mining)
• Aplicaciones OLAP - cubos OLAP, procesamiento analítico
• línea, Online Analytical Processing and multidimensional analysis
• MIS - Sistemas de Información para la Administración (Management Information Systems)
• Consultas e informes - Information visualization, and Dashboarding
• Calidad de Datos y limpieza de Datos
• Sistemas de previsión empresarial
• DSS - Apoyo en la toma de decisiones (Decision Support Systems)
• CRM - Customer Relationship Management
Ejemplo:
Aplicar Business Intelligence al análisis de ventas, ayuda a poder ajustar los precios y bajar los márgenes, pues puedes estudiar como van a responder las ventas.
Ariel sobre su detergente básico, donde sale un niño que se mancha de helado. Dice algo como:
"Ariel te limpia todo. Todo menos la cartera, ya que Ariel básico es un 20% más barato"
La clave de este anuncio (des del punto de vista BI) es la palabra “básico”. Ariel, gracias al análisis de datos, se habrá dado cuenta de que el mayor porcentaje de ventas lo sigue teniendo en su producto básico, y no en los típicos "con jabón de Marsella","detergente del futuro", y cosas similares.
ERPs:
Los sistemas de planificación de recursos de la empresa (en inglés ERP, enterprise resource planning) son sistemas de gestión de información que integran y automatizan muchas de las prácticas de negocio asociadas con los aspectos operativos o productivos de una empresa. Aunque en el día a día no necesitamos estos sistemas, no deja de ser interesante que haya un amplio abanico de ERP libres, dada la elevada dependencia que generan estas aplicaciones respecto del proveedor cuando no son libres, como bien apuntó Ricardo Galli Aparte de la (importantísima) reducción de costes aparejada a la libertad del software, donde habitualmente se paga por el mantenimiento pero no por el software en sí mismo. Entre los más conocidos de esta lista es OpenBRAVO, pero no es el único

Existen 3 características que definen a un ERP:
1. Son sistemas integrales,
2. son sistemas modulares
3. y adaptables.

Los objetivos principales de los sistemas ERP son:
1. Optimización de los procesos empresariales.
2. Acceso a información confiable, precisa y oportuna.
3. La posibilidad de compartir información entre todos los componentes de la organización.
4. Eliminación de datos y operaciones innecesarias.
5. Reducción de tiempos y de los costes de los procesos.

Ejemplo:
ERP Propietario:
• SAP Business One
• Microsoft Dynamics NAV
• Sage línea 100
• Solmicro
• CCS Agresso


ERP Opensource son:
• Openbravo
• Openxpertya
• Tiny ERP
• Abanq

ERP SaaS son:

• Netsuite
• Salesforce
• Business by design (creado por SAP)
• Intacct
• Workday
• GSInnovate

ETL
Los procesos ETL (Extraction, Transformation and Loading -extracción, transformación y carga) son los componentes más importantes y de valor añadido de una infraestructura de Business Intelligence (BI). Aún pueden ser invisibles por los usuarios de la plataforma de BI, los procesos ETL recuperan los datos de todos los sistemas operativos y les pre-elaboran para las herramientas de análisis y de reporting. La exactitud de la plataforma BI entera depende de los procesos ETL.
Los procesos de Extracción, Transformación y Carga constan de múltiples pasos, cuyo objetivo es transferir datos desde las aplicaciones de producción a los sistemas de Inteligencia de negocio :
• Extracción de los datos desde las aplicaciones y bases de datos de producción (ERP, CRM, RDBMS, archivos, etc.)
• Transformación de estos datos para reconciliarlos en todos los sistemas source, realizar cálculos o análisis sintáctico de cadenas, enriquecerlos con información de búsqueda externa y, además, adaptarlos al formato preciso por el sistema objetivo (Third Normal Form, Star Schema, Slowly Changing Dimensions, etc.)
• Carga de los datos resultantes en las diversas aplicaciones de BI:Almacenes de datos históricos generales (data warehouse) o almacenes de datos empresariales, almacenes de datos históricos individuales (data mart), aplicaciones OLAP (Procesamiento analítico en línea) o “cubos”, etc
La latencia de los procesos ETL varía desde los lotes (a veces, de forma mensual o semanal, pero en la mayoría de los casos diariamente), al tiempo casi real con actualizaciones más frecuentes (cada hora, cada pocos minutos, etc.).





