lunes, 12 de enero de 2015

Problema de Inventarios - Data Mining con SQL Server 2014


Hola, hola gente:

Retomando el blog, después de mucho tiempo, en este caso para tratar un problema típico en las organizaciones que se dedican a la comercialización de productos, producción entre otros y que tienen inconvenientes comunes como: Qué comprar?, Cuándo comprar?, Dónde comprar?. Al final pueden ver el video de implementación: http://youtu.be/FWfRjkaiiwM . Bien empecemos!!!

MINERÍA DE DATOS CON SQL SERVER: 
PROBLEMA DE INVENTARIOS.

ENUNCIADO DEL PROBLEMA
¿Cómo hacer para que los clientes siempre encuentren los productos que requieran adquirir Y NO VAYAN A LA COMPETENCIA?
¿Cómo evitar tener inversiones “muertas” en nuestros almacenes como consecuencia de stocks con poca rotación ?

Veamos el Grafico 01 que compara los stocks que oferta una organización –línea azul-, contra la demanda que los clientes realizan cada vez que quieren adquirir productos.



En el Gráfico 02, observe momentos – ver períodos 3 al 4, 8 y 11 con color rojo - donde los clientes demandan más productos y la empresa no puede atender: stock insuficiente, se han perdido ventas. ¿Qué haría Ud. como cliente, si necesita adquirir el producto?; lo más probable se irá a la competencia...!!
En el Gráfico 03, observe que en algunos momentos se tiene stock, en cantidades mayores a la demanda de los clientes – ver color celeste, en períodos 2, 6, 7 y 10 -. ¿Qué haría Ud. como responsable de Finanzas? Si necesita adquirir otros productos demandados y no tiene liquidez..



Qué hacer frente a una demanda insatisfecha de clientes, con riesgo de que vayan a la competencia?  y

Qué hacer para evitar una sobre Oferta de stock de productos, con inversiones sin movimiento?

En muchas organizaciones el futuro del conocimiento de los clientes es una función crítica que recae en expertos de marketing y de finanzas usando para ello técnicas tradicionales de series de tiempo para extrapolar [1] datos históricos acumulados.
El siguiente documento pretende presentar una nueva alternativa basada en el análisis de series de tiempo incorporando la Minería de Datos como herramienta de pronóstico.



El pronóstico está representado por valores continuos en el tiempo. Por ejemplo la venta de productos.

Se puede predecir tendencias basadas en datos históricos.
Siguiendo la metodología propuesta por CRISP-DM  [2]  desarrollaremos algunos puntos importantes de ella.
COMPRENDIENDO EL NEGOCIO

Objetivos del Negocio

1. Cumplir con la demanda que los clientes realizan oportunamente.
2. Adquirir productos en cantidades suficientes, evitando

Analizando Situación

Se tiene un catálogo de 10,000 productos aproximadamente de los cuales el 12% concentra el 58% de las ventas.
1.       Se considera los últimos 36 meses de movimiento.
2.       Se toman 4 sucursales.

Objetivos del Minado de Datos

1.       Crear un modelo de pronóstico para determinar las cantidades necesarias a adquirir.
2.       Preparar un modelo de pronóstico para determinar en qué momento comprar y en que parte de la organización comprar.























COMPRENDIENDO DATOS
Recolección de Datos
Se consideran las siguientes:
·         Registro de Ventas (de cualquier tipo : presenciales, delivery, web):
Se incluyen datos como fechas, cantidades, productos comercializados, lugares donde se realizan las ventas, entre otros
·         Datos de productos:
Son los que están presentes en las ventas
·         Datos de Unidades de Negocio:
Son importantes, servirán para conocer con exactitud los lugares y demandas respectivas.

Descripción de los Datos

Podemos mencionar:
·         Cantidad de Datos:  
o   Productos: alrededor de 10 mil ítems  ( se necesitarán datos del producto y marca)
o   Detadoc: el análisis inicial incluye una de las unidades de negocio y se pueden observar alrededor de 250,00 registros  ( se necesitará conocer las cantidades y montos vendidos por producto)
o   Documento: incluye un promedio de 60 mil ventas ( se necesita conocer el momento de la venta: fecha)
o   Tienda: almacena información de las unidades de negocio y se pueden observar 8 (se necesita conocer los nombres y ubicación de cada unidades de negocio)

