Zerpa et al.,Datan a rt bas ad o e ne lm odel oest r el l apar a l aimplementac ió ndei ndica d ore s  
DATAMART BASADO EN EL MODELO ESTRELLA PARA  
LA IMPLEMENTACIÓN DE INDICADORES CLAVE  
DE DESEMPEÑO COMO SALIDA DEL BIG DATA  
1
2
3
Zerpa Héctor , García Richard , Izquierdo Henry .  
hzerpa@unexpo.edu.ve, {richard.garcia.lr, hizquier}@gmail.com  
https://orcid.org/0000-0003-0499-2089, https://orcid.org/0000-0001-6894-5834,  
https://orcid.org/0000-0002-6679-8735  
Universidad Nacional Experimental Politécnica “Antonio José de Sucre”  
(UNEXPO), Puerto Ordaz, Venezuela  
Puerto Ordaz - Venezuela  
Recibido (10/06/20), Aceptado (16/06/20)  
Resumen:En un entorno de producción los procesos de toma de decisiones son importantes debido  
a los impactos que estos generan sobre otros procesos. Para tal fin resulta conveniente acceder a la  
información almacenada en los grandes almacenes de datos a través de un modelo menos complejo,  
los Datamarts. Un Datamart permite optimizar el proceso de aprovechamiento de la información, a  
través del agrupamiento de los factores de interés que inciden sobre un hecho o hechos en particular.  
Así pues, se realizó una investigación del tipo proyectiva y estableciendo como objetivo general el  
desarrollo de un Datamart basado en el modelo estrella, orientado hacia los modelos de sistemas  
productivos agropecuarios. La optimización del proceso de extracción y visualización de los datos  
almacenados en el Datamart, fue llevada a cabo a través de la implementación de un cubo OLAP.  
Utilizando herramientas de software como SQL Server Management para el diseño de la base de  
datos, el entorno de desarrollo integrado Visual Studio para la ejecución y diseño de los procesos de  
extracción, transformación y carga de los datos, y de Power BI como herramienta de Inteligencia de  
Negocio para la generación de informes y visualizaciones dinámicas de los indicadores establecidos  
Palabras Clave: Datamart, Data warehouse, Base de Datos, Inteligencia de Negocio.  
DATAMART BASED ON THE STAR MODEL FOR  
THE IMPLEMENTATION OF KEY PERFORMANCE  
INDICATORS AS BIG DATA OUTPUT  
Abstract: In a production environment, decision-making processes are important because of the impacts  
they have on other processes. To this end, it is convenient to access the information stored in the large data  
warehouses through a less complex model, the Datamarts. A Datamart allows optimizing the process of  
informationuse,throughthegroupingofthefactorsofinterestthataffectaparticularfactorfacts.Therefore,  
a research of the projective type was carried out, establishing as a general objective the development of a  
Datamart based on the star model, oriented towards the models of agricultural production systems. The  
optimization of the extraction and visualization process of the data stored in the Datamart was carried out  
through the implementation of an OLAP cube. Using software tools such as SQL Server Management  
for the design of the database, the integrated development environment Visual Studio for the execution  
and design of the extraction, transformation and data loading processes, and Power BI as a Business  
Intelligence tool for the generation of reports and dynamic visualizations of the established indicators.  
Keywords: Datamart, Datawarehouse, Database, Business Intelligence.  
47  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al .S , aDl oa mt a ón na re tt ba al .s ,adoe nelm o de lo e s t r el lap a r a l aimpl e m e nta c i ó nd e i n d i cad o res  
I.INTRODUCCIÓN  
de las herramientas destinadas a la Inteligencia de Ne-  
En el mundo actual, las tecnologías modernas gene- gocio y que permitirán al ejecutivo visualizar de mane-  
ran un gran volumen de datos sobre todo caracterizados ra concreta y efectiva dicha información que servirá de  
por su naturaleza no estructurada. Como por ejemplo apoyo al momento de la toma de decisiones.  
los dispositivos de identificación por radiofrecuencia  
Una solución BI involucra la creación de nuevos al-  
(RFID), web logs, los vehículos, las búsquedas por in- macenes de datos (data warehouse), que son alimenta-  
ternet, las redes sociales, dispositivos GPS, entre otros. dos mediante un proceso de ETL (Extraction Transfor-  
Los sistemas transaccionales utilizados para alma- mation and Loading), de distintas fuentes de datos para  
cenar los datos e información están estructurados bási- proporcionar la información oportuna a las aplicaciones  
camente para capturar los datos y operar; pero no están BI y a los usuarios que toman decisiones. [1]  
hechos para informar, debido a que no están diseñados  
para el análisis de datos complejos.  