Ejemplo:
Kettle ETL-Pentaho Data Integration (PDI?
• Kettle Spoon ETL-Transformación gráfica de un proceso ETL de ejemplo con una herramienta Spoon.
• Kettle PAN ETL-ejecución batch de las transformaciones diseñadas con la herramienta Spoon de PDI.
• Ejemplo de ETLde calidad de datos: implementaciones interesantes se muestran en el proceso de cargar una bodega de datos diseñados en el pentaho data integration 3.0.



Interfase Web

Las páginas Web supusieron la aparición de las interfaces web, interfaces gráficas de usuario con unos elementos comunes de presentación y navegación que pronto se convirtieron en estándares de facto. Este tipo de interfaces deben servir de intermediarias entre unos usuarios genéricos, no acostumbrados generalmente al uso de aplicaciones informáticas, y unos sistemas de información y procesos transaccionales que corren por debajo, debiendo posibilitar la localización de la información deseada, el entendimiento claro de las funcionalidades ofrecidas, la realización práctica de tareas específicas por parte de los usuarios y la navegación intuitiva por las diferentes páginas que forman el sitio web.

Hay dos tipos de interfaces de usuario según su manera de interactuar: Alfanumérica (intérpretes de pedidos) y gráficas de usuarios (GUI, Graphic User Interface). Estas últimas permiten comunicarse con el ordenador de una forma rápida, intuitiva y gráfica (ventanas, botones, etc.).
• En el primer caso se trata de un conjunto de dispositivos que permiten la interacción hombre-máquina, de forma que permiten acceder y coger datos del ordenador. Un ejemplo de este tipo de interfaz es linux, Ms Dos, Unix.
• Las Interfaces de software son programas o parte de ellos que permiten comunicarse con el ordenador. Ejemplos de este tipo de interfaz son: Fox Toolkit, Object Central (framework multiplataforma para generar interfaces gráficas para usuarios),Glow (framework multiplataforma y orientada a objetos para crear aplicaciones interactivas utilizando OpenGL o APIs similares como Mesa), GTK+ es un conjunto de herramientas para crear GUIs. GTK+ (útil tanto para pequeños proyectos como para aplicaciones completas)
Interfase Cliente-Servidor
La interfaz de cliente incorpora otras herramientas importantes: Aquellas asociadas al acceso al curso y su gestión.
Junto a estas, se dispone de la posibilidad de realizar los exámenes propuestos por el tutor o acceder a los eventos definidos por este (por ejemplo, avisos de clases presenciales). Los eventos se definen como aquellos hechos o noticias de especial relevancia que emitidos por el profesor, deben ocupar un papel diferenciado del resto de noticias del tablón.
Sin embargo, el diseño de ATF no busca que su interfaz cliente se restrinja al aula virtual desarrollado. No se pensó como un desarrollo cerrado. La interfaz puede estar constituida por cualquier navegador comercial. De esta forma, los servicios ofrecidos por el sistema, pueden ser disfrutados por usuarios (al menos en su mayor parte) que no dispongan del cliente del Aula Virtual. El Aula Virtual, no obstante, ofrece una normalización de acceso al sistema y a los cursos educativos, junto con el uso de las funcionalidades ofrecidas del sistema ATF.