·         Tipos de Valores:
Los tipos de datos son variados, tal como podemos apreciar en el siguiente diagrama


·  Esquemas de Codificación:
En la tabla documento se maneja un campo estado, que contiene los códigos: C, A, P

PREPARANDO DATOS

Selección de Datos

Se consideran los siguientes datos relevantes,
·        *  Los períodos de tiempo se obtienen con la siguiente orden:

  select DISTINCT convert(char(6), fecha, 112 ) AS Periodo 
  from DOCUMENTO order by 1

  Tenga precaución que el dato del periodo , al momento de aplicar el Algoritmo debe ser un valor numérico, de momento va como CHAR,  el valor devuelto con CONVERT –formato 112- es año y mes

200906
200907
200908
*   ·    Lista de productos vendidos

SELECT dd.Producto, SUM(dd.Cantidad * dd.PrecUnit ) As Total,
sum(dd.cantidad) As Cantidad
FROM detadoc dd INNER JOIN DOCUMENTO d ON d.documento = d.Documento AND d.TipoDoc =dd.TipoDoc
WHERE d.Cliente IS NOT NULL
GROUP BY dd.Producto

*  Datos de ventas de productos con Tienda:

SELECT D.IdTienda+ '-'+ dd.Producto AS TiendaProducto, convert(char(6), fecha, 112 ) as Periodo, dd.Producto, SUM(dd.Cantidad * dd.PrecUnit ) As Total,
sum(dd.cantidad) As Cantidad
FROM detadoc dd INNER JOIN DOCUMENTO d ON d.documento = d.Documento AND d.TipoDoc =dd.TipoDoc
WHERE d.Cliente IS NOT NULL
GROUP BY D.idtienda, dd.Producto,convert(char(6), fecha, 112 )

Construir Datos

Preparar las condiciones respectivas
SELECT D.IdTienda+ '-'+ dd.Producto AS TiendaProducto, convert(char(6), fecha, 112 ) as Periodo,
dd.Producto, SUM(dd.Cantidad * dd.PrecUnit ) As Total,
sum(dd.cantidad) As Cantidad, dd.Producto
FROM detadoc dd INNER JOIN DOCUMENTO d ON d.documento = d.Documento AND d.TipoDoc =dd.TipoDoc
WHERE d.Cliente IS NOT NULL AND d.Estado <> 'A'
GROUP BY D.idtienda, dd.Producto,convert(char(6), fecha, 112 )

Note que se están excluyendo los que tienen Estado (A) que son las ventas anuladas.

MODELANDO DATOS

Nos apoyaremos en los Servicios de Analysis Multidimensionales y Data Mining del SQL Server 2014, por medio del SQL Data Tools, Veamos a continuación el Video respectivo



EVALUANDO DATOS

Es una labor desarrollada por el especialista en nuestro caso le estamos dando la posibilidad de analizar la información en 12 períodos siguiente. Verificar última parte del video.


En nuestra siguiente entrega, veremos como analizar los resultados a partir de una aplicación en .NET

Hasta la próxima..!!

viernes, 1 de mayo de 2009

Caso de Estudio - Inteligencia de Negocios

Hola muchachos:
Despues de algunos meses hoy empezamos el desarrollo de un caso de estudio, partiendo de la problematica que enfrentan las organizaciones.
La problemática en una organización no solo significa que la organización tenga pérdidas, como en los escenarios siguientes:
• Porque las ventas están cayendo?• Que productos no se están comprando en esta época del año?• Porque la recaudación ha disminuido?• Porque los clientes manifiestan un nivel de insatisfacción creciente?
Sino que un problema puede significar como seguir avanzando, cumplidas sus metas impuestas, como en los escenarios siguientes
• Como crecer el 20% en el siguiente año?
• Cuál de las promociones son las más efectivas ?
• Que clientes adquirirán un producto que se va a lanzar a ventas?
• Como direccionar el marketing a los clientes ?
A continuación proponemos la siguiente solución de inteligencia de negocios que brindará el caso de estudio ha desarrollar:


Se puede apreciar 4 bloques:

Fuentes de Datos
A partir de las cuales se obtendrán los diferentes tipos de información. Debemos resaltar que la solución a proponer partirá de la BD Transaccional (recordar que es la BD donde se registra las transacciones y operaciones diarias).