La estructura del presente artículo está conformada  
por el resumen, introducción, marco conceptual, resul-  
Desde el punto de vista del análisis o procesamiento tados, conclusiones, recomendaciones y referencias. El  
de la información, los datos pueden ser moldeados o resumen es una versión breve del trabajo completo. La  
probados de cualquier manera que una empresa u or- introducción menciona de manera muy resumida el pro-  
ganización considere adecuada. Con el propósito de blema, el alcance, los antecedentes, resultados y conclu-  
identificar las áreas problemáticas, de tal modo que se siones. El marco conceptual aborda los temas de interés  
puedan revertir las tendencias, realizar movimientos de tales como: inteligencia de negocios, Data warehouse,  
negocio más inteligentes o ejecutar acciones que per- Datamart y la Metodología Hefesto. En los resultados  
mitan despejar el camino hacia los objetivos plantea- se puede observar el diseño y desarrollo del almacén de  
dos. Es por ello que la implementación de una bóveda datos y la generación de informes; por último, conclu-  
de datos (Data warehouse) para la extracción de datos siones, recomendaciones y referencias.  
desde fuentes internas (bases de datos operacionales) o  
externas, transformación, consolidación, integración y II.MARCO TEÓRICO  
chequeo de la integridad de los mismos, que permitan a  
una empresa o negocio monitorear y acceder a sus datos A.Big Data  
de las actividades diarias, se convierte en una necesidad  
vital a satisfacer.  
Big Data representa los activos de información ca-  
racterizados por un volumen, velocidad y variedad tan  
El propósito de este trabajo de investigación es el altos que requieren tecnología específica y métodos  
de desarrollar una versión especial de almacén de da- analíticos para su transformación en valor [2].  
tos (Datamart) optimizada para la consulta y análisis  
Aunque el tamaño utilizado para determinar si un  
de dichos datos, orientado hacia pequeños negocios o conjunto de datos determinado se considera Big Data  
empresas que no pueden afrontar los altos costos de im- no está firmemente definido, debido a que lo que para  
plementar un sistema tan amplio de almacenamiento de una empresa determinada puede ser Big Data, para otra  
datos, como lo son los Data warehouse. Haciendo un puede no serlo, por ello, para considerarlo una solución  
particular enfoque de aplicación hacia el sector de la de esta índole se toma en cuenta que los datos presenten  
agricultura. Para posteriormente poder generar las mé- 4 características básicas: Variedad, Velocidad, Volumen  
tricas, KPI (key performance indicator) y gráficos que y Veracidad. La variedad indica que la data puede es-  
conformarán un panel de control o Dashboard, el cual tar en diferentes formatos, puede ser estructurada o no  
será creado a través de herramientas de software de In- estructurada y venir de distintas fuentes, la velocidad  
teligencia de Negocio.  
indica la rapidez con la que se generan los datos, el vo-  
La Inteligencia de Negocios (BI) es la tecnología lumen indica la cantidad que se genera y la veracidad  
que permite extraer, transformar y analizar los datos indica la certeza de los datos [3].  
para generar escenarios, informes y pronósticos que  
apoyen a la toma de decisiones, lo que se traduce en B.Inteligencia de Negocio  
una ventaja competitiva.[1]  
La Inteligencia de Negocios es la tecnología que  
La investigación desarrollada es de tipo proyectiva, permite extraer, transformar y analizar los datos para  
por ello, se lleva a cabo el diseño e implementación de generar escenarios, informes y pronósticos que apoyen  
un Data warehouse para el soporte de decisiones en em- a la toma de decisiones, lo que se traduce en una ventaja  
presas destinadas a la producción agrícola, a partir del competitiva. [1].  
cual se podrán centralizar los diferentes datos pertene-  
La Inteligencia de Negocios es un proceso y un pro-  
cientes a la empresa para su posterior análisis a través ducto. El primero compuesto de métodos que las orga-  
48  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al.,Datan a rt bas ad o e ne lm odel oest r el l apar a l aimplementac ió ndei ndica d ore s  
nizaciones usan para desarrollar información aplicable  
o inteligencia de negocios, que les permita a las organi-  
zaciones salir adelante en un mundo muy competitivo  
y globalizado. Como producto es información que les  
permitirá a las organizaciones predecir el comporta-  
miento de competidores, proveedores, clientes, tecno-  
logías, adquisiciones, mercados, productos y servicios  
y el comportamiento en general del ambiente de nego-  
cios, con un cierto grado de precisión [4].  