Ejemplo:

• Servidores de archivos: Servidor donde se almacena archivos y aplicaciones de productividad como por ejemplo procesadores de texto, hojas de cálculo, etc.
• Servidores de bases de datos: Servidor donde se almacenan las bases de datos, tablas, índices. Es uno de los servidores que más carga tiene.
• Servidores de transacciones: Servidor que cumple o procesa todas las transacciones. Valida primero y recién genera un pedido al servidor de bases de datos.
• Servidores de Groupware: Servidor utilizado para el seguimiento de operaciones dentro de la red.
• Servidores de objetos: Contienen objetos que deben estar fuera del servidor de base de datos. Estos objetos pueden ser videos, imágenes, objetos multimedia en general.
• Servidores Web: Se usan como una forma inteligente para comunicación entre empresas a través de Internet. Este servidor permite transacciones con el acondicionamiento de un browser específico

Modelos de Datos

ER (Entidad Relación): El modelo de datos más extendido es el denominado ENTIDAD/RELACIÓN (E/R).En el modelo E/R se parte de una situación real a partir de la cual se definen entidades y relaciones entre dichas entidades:
Entidad: Objeto del mundo real sobre el que queremos almacenar información (Ej: una persona). Las entidades están compuestas de atributos que son los datos que definen el objeto (para la entidad persona serían DNI, nombre, apellidos, dirección,...). De entre los atributos habrá uno o un conjunto de ellos que no se repite; a este atributo o conjunto de atributos se le llama clave de la entidad, (para la entidad persona una clave seria DNI). En toda entidad siempre hay al menos una clave que en el peor de los casos estará formada por todos los atributos de la tabla. Ya que pueden haber varias claves y necesitamos elegir una, lo haremos atendiendo a estas normas:
• Que sea única.
• Que se tenga pleno conocimiento de ella.- ¿Por qué en las empresas se asigna a cada cliente un número de cliente?.
• Que sea mínima, ya que será muy utilizada por el gestor de base de datos.
Relación: Asociación entre entidades, sin existencia propia en el mundo real que estamos modelando, pero necesaria para reflejar las interacciones existentes entre entidades. Las relaciones pueden ser de tres tipos:
o Relaciones 1-1: Las entidades que intervienen en la relación se asocian una a una (Ej: la entidad HOMBRE, la entidad MUJER y entre ellos la relación MATRIMONIO).
o Relaciones 1-n: Una ocurrencia de una entidad está asociada con muchas (n) de otra (Ej: la entidad EMPERSA, la entidad TRABAJADOR y entre ellos la relación TRABAJAR-EN).
o Relaciones n-n: Cada ocurrencia, en cualquiera de las dos entidades de la relación, puede estar asociada con muchas (n) de la otra y viceversa (Ej: la entidad ALUMNO, la entidad EMPRESA y entre ellos la relación MATRÍCULA). Notación empleada para elaborar modelos E-R:


Ejemplo de diagrama E-R

UML (Lenguaje de Modelado Unificado): Lenguaje Unificado de Modelado es el lenguaje de modelado de sistemas de software más conocido y utilizado en la actualidad; está respaldado por el OMG (Object Management Group). Es un lenguaje gráfico para visualizar, especificar, construir y documentar un sistema, es decir, permite la representación conceptual y física. UML ofrece un estándar para describir un "plano" del sistema (modelo), incluyendo aspectos conceptuales tales como procesos de negocio y funciones del sistema, y aspectos concretos como expresiones de lenguajes de programación, esquemas de bases de datos y componentes reutilizables. Es importante resaltar que UML es un "lenguaje de modelado" para especificar o para describir métodos o procesos. Se utiliza para definir un sistema, para detallar los artefactos en el sistema y para documentar y construir. En otras palabras, es el lenguaje en el que está descrito el modelo. UML cuenta con varios tipos de diagramas, los cuales muestran diferentes aspectos de las entidades representadas.
Ejemplo:



OO (Orientado a Objetos): Los sistemas basados en modelos de datos orientados a objeto fueron inspirados a partir del paradigma de programación orientada a objeto. Entre los primeros lenguajes orientados a objetos podemos citar Smalltalk y Simula. Ejemplos más recientes son C++, CIOS, CLU y JAVA.
El modelo de bases de datos orientado a objetos se basa en el concepto de encapsulamiento de datos y código que opera sobre estos en un objeto. Los objetos estructurados se agrupan en clases. El conjunto de clases está estructurado en sub y superclases basado en una extensión del concepto ISA del modelo Entidad - Relación. Puesto que el valor de un dato en un objeto también es un objeto, es posible representar el contenido del objeto dando como resultado un objeto compuesto. El modelo orientado a objetos se basa en encapsular código y datos en una única unidad, llamada objeto. El interfaz entre un objeto y el resto del sistema se define mediante un conjunto de mensajes.
Un objeto tiene asociado:
• un conjunto de variables que contienen los datos del objeto. El valor de cada variable es un objeto.
• Un conjunto de mensajes a los que el objeto responde.
• Un método, que es un trozo de código para implementar cada mensaje. Un método devuelve un valor como respuesta al mensaje.
El término mensaje en un contexto orientado a objetos, no implica el uso de un mensaje físico en una red de computadoras, si no que se refiere al paso de solicitudes entre objetos sin tener en cuenta detalles específicos de implementación.
La capacidad de modificar la definición de un objeto sin afectar al resto del sistema está considerada como una de las mayores ventajas del modelo de programación orientado a objetos.

Ejemplo:
Consideremos un objeto que representa una cuenta bancaria. Tal objeto contiene variables de ejemplares número- cuenta y saldo. Asumamos que un banco ha estado pagando un 6% de interés en todas las cuentas, pero ahora está cambiando su política de pagar un 5% si el saldo es menor que $180.000, o un 6% si el saldo es mayor o igual que $180.000. Para la mayoría de los modelos de datos, hacer este ajuste significaría cambiar el código en uno o más programas de aplicación. Para el modelo orientado a objetos, el único cambio se hace en el método pago-interés.

Describir cada etapa del diseño de un DW
“Un Data Warehouse no se puede comprar, se tiene que construir”, la construcción e implantación de un Data Warehouse es un proceso evolutivo. Este proceso se tiene que apoyar en una metodología específica para este tipo de procesos, si bien es más importante que la elección de la mejor de las metodologías, el realizar un control para asegurar el seguimiento de la misma. En las fases que se establezcan en el alcance del proyecto es fundamental el incluir una fase de formación en la herramienta utilizada para un máximo aprovechamiento de la aplicación. El seguir los pasos de la metodología y el comenzar el Data Warehouse por un área específica de la empresa, nos permitirá obtener resultados tangibles en un corto espacio de tiempo. Planteamos aquí la metodología propuesta por SAS Institute: la "Rapid Warehousing Methodology" basada en el desarrollo incremental del proyecto de Data Warehouse dividido en cinco fases:


Definición de los requerimientos de información
Tal como sucede en todo tipo de proyectos, sobre todo si involucran técnicas novedosas como son las relativas al Data Warehouse, es analizar las necesidades y hacer comprender las ventajas que este sistema puede reportar.
Diseño y modelización
Los requerimientos de información identificados durante la anterior fase proporcionarán las bases para realizar el diseño y la modelización del Data Warehouse.
En esta fase se identificarán las fuentes de los datos (sistema operacional, fuentes externas) y las transformaciones necesarias para, a partir de dichas fuentes, obtener el modelo lógico de datos del Data Warehouse. Este modelo estará formado por entidades y relaciones que permitirán resolver las necesidades de negocio de la organización.
El modelo lógico se traducirá posteriormente en el modelo físico de datos que se almacenará en el Data Warehouse y que definirá la arquitectura de almacenamiento del Data Warehouse adaptándose al tipo de explotación que se realice del mismo.
La mayor parte estas definiciones de los datos del Data Warehouse estarán almacenadas en los metadatos y formarán parte del mismo.
Implementación
La implantación de un Data Warehouse lleva implícitos los siguientes pasos:
• Extracción de los datos del sistema operacional y transformación de los mismos.
• Carga de los datos validados en el Data Warehouse. Esta carga deberá ser planificada con una periodicidad que se adaptará a las necesidades de refresco detectadas durante las fases de diseño del nuevo sistema.
• Explotación del Data Warehouse mediante diversas técnicas dependiendo del tipo de aplicación que se de a los datos:
Query & Reporting
On-line analytical processing (OLAP)
Executive Information System (EIS) ó Información de gestión
Decision Support Systems (DSS)
Visualización de la información
Data Mining ó Minería de Datos, etc.
La información necesaria para mantener el control sobre los datos se almacena en los metadatos técnicos (cuando describen las características físicas de los datos) y de negocio (cuando describen cómo se usan esos datos). Dichos metadatos deberán ser accesibles por los usuarios finales que permitirán en todo momento tanto al usuario, como al administrador que deberá además tener la facultad de modificarlos según varíen las necesidades de información.
Con la finalización de esta fase se obtendrá un Data Warehouse disponible para su uso por parte de los usuarios finales y el departamento de informática.
Revisión La construcción del Data Warehouse no finaliza con la implantación del mismo, sino que es una tarea iterativa en la que se trata de incrementar su alcance aprendiendo de las experiencias anteriores. Después de implantarse, debería realizarse una revisión del Data Warehouse planteando preguntas que permitan, después de los seis o nueve meses posteriores a su puesta en marcha, definir cuáles serían los aspectos a mejorar o potenciar en función de la utilización que se haga del nuevo sistema.
Diseño de la estructura de cursos de formación Con la información obtenida de reuniones con los distintos usuarios se diseñarán una serie de cursos a medida, que tendrán como objetivo el proporcionar la formación estadística necesaria para el mejor aprovechamiento de la funcionalidad incluida en la aplicación. Se realizarán prácticas sobre el desarrollo realizado, las cuales permitirán fijar los conceptos adquiridos y servirán como formación a los usuarios.
Modelos de DW:
El data warehouse está elaborado en base al Modelo Multidimensional. La estructura básica del DW consta de dos elementos Tablas y Esquemas.
Como cualquier base de datos relacional, un DW se compone de tablas. Hay dos tipos básicos de tabla.
Tablas Fact o tablas de hecho: Contienen los valores de las medidas de negocios, por ejemplo: ventas promedio en dólares, número de unidades vendidas, etc.
Tablas Lock-up o tablas de dimensiones: Contienen el detalle de los valores que se encuentran asociados a la tabla Fact.
Los Esquemas son la colección de tablas en DW
Hay dos categorías básicas: Esquemas Estrellas (Star Schema) y Esquemas en Copo de Nieve (Snowflake Schema).




Esquema Estrella (Star Schema)

El esquema estrella recibe su nombre producto de la estructura que se forma cuando la tabla de hecho está rodeada de las tablas dimensionales.
Todo objeto de análisis es un hecho. Este hecho se representa en el modelo dimensional en forma de tabla de hechos. Los hechos son analizados a su vez, a través de las dimensiones o componentes (tantas como dimensiones participen en la descripción del hecho), que se representan en el modelo dimensional a partir de las tablas de dimensiones.
En el esquema estrella una sola tabla de hecho está relacionada a cada tabla de dimensión. Las tablas de dimensiones son enlazadas a la tabla de hechos mediante referencias de una llave foránea. La llave primaria de la tabla fact recibe el nombre de clave compuesta o concatenada debido a que se forma de la composición (o concatenación) de las llaves primarias de las tablas dimensionales a las que está unida. Así entonces, se distinguen dos tipos de columnas en una tabla fact: columnas fact y columnas key. Donde la columna fact es la que almacena alguna medida de negocio y una columna key forma parte de la clave compuesta de la tabla.
Los hechos tienen columnas de datos denominadas métricas y las dimensiones tienen columnas que representan los niveles de jerarquías.