• La BD transaccional permite generar:
o Indicadores de Gestión,
o Patrones de Comportamiento
o Reportes de Producción.
• El Data WareHouse/DataMart permite generar:
o Patrones de comportamiento principalmente.Su importancia mayor radica en servir de fuente como soporte para los cubos OLAP.
• Cubos OLAP permite generar:
o Indicadores de Gestión,
o Patrones de Comportamiento
o Análisis Dinámico (es su fortaleza!)

Tipos de Información
De acuerdo a la problemática expuesta nuestra propuesta incluirá:

• Indicadores de gestión (por ejemplo indicador de ventas, indicador de recaudación, etc).

• Patrones de comportamiento (por ejemplo: como predecir que clientes nos compraran tal producto, a fin de mandarle un catalogo personalizado).

• Analisis Dinamico (por ejemplo al tratar de responder al Indicador de Morosidad, si los poblemas son los clientes, sectoristas, tiempo, organización o un grupo o combinación de ellos).

• Reportes de Produccion (por ejemplo aplicando el principio de pareto, cuando queremos obtener el detalle de clientes morosos)

Tipos de Sistemas de Informacion Click para Ver detalles

Continuaremos en el siguiente articulo, y agradeciéndoles como siempre sus comentarios y sugerencias

Saludos

rimenri

sábado, 10 de enero de 2009

Empezando un Nuevo Año - BI Inteligencia de Negocios

Hola a todos!


Despues de algunos meses retornando al placer de poder compartir algo que nos apasiona cada vez más como es BI Inteligencia de Negocios.

Sirva este primer articulo del 2009 para extender mi agradecimiento personal a todos los lugares -Chimbote, Huaraz, Cajamarca, Tarapoto, Piura, Cusco y por supuesto nuestro querido Trujillo - donde tuvimos la posibilidad de intercambiar conocimiento y hacerles extensivos la Metodologia BI/DW->T tanto en universidades como empresas.


Esta es la lista de lugares, cursos y capacitaciones donde estuve en el 2008:



Estoy activando algunos links que estaban en mal funcionamiento y poniendo nuevos videos, asi mismo empezaremos el desarrollo de la metodologia propuesta.


Saludos a todos!

Ricardo

domingo, 15 de junio de 2008

Kimball, Cognos, rimenri: ROADMAP BI/DW

A continuación, presento una metodología para desarrollar una solución de Inteligencia de Negocios y Data WareHouse , el cual como comentabamos en articulos anteriores sintetiza el estudio del Experto en Construccion de Data WareHouse: Ralph Kimball, la propuesta de COGNOS uno de los lideres de soluciones en Inteligencia de Negocios y la experiencia personal de este servidor. Esta metodologia la resumimos en el siguiente ROAD MAP BI/DW





Como se puede apreciar, se proponen 5 fases:



--> Planeamiento

--> Requerimientos y Análisis del Negocio

--> Diseño

--> Construcción

--> Implementación




Parte de ella ha sido extraida de mi tesis de maestria próxima a sustentar. A continución tenemos los puntos que desarrollaremos por cada fase:

Estos puntos los desarrollaremos con casos aplicativos.

Asi mismo para los amantes de codigo, me gustaria proponerles: como leer los proyectos OLAP de un Servidor OLAP de SQL Server y ponerlos en una interfaz, usando Visual Studio .NET














martes, 29 de abril de 2008

Data Mining. Minería de Datos

Introducción
En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining (DM) como una posibilidad de creación de conocimiento en las organizaciones. Luego de esto entraremos de lleno al desarrollo metodológico de nuestra solución de inteligencia de negocios.

Panorama Actual

"Segmentamos a nuestros clientes usando Data Mining..", "Data Mining incrementa la satisfacción de nuestros clientes..", "Nuestros competidores están usando DM para incrementar su cuota de mercado, necesitamos levantarnos! ..". Son algunos de los comentarios en las organizaciones que se pueden percibir.

Pero qué es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM ?
Qué es Data Mining?

Data Mining constituye un miembro clave del Business Intelligence (BI) y permite analizar datos, hallando patrones escondidos, de manera automática o semi-automatica. En lo que va del tiempo muchas empresas han acumulado una gran cantidad de datos en sus bases de datos, el resultado de esta colección de datos es que las organizaciones tienen “datos ricos” pero “pobre conocimiento”.

El propósito principal del DM es extraer de los datos patrones, incrementar su valor intrínseco y transformar la data en conocimiento.

