Servicios

Nuestro equipo de expertos a su disposición

Soluciones Área Administración y Finanzas

 

 

Diariamente vemos empresas que gestionan sus procesos manualmente (planillas de cálculo) con alto riesgo operacional, consolidando información desde muchas fuentes de datos para luego generar reportes de diverso tipo de forma compleja. Si usted requiere gestionar, controlar y administrar los activos y/o la información de su empresa de forma segura, coherente y oportuna con la finalidad de aportar mayor valor a los socios y/o accionistas, cuente con nosotros. Contamos con una serie de productos y/servicios a su medida:

  • Control de Presupuesto: Plan de Ventas, Forecast, Pipeline/Oportunidades y Reportes (estáticos y dinámicos).
  • Control de Gestión: Control de Gastos, Ingresos, Rentabilidad y Reportes (estáticos y dinámicos).
  • Tesorería: Generación y listado de nóminas, generación de pagos, cuentas corrientes, conciliación bancaria, conciliación de anticipos, chequeras, etc.
  • Proveedores: Gestión de Facturas, Guías de Despacho, Ordenes de Compra, Contratos, Proveedores, Centros de Costo, etc.. Integración a su proveedor de facturación electrónica.
  • Control de Activos: Administrar el ciclo de vida de un activo de la compañía desde su adquisición hasta su obsolescencia

Si tiene un ERP y/o un sistema de Business Intelligence, nos complementamos a ellos.


Desarrollo de software a medida

Desarrollo de una solución de software diseñada especialmente y a la medida, que se adapta a sus necesidades particulares. Sea para tener una ventaja competitiva, porque no existe una solución estándar en el mercado o para apoyar una parte de su proceso; siempre manteniendo un desempeño correcto en cuanto a costo, velocidad y capacidad de atención.

Inteligencia de Negocios

Inteligencia de Negocios

Las técnicas de Inteligencia de Negocios, o más comúnmente conocida como Business Intelligence (BI), buscan acortar la brecha entre datos e información. La diferencia está en la capacidad que una organización tiene para entender la realidad en base a los datos que acumula en su operación, que pueden rondar los millones de registros según la industria y tamaño del negocio. Para poder extraer conclusiones de esta tremenda cantidad de datos podemos dar dos pasos orientados a tareas complementarias:

  • Facilitar el acceso a la lectura y revisión de los datos
  • Ayudar a los tomadores de decisión a detectar patrones en los datos
Inteligencia de Negocios
Facilidad