Ejemplo:
Tenemos Ventas y sus dimensiones: Tiempo, Localización y Producto. Alguna métrica de ventas seria número de unidades vendidas y valor de la venta. En cuanto a los niveles de jerarquía de las dimensiones encontraríamos para la dimensión Tiempo día, semana y mes, para la localización tendríamos almacén, población, provincia, para la dimensión Producto encontraríamos producto, familia, departamento.
Las métricas son indicadores que nos permiten cuantificar los hechos y siempre hay que intentar buscar métricas que sean aditivas. Una métrica es aditiva cuando es sumarizable por todas sus dimensiones. Otro ejemplo: Una fábrica tiene 50 unidades en el almacén en Enero. En Febrero tiene 30 y en Marzo 10. Esta métrica no es sumarizable, ya que 50+30+10 no da el inventario final del trimestre. Esto suele pasar bastante con la dimensión TIEMPO.













Esquemas en Copo de Nieve (Snowflake Schema)

Esquema en copo de nieve (bola de nieve) es una variedad más compleja del esquema estrella. El afinamiento está orientado a facilitar mantenimiento de dimensiones.
Lo que distingue a la arquitectura en copo de nieve de la esquema estrella, es que las tablas de dimensiones en este modelo representan relaciones normalizadas (3NF) y forman parte de un modelo relacional
de base de datos
Con varios usos del esquema en bola de nieve, el más común es cuando las tablas de dimensiones están muy grandes o muy complejas y es muy difícil representar los datos en esquema estrella
Por ejemplo, si una tabla dimensional de los clientes (CUSTOMERS) contiene un millón de filas, sería una idea buena crear una tabla con grupos de clientes (CUSTOMER_GROUPS) y mover los datos comunes para cada grupo de clientes a esta tabla. El tamaño de estas dos tablas será mucho menor que de una tabla no normalizada con todos los datos de clientes
El problema es que para extraer datos de las tablas en esquema de copo de nieve, a veces hay que vincular muchas tablas en las sentencias SQL que puede llegar a ser muy complejo y difícil para mantener.


Modelo Data warehouse: Supermercado


Análisis
EL data warehouse descrito anteriormente es el de un supermercado, donde se identificaron cuatro variables importantes para su funcionamiento y análisis. La primera variable es la de los proveedores donde se debe identificar el tipo de área a la cual pertenecen los productos que suministran. Una segunda variable es la de los productos donde identificamos el tipo de productos, el área y departamento en el cual se clasifican en el supermercado, además esta variable se relaciona con la variable tiempo ya que es en esta relación que se observa el tiempo (día, mes, semestre, año) en que se tarda en vender estos productos, en la variable tiempo es donde se recopilara la información de las ventas en espacios de tiempo determinados para los distintos tipos análisis requeridos por los usuarios, como por ejemplo se puede mencionar: que productos son los que más se venden, en que sucursal hay mas ventas, etc. Finalmente la variable sucursal donde identificamos desde donde se encuentra la sucursal numero uno a las sucursales a nivel país, y se relaciona con las demás variables ya que es aquí donde observamos el tiempo de venta de los productos, que productos fueron los más vendidos en una sucursal y a cuales se les debe potenciar más, a que proveedor se debe fortalecer, entre otros.

Conclusión
Las organizaciones están comprendiendo que para ser competitivas necesitan administrar la información de manera eficaz y eficiente al igual que cualquier otro recurso. En este sentido, se debe comprender que la producción, distribución, seguridad, almacenamiento y recuperación de toda la información en la organización implica ciertos costos.
En la actualidad no sólo basta poseer, organizar y utilizar la información en función de las operaciones regulares de la empresa, se debe gestionar la información de manera tal que permita diferenciarse de la competencia, en consecuencia el uso y la implementación adecuada de los sistemas de información son fuentes de ventajas competitivas. Por consiguiente aquellos programas que ayuden y soporten la toma de decisiones a un nivel más estratégicos desempeñan roles críticos en la organización, ejemplos de estos programas son: CMI, DSS, EIS, ERP, CMR.