Imagine los datos de una tabla relacional, como se muestran en la fig. 1 conteniendo información de clientes.


Una de las metas a encontrar podría ser: ¿A qué cliente o grupo de clientes le puedo dar un préstamo con un nivel de riesgo Bueno?

Podríamos escribir una consulta para buscar cuantos con tipo de Empleo dependiente hay y cuantos no. El impacto de la edad seria otra variable a tener en cuenta o tal vez en función a su nivel de ingresos o deuda que tenía y seguramente tendríamos que escribir miles de consultas cuando queramos combinarlas algunas o todas a la vez, imagine si existiera mas columnas a usar y algunas columnas sean valores numéricos como los ingresos mensuales de un cliente.

En contraste el DM hace un acercamiento más simple ha esta pregunta. Todo lo que tiene que hacer es seleccionar el Algoritmo correcto de DM y especificar el uso las columnas a usar, el significado de las columnas de entrada y las columnas predictivas. En el caso anterior las columnas: edad, ingresos, tipo de empleo, nivel de deuda serian las de entrada. La columna Riesgo Crédito seria la columna predictiva. Un modelo de decisión de árbol podría ayudarnos a responder esa preguntar,

El algoritmo revisa la data y analiza el impacto de cada atributo ingresado (2)
Volvamos a la pregunta original ¿A qué cliente o grupo de clientes le puedo dar un préstamo con un nivel de riesgo Bueno?

Se imagina llegar a la respuesta de: los clientes con tipo de empleado Dependiente que tengan un nivel de deuda bajo y que tengan más de 40 años son los que representan menos riesgo de deuda.

El DM proporciona un enorme valor a las organizaciones. En estos tiempos el DM puede implementarse con más transparencia:
· Gran cantidad de data disponible: las organizaciones llegaron a implementar sistemas transaccionales (ventas, almacenes, producción, personal, contabilidad, etc) y estos en el tiempo han ido almacenando información aunado a la baja de los costos de almacenamiento han acumulado grandes volúmenes de datos.
· Alto nivel de competencia: la competencia actualmente es alta como resultado de marketing moderno y canales de distribución como internet y comunicaciones, así como la participación de corporaciones nacionales y extranjeras en el mercado. En este 2008 en nuestra ciudad Trujillo estamos siendo testigos de la aparición de 2 malls con una infraestructura bastante atractiva para los clientes, por mencionar un ejemplo de competencia.
· Tecnología Lista: el DM anteriormente era mayormente una solución de laboratorio, ahora ya es una tecnología madura y está lista para ser aplicada en las organizaciones. Los algoritmos y el equipamiento existente son más eficientes para trabajar con data complicada si fuera el caso. Las API del DM están estandarizándose cada vez mas amplitud y esto permite a los desarrolladores construir aplicaciones

Realidad! (3)
Hace poco conversaba con un Gerente de una empresa comercializadora regional, de gran presencia en el mercado, y me comentaba entre otras cosas que, sino contara con un sistema de información, no podría estar competido con estas corporaciones – cuenta con gran cantidad de datos y competencia de primera- y que justo había invertido en un servidor con una configuración de primera –Tecnología Lista - .

Piense la ventaja de conocer la información que descubriría un DM

· Imagine un retail en donde identifique los grupos de clientes que adquieren ciertos grupos de productos.

· En un casino de juegos las personas mayores de 55 de género femenino que permanecen 20 minutos “jugando” prefieren ciertos juegos rentables.

· Conocer que clientes son los que continuamente cambian de operador. En algunos países la inversión de un operador telefónica por cliente representa un promedio de 200 dólares, de ahí la importancia de retenerlo

· Conocer el perfil de los clientes que constantemente realizan reclamos en una empresa de servicios.

· Tener la posibilidad de plantear un conjunto de promociones a un determinado grupo de clientes.

· Disminuir el riesgo de proporcionar un préstamo a un solicitante en una entidad financiera.

Qué datos usa Data Mining?

Si su organización cuenta con un Data WareHouse o Data Mart, que es donde mayormente se aplica DM, donde la data ya se encuentra “limpia”. En pequeñas organizaciones es posible que no exista un Data Warehouse por lo que se podría “minar” directamente en las tablas transaccionales. En este sentido se recomienda tener una BD a parte con los datos necesarios y validados.