C.Data Warehouse y DataMart  
Figura 1. Esquema en estrella.  
En su definición, Inmon establecía que un Data Wa- Fuente: Tomado de [8]  
rehouse es una colección de datos orientados a temas,  
integrados, volátiles y variante en el tiempo, organiza-  
dos para soportar necesidades empresariales [5].  
Las tablas de dimensiones representan cada uno de  
los ejes en un espacio multidimensional. La tabla de he-  
Según la referencia [6] un Datamart se define como chos constituye el objeto a analizar, poseen atributos de  
una especializada fuente para almacenar datos, siempre hechos que son del tipo cuantitativo cuyos valores se  
orientada a un área específica, volátil y que varía en el obtienen por aplicación de alguna función estadística  
tiempo.  
que resumen un conjunto de valores en un único valor.  
La arquitectura de un DataMart y/o Data Warehouse  
se basa en un modelo de datos llamado modelo multidi-  
D.Cubo OLAP  
Un cubo OLAP es un vector multidimensional, On- mensional. Los almacenes de datos posibilitan una vi-  
Line Analytical Processing o procesamiento Analítico sión multidimensional de enormes cantidades de datos  
en Línea, término acuñado por Edgar Frank Codd, es históricos provenientes de fuentes operacionales, sumi-  
una base de datos multidimensional, en la cual el alma- nistrando la información necesaria para el apoyo a los  
cenamiento físico de los datos se realiza en un vector procesos de toma de decisiones de una organización [8].  
multidimensional.[7]  
Por último, se define el proceso ETL (por sus siglas  
en inglés Extraction, Transformation and Load), el cual  
permite realizar la migración de datos desde múltiples  
E.Metodología HEFESTO  
La metodología HEFESTO, permite la construcción fuentes, reformatearlos, limpiarlos, y cargarlos en otra  
de Data Warehouse o Datamart de forma sencilla, orde- base de datos, como es el caso de un DataMart, o Data  
nada e intuitiva. Como se puede apreciar a continuación, Warehouse para analizar y apoyar un proceso de nego-  
en el paso 1, se comienza recolectando las necesidades cio.  
de información o requerimientos de los usuarios. En el  
paso 2, se obtienen las preguntas claves del negocio y III.DESARROLLO  
se identifican los indicadores resultantes de los interro-  
Para dar inicio al proceso de diseño del almacén de  
gativos y sus respectivas perspectivas o dimensiones datos principal, fue necesario la creación de un mode-  
de análisis, mediante las cuales se construirá el modelo lo adicional en representación del sistema transaccio-  
conceptual de datos del Data Warehouse.  
nal. El modelo de base de datos relacional identificado  
A continuación, se procede a realizar el modelo lógi- como Finca, diseñado a partir de los requerimientos se-  
co del Datamart bajo el esquema estrella, copo de nieve leccionados por el investigador, fue necesario para efec-  
o constelación. Se definirá la tabla de hechos la cual es tos de realizar las pruebas del diseño e implementación  
la tabla central de un esquema dimensional, para luego del Datamart. Es conveniente aclarar que el modelo de  
efectuar sus respectivas uniones.  
base de datos relacional, es sólo una parte del modelo  
El esquema estrella utilizado en la investigación, a desarrollar para estudiar los datos en una cadena de  
está formado por una tabla de hechos principal Hechos, valor del sector de producción agrícola.  
dicha tabla yace en el centro del modelo y está relacio-  
nada con sus respectivas tablas de dimensiones, como Diseño del Data Warehouse/Datamart.  
se muestra en la figura 1.  
Paso 1: Análisis de requerimientos.  
A partir de un proceso de investigación y búsque-  
da de información en informes proporcionados por la  
49  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al .S , aDl oa mt a ón na re tt ba al .s ,adoe nelm o de lo e s t r el lap a r a l aimpl e m e nta c i ó nd e i n d i cad o res  
FAO se procedió a identificar las variables o aspectos rehouse.  
relevantes para dar una representación a un modelo de Fuente: Elaboración propia.  
datos aproximado en el área de producción agrícola:  
Paso 3: Modelo lógico del Data warehouse/Data-  
mart.  
