CONSOLIDACION DE INDICADORES INSTITUCIONALES UTILIZANDO BODEGA DE DATOS

Alveiro Alonso Rosado Gomez

Resumen


Las instituciones de educación superior en Colombia, deben reportar sus indicadores de desempeño a diferentes entidades estatales de vigilancia y control; esta obligación produce que las universidades tengan que almacenar y gestionar la información que producen y que es debe ser reportada. Generalmente los procesos administrativos y académicos, van acompañados de un sistema de información que está alineado con las necesidades de los usuarios finales y permiten tener los datos actualizados y disponibles, para ser consultados en cualquier momento y responder preguntas de un proceso en específico. Esta clase de sistemas dificulta el análisis estratégico de la información para la toma de decisiones, al carecer de consolidación de datos con otras fuentes que permitan evaluar los resultados organizacionales, desde diferentes puntos de vista. Esta investigación muestra la aplicación de la inteligencia de negocios en la construcción de una bodega de datos que integre la información institucional que se reporta y soporte la toma decisiones de la Universidad Francisco de Paula Santander Ocaña.

Texto completo:

PDF

Referencias


Anjana Gosain, H. (2015). Literature Review of Data Model Quality Metrics of Data Warehouse. International Conference on Computer, Communication and Convergence (ICCC 2015) (págs. 236-243). Bhubaneswar: Procedia Computer Science 48.

Bustamante, A., Galvis, E., & Gómez, L. (2012). Técnicas De Modelado Para Procesos de Extración Transformación y Carga: una Revisión Crítica. EATIS'12 (págs. 23-25). Valencia: ACM.

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (Agosto de 2000). CRISP-DM 1.0 Step-by-step data mining guide.

Curto Díaz, J. (2010). Introducción al Business Intelligence. Barcelona: Editorial UOC.

Hernandez Orallo, J., Ramirez Quintana, M. J., & Ramirez Ferri, C. (2004). Introducción a la Mineria de Datos. Madrid: Pearson Educación S.A.

Hribar, I. (2010). Overview of Business Intelligence Maturity Models. Management, 47-67.

Inmon, B., & Krishnan, K. (2011). Building the Unstructured Data Warehouse: Architecture, Analysis, and Design. Nueva Jersey: Technics Publications.

Jarke, M., Lenzerini, M., Vassiliou, Y., & Vassiliadis, P. (2013). Fundamentals of Data Warehouses. Berlin: Springer Science & Business Media.

Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Indianapolis: John Wiley & Sons, Inc.

Lopez, F. (2011). Indicadores de Gestión. Bogotá: INCONTEC.

MEN. (2012). Publicaciones Educación Superior. Obtenido de Ministerio de Educación Nacional: http://www.mineducacion.gov.co/1621/articles-293647_archivo_pdf_plansectorial.pdf

Piatetsky, G. (2007). Data Mining / Analytic Tools Used Poll. Recuperado el 20 de Agosto de 2015, de http://www.kdnuggets.com/polls/2007/data_mining_methodology.htm

Rodríguez Rodríguez, J. E. (2010). Fundamentos de minería de datos (Primera edición ed.). (U. D. Caldas, Ed.) Bogota, Colombia: Universidad Distrital Francisco José de Caldas.

Rosado, A., & Rico, D. (2010). Inteligencia de negocios: Estado del arte. Scientia et Technica, 321-326.

Serrano, R. (2003). Introducción al análisis de datos experimentales: tratamiento de datos en bioensayos. Castellón de la Plana: Publicacions de la Universitat Jaume I.

Sharma, N., Bajpai, A., & Litoriya, R. (Mayo de 2012). Comparison the various clustering algorithms of weka. International Journal of Emerging Technology and Advanced Engineering, 2(5), 73-80.

Silvers, F. (2008). Building and Maintaining a Data Warehouse. Boca Raton: CRC Press.

Simitsisa, A., & Vassiliadis, P. (2008). A method for the mapping of conceptual designs to logical blueprints for ETL processes. Decision Support Systems, 22-40.


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2019 Revista Ingenio Universidad Francisco de Paula Santander Ocaña