También es posible aplicarlo directamente en un Cubo OLAP, que como vimos en capítulos posteriores es una BD Multidimensional compuesta por Medidas y Dimensiones.

En general el DM busca descubrir y evaluar patrones y tendencias con miras a presentar un nuevo conocimiento de la organización.

Ciclo de un Proyecto en DM.
Seguramente se estarán preguntando cuales son los pasos para constuir un proyecto de DM, aqui van!
Paso 1: Colección de Datos
Los datos del negocio podrían estar en muchos sistemas. Para tener una idea, en Microsoft, existen cientos de Base de Datos y algo de 70 Data WareHouse (1)

Paso 2: Limpieza de Datos y Transformación
La data limpia y transformada es el insumo vital para el DM, por lo que solo considerar la data relevante.

Paso 3: Construir un Modelo
Una vez que la data está limpia y las variables a usar transformadas, podemos empezar a construir modelos comprendiendo la meta que percibe el proyecto de Data Mining para luego ejecutar el tipo de tarea de DM. La idea es entender a los analistas del negocio que conocimiento intentan descubrir. En el caso de postulantes a la universidad por ejemplo: quienes serán los que tendrán más éxito en su vida universitaria.

Esta etapa es clave, conociendo el tipo de análisis a realizar es relativamente sencillo elegir el algoritmo a aplicar. Seguramente serán varios escenarios a desarrollar.

Paso 4: Modelo Preparado
Aplicados los algoritmos necesarios con sus respectivos parámetros. La idea es evaluar e identificar el significado de los patrones encontradas y elegir el modelo a seguir.

Paso 5: Reportear
Entregar reportes de lo encontrado a los usuarios finales para su conformidad respectiva

Paso 6: Predicción
En algunos proyectos el entregar los patrones descubiertos es una media mitad del trabajo, la otra corresponde a crear modelos predictivos incorporando nuevos escenarios

Paso 7: Integración de Aplicación
Es necesario crear una aplicación para integrarla al negocio. Por ejemplo en el caso del CRM la segmentación de mercado es un tema muy aplicable con DM o en el caso de un ERP o Sistemas Desarrollados el tema de los presupuestos cobran más exactitud al aplicarse DM

Paso 8: Administración del Modelo
En el caso de que exista variación con los modelos diseñados es necesario mantenerse vigilante, lo cual obligaría a crear nuevas versiones del DM.


Hasta el próximo artículo en donde tocaremos la Planificación del Proyecto de BI/DW basado en 3 puntos:
· Documento Visión del Producto
· Equipo del Proyecto
· Cronograma del Proyecto


Bibliografia Utilizada:
(1)Data Mining con SQL Server 2005 . ZhaoHui Tang - 2005. USA

(2) Curso de Postgrado en IT-ESAN - Nov 2007. Trujillo-Perú

(3) Experiencia Personal - Abril 2008 . Trujillo-Perú

Nota: el documento completo lo puede descargar en formato .PDF en la seccion: Descargar Temas BLOG con el titulo: Data Mining (DM)

jueves, 10 de abril de 2008

Data WareHouse. Medidas y Dimensiones

Introducción
Constituyen los componentes principales y fundamentales de un DWH y más adelante nos ayudará en su desarrollo metodológico, vamos a citar un ejemplo para ir familiarizándonos, luego daremos la definición formal.

Imagine Ud que desea hacer un reporte de los Montos Vendidos y este monto asciende a 100,000, es poco probable que se presente de esta manera:

Si es una empresa comercializadora interesará analizar esos montos vendidos (medidas) por algunas variables (dimensiones) como:

Nuestro reporte podría quedar:


Este reporte tiene más utilidad los Montos Vendidos (100,000) se puede apreciar en diferentes perspectivas (dimensiones) por ejemplo en el caso del producto: Montos Vendidos por Marca o Línea, o cuanto se ha vendido a los Clientes Principales. Nótese que se puede combinar los montos vendidos de los Clientes Regulares en la Marca Ace de la Sucursal Norte.

Veamos el reporte de otra manera


Analizando el Reporte:
Note el posicionamiento de las medidas y Dimensiones
En el caso de las Dimensiones se ubican normalmente:
· Filas ( Producto )
· Columnas ( Clientes )
· Titulo – llamado filtro ( Sucursal , Tiempo )
Las medidas se ubican como intersección de filas y columnas (montos vendidos)

Definiendo Medidas y Dimensiones

Bien ahora si definiremos lo que es una Medida y lo que es una Dimensión.
Un DWH responde a la solución de un problema, algo que permite medir gestión: ¿Qué necesito ver, medir o evaluar y Cómo necesito analizarlo?