-
-
-
-
Las entidades presentes.  
Las relaciones existentes entre ellas.  
Nivel de relevancia para cada entidad seleccionada. Modelo conceptual.  
Capacidad de brindar respuesta a los indicadores  
Ya elaborado un modelo de datos base para la ex-  
establecidos.  
tracción de un modelo más centralizado y/o específico,  
se diseña bajo el esquema estrella el Datamart enfocado  
a albergar las medidas y perspectivas que permitirán el  
análisis sobre los indicadores.  
Paso 2: Conformar indicadores.  
Identificar indicadores y preguntas de análisis.  
Se procedió a la identificación y selección de los In-  
El modelo se rige bajo dos características: esquema  
dicadores Claves de Desempeño, correspondientes. La estrella (ver figura 1) y arquitectura (ver figura 3).  
siguiente tabla a continuación muestra la lista de indi-  
cadores.  
Tabla I. Tabla de indicadores y perspectivas.  
Indicadores Claves de Desempeño (KPI)  
Perspectivas  
Socioeconómico  
-
-
-
-
-
-
-
-
-
-
-
Representación porcentual de la cantidad por producto.  
Ganancias por producto.  
Ganancias obtenidas el mes anterior.  
Ganancias obtenidas el trimestre anterior.  
Ganancias obtenidas el año anterior.  
Tendencia de la cantidad producida.  
Tendencia de las ganancias generadas.  
Ingresos obtenidos porel tipo de fertilización empleada.  
Ingresos brutos poraño.  
Costos de producción por el tipo de fertilización empleada.  
Tasa de crecimiento (cantidad y ganancias).  
Tiempo  
Equipamiento  
Ecológico  
Figura 3. Arquitectura del diseño del Datamart.  
Fuente: Elaboración propia.  
El modelo lógico de la propuesta se elaboró a través  
del uso de la herramienta SQL Server Management Stu-  
dio (SSMS) propiedad de la empresa Microsoft. Dentro  
de la cual se establecieron las relaciones entre el grupo  
de medidas o tabla de hechos y las dimensiones asig-  
Fuente: Elaboración propia.  
El modelo conceptual ampliado está conformado nadas. La figura 4 muestra el modelo diseñado bajo los  
por el análisis realizado a las entidades seleccionadas requerimientos preestablecidos:  
para tal fin como lo muestra la figura 2. Y por las re-  
laciones establecidas entre cada una de ellas, como lo  
muestra la figura 2.  
Figura 2. Modelo conceptual ampliado del Data wa- Figura 4. Vista del Datamart diseñado.  
50  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al.,Datan a rt bas ad o e ne lm odel oest r el l apar a l aimplementac ió ndei ndica d ore s  
Fuente: elaboración propia.  
Analysis Services.  
Fuente: Elaboración propia.  
Paso 4: Proceso de extracción, transformación y car-  
ga (ETL) de la fuente de información al Data Ware-  
house.  
El diseño del proceso ETL para la base de datos tran-  
saccional, se llevó a cabo con la utilización del compo-  
nente Integration Services del entorno de desarrollo Vi-  
sual Studio. Dentro del cual se estableció como origen,  
los datos almacenados en hojas de Excel para su pos-  
terior extracción en el poblamiento de las tablas. Una  
visualización del proceso ETL diseñado para cada una  
de las tablas es mostrada en la figura 5.  
Figura 7. Vista previa del Cubo OLAP en SSMS alo-  
jado en el servidor de Analysis Services.  
Fuente: Elaboración propia.  
IV.RESULTADOS.  
Finalizada la etapa de diseño de la BD multidimen-  
sional, ya es posible la creación de las visualizaciones  
correspondientes a los indicadores y reportes confina-  
dos en un mismo entorno o cuadro de mando. Para ello,  
la herramienta de Inteligencia de Negocio, Power BI ha  
sido la empleada para el diseño de los distintos gráficos  
e informes relacionados a la información alojada en el  
Figura 5. Proceso ETL para el DW.  
Fuente: Elaboración propia.  
Diseño del cubo OLAP.  