El Qué lo constituyen un sin número de cosas como; por ejemplo en el caso de un Control de Calidad: la cantidad de unidades producidas, la cantidad de unidades defectuosas, el costo de producción entre otras. Estas últimas mencionadas lo constituyen las medidas o hechos (facts en Inglés). En un Data WareHouse son llamados hechos.

Una vez identificado lo que el usuario desea medir la siguiente pregunta corresponde a Como analizará esta medida. Volviendo al Control de Calidad, las respuesta podrían corresponder a analizar la data: en un periodo de tiempo determinado, para un producto especifico.

Imagine el requerimiento: Necesito conocer las cantidades producidas mensualmente. Esto puede encajar con que muchas medidas pueden ser analizadas por varias dimensiones: Necesito conocer los costos de producción trimestralmente por cada línea de productos.

Al respecto COGNOS en sus textos: The Multidimensional Organization y The Dimensional Administrator, -que dicho sea de paso son 2 librazos! - establece una metodología para encontrar dimensiones basados en preguntas, que será temas de artículos posteriores (estas preguntas corresponden a Que, Cuando, Como , Donde, de Que Forma, Quien, etc respecto a un Proceso de Negocios o Hechos respectivos).

Las medidas: constituyen el que analizar y son numéricas y sumarizables a diferente nivel de detalle

Las Dimensiones: son perspectivas de análisis y determinan el como analizar a las dimensiones
Vamos a finalizar incluyendo una lista de muestra de medidas y dimensiones según el proceso de negocios:
Proceso de Negocios y Medidas

Ventas
->Cantidad de Pedidos
-> Comisiones
->Descuentos
->Montos Vendidos
->Cantidades Vendidas
->Devoluciones
->Valores Presupuestados

Marketing

->Unidades Vendidas
->Valores Actuales
->Valores Presupuestados

Logística

->Unidades Aceptadas
->Unidades Devueltas
->Peso
->Costo Inventario
->Montos Comprados

Producción
->Tiempo de Producción
->Capacidad Usada
->Unidades Embarcadas
->Unidades Planificadas
->Unidades Producidas
->Costos de Producción
->Horas Hombre
->Peso Ingresado
->Peso Procesado


Proceso de Negocios y Dimensiones

Ventas
->Producto
->Organización
->Tiempo
->Cliente
->Formas de Pago

Marketing
->Producto
->Organización
->Tiempo
->Segmento de Clientes
->Medios de Entrega
->Territorios

Logística
->Estado de Inventario
->Proveedores
->Materiales
->Productos
->Ubicación
->Organización
->Tiempo

Producción
->Organización
->Producto
->Procesos
->Estaciones de Trabajo

Nota: el documento completo lo puede descargar en formato .PDF en la seccion: Descargar Temas BLOG con el titulo: Medidas y Dimensiones

martes, 18 de marzo de 2008

Data WareHouse Introducción

Introduccion

Hola nuevamente. En la ultima sesión, de hace ya varios dias, hablamos de la ubicacion de un Data WareHouse (DWH) dentro de una solucion de Inteligencia de Negocios. A continuación vamos a mostrar los concepto inciales de lo que es un DWH. Asi mismo al finalizar el mismo tienen Uds la posiblidad de ver y desarrollar el Lab 01 de como poder construir un cubo en SQL Server 2005.

Conceptos Iniciales de un Data WareHouse


SlideShare Link

Laboratorio
El requisito previo es tener la BD AdventureWorkDW en el SQL Server. Si no la tienes puedes descargarlo en la seccion Descargas Favoritas.

Para acceder al laboratorio de COMO CREAR UN CUBO haz Click Aqui

Luego de completar el laboratorio anterior puedes desarrollar el siguiente laboratorio CREANDO UNA INTERFAZ DE SOPORTE DE DECISIONES CON EXCEL 2007 a partir de un cubo, para ello Clic Aqui

Próxima Tema

Empezaremos desarrollando la Metodologia de Kimball, mediante un Caso de Estudio Práctico, que me lo han venido solicitando mas de uno.