El diseño de una última etapa para la optimización almacén de datos optimizado para la extracción y pos-  
del proceso de extracción y visualización de los datos terior consulta.  
almacenados en el Datamart, fue llevada a cabo a tra-  
La figura 8 presenta una primera entrega de uno de  
vés de la implementación de un cubo OLAP. El cual ha los dos Dashboards diseñados para tal fin:  
sido diseñado con la utilización del componente Analy-  
sis Services integrado de igual manera en el entorno de  
Visual Studio.  
Dicho proceso fue llevado a cabo a través de una  
serie de pasos intuitivos dentro de la interfaz de desa-  
rrollo (ver figura 6) para la creación de la base de datos  
multidimensional (ver figura 7).  
Figura 8. Dashboard 1.  
Fuente: Elaboración propia.  
A continuación, se presenta al detalle cada uno de  
los gráficos que componen el Dashboard 1.  
Figura 6. Interfaz de diseño del cubo OLAP en  
51  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al .S , aDl oa mt a ón na re tt ba al .s ,adoe nelm o de lo e s t r el lap a r a l aimpl e m e nta c i ó nd e i n d i cad o res  
Figura 9. Representación porcentual por producto  
y año.  
Figura 12. Cantidad total por producto.  
Fuente: Elaboración propia.  
Fuente: Elaboración propia.  
La figura 9 muestra la representación porcentual que  
El gráfico de barras mostrado en la figura 12, repre-  
ocupan los distintos productos ofrecidos por una deter- senta, de forma jerárquica, la cantidad total producida  
minada empresa para cada año registrado.  
por producto.  
Figura 13. Ingresos brutos por tipo de fertilización.  
Figura 10. Tabla comparativa entre Ingresos, Costos Fuente: Elaboración propia.  
y Ganancias.  
Fuente: Elaboración propia.  
El gráfico mostrado en la figura 13, no es más que  
una comparación de la variación de los ingresos brutos  
La tabla comparativa mostrada en la figura 10, per- debido al tipo de fertilización empleada en la produc-  
mite visualizar datos anuales de algunos de los aspectos ción de los diferentes productos.  
financieros más comunes e importantes.  
Seguidamente, la figura 14 muestra el diseño del se-  
gundo Dashboard implementado.  
Figura 11. Ganancias mensuales obtenidas por pro-  
ducto.  
Fuente: Elaboración propia.  
Figura 14. Dashboard 2.  
En la figura 11 se visualiza un gráfico de líneas que Fuente: elaboración propia.  
representan las ganancias obtenidas de forma mensual  
por cada producto comercializado.  
De una manera más detallada se muestran cada uno  
de los componentes visuales que conforman el Dash-  
board 2 a continuación.  
52  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al.,Datan a rt bas ad o e ne lm odel oest r el l apar a l aimplementac ió ndei ndica d ore s  
les (ganancias y cantidad).  
Fuente: Elaboración propia.  
La figura 17 ofrece los detalles de las tasas de creci-  
miento mensual tanto de las ganancias como de la can-  
tidad total de uno o más productos.  
V.CONCLUSIONES  
Tomando en cuenta los objetivos dados del presen-  
te trabajo y los resultados obtenidos se concluye lo si-  
guiente:  
Figura 15. Costos de producción por año y tipo de  
fertilización.  
Fuente: Elaboración propia.  
Luego de un proceso de investigación, consulta e  
interpretación de la información, se logró realizar una  
selección y agrupación de un conjunto de componentes  
o dimensiones de la entidad de estudio, de las cuales  
La figura 15 ofrece la información asociada a los se extrajo atributos relevantes para los requerimientos y  
costos de producción por año en relación al tipo de fer- objetivo general del presente trabajo.  
tilización empleada.  
De los aspectos analizados para el diseño de la base  
de datos cuya función es la de representar un Data ware-  
house dentro de un entorno agropecuario, pudo ser po-  
sible dar respuesta a una aproximación adecuada para  
el desarrollo de un almacén de datos transaccional con  
características enmarcadas bajo las entidades o tablas  
que lo conforman. Además de brindar una mejor pers-  
pectiva del cómo podría ser el modelo de datos o servir  
de guía para el diseño de un modelo más completo y  
robusto.  
El diseño del Datamart, el cual incluye las dimen-  
siones o perspectivas desde las cuales podrán ser anali-  
zadas las medidas, sirve de contenedor para la informa-  
ción de interés y además permite visualizar un extracto  
de las fuentes de datos empleado.  
Figura 16. Ingresos brutos por año y mes.  
Fuente: Elaboración propia.  
En la figura 16 se puede observar una comparativa  
de los ingresos obtenidos en cada año de producción.  
Los datos generados de forma aleatoria y que figu-  
ran como transaccionales para el poblamiento de la base  
de datos, permiten plasmar el poder de la información  
cuando esta es seleccionada y explotada para fines de  
procesos de toma de decisiones en el marco de Big  
Data. Aun cuando solamente se han considerado datos  
provenientes desde fuentes transaccionales.  
Los indicadores seleccionados como medidas del  
desempeño de la producción para cada una de las em-  
presas, permiten realizar comparaciones con respecto al  
tiempo, detectar tendencias, evaluaciones del estado ac-  
tual, históricos, etc.; los cuales cumplen con las exigen-  
cias mínimas permisibles en el marco de los procesos  
de toma de decisiones y de los esfuerzos realizados por  
la FAO para el desarrollo de indicadores.  
La solución de Inteligencia de Negocio resultó ser  
adaptable a requerimientos de distinta índole. Pudiendo  
abarcar un sector lo suficientemente amplio como para  
dar respuesta a un buen número de situaciones que re-  
Figura 17. Tabla de tasas de crecimiento porcentua- quieran de la optimización de los procesos de toma de  
53  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)  
Zerpa et al .S , aDl oa mt a ón na re tt ba al .s ,adoe nelm o de lo e s t r el lap a r a l aimpl e m e nta c i ó nd e i n d i cad o res  
decisiones, aprovechamiento de la información, genera- [3].P. Muñoz. “Desarrollo de una arquitectura de Big  
ción de reportes e informes dinámicos y del suministro Data para registros mercantiles”. Trabajo de grado,  
de datos para los sistemas de información gerencial.  
UCV, Caracas, 2016.  
Z. Jourdan, R.K. Rainer & T.E. Marshall. 2Bu-  
Se logro la implementación de estrategias durante [4].  
el diseño de KPI, obteniendo concordancia con los re- siness Intelligence: An Analysis of Literature. Infor-  
cursos de información disponibles y las medidas a es- mation System Management”, IEEE Engineering Ma-  
tablecer.  
nagement Review, vol. 25, no 2, p. 121-131, Marzo  
Se utilizaron todas las fuentes de datos relevantes 2008.  
para la organización, de tal manera que la información [5].W.H. Inmon. Building the Data Warehouse. 3ra. ed.  
almacenada en el Datamart contó con un mayor grado New York: Wiley, 2002.  
de variedad y capacidad de respuesta superior.  
[6].C. J. Date. Introducción a los sistemas de bases de  
datos. 7ma. ed. México: Pearson Educación, 2001.  
[7]Cubo OLAP. (2020, mayo 10). Wikipedia. https://  
REFERENCIAS  
[1].B. Mazon, A. Pan and R. Tinoco. Análisis de Datos es.wikipedia.org/wiki/Cubo_OLAP.  
Agropecuarios. 1ra. Ed. Ecuador: UTMACH, 2018.  
[8]B.R. Dario. Data Warehousing: Investigación y sis-  
[2].A. De Mauro, M. Greco & M. Grimaldi. “Una defi- tematización de conceptos. Hefesto: Metodología pro-  
nición formal de Big Data basada en sus características pia para la construcción de un Datawarehouse. 1ra. ed.  
esenciales. Revisión de la biblioteca”, Library Review, Cordoba: Argentina, 2010.  
vol. 65 no. 3, pp. 122-135, Abril 2016.  
RESUMEN CURRICULAR  
Héctor Ze rpa. Ingeniero de S istemas. MSc.  
Henry Izquierdo. Docente Universitario  
Informática Gerencial. Estudiante del  
Doctorado en C iencias de la Ingeniería.  
Docente – Investigador de la UNEXPO.  
Tutor de trabajos de pre y postgrado.  
con título de PhD. Docente de pregrado  
en Metodología de la Investigación  
(UNEXPO-UCV). Tutor de trabajos de  
pre y postgrado  
Richard Gracia. Estud iante del último  
semestre de Ingeniería Electrónica de la  
UNEXPO. Asistente de investigación en  
el Centro de Investigación de redes e  
informática (CIRI).  
54  
ISSN 2542-3401/ 1316-4821  
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 102 Julio 2020 (pp. 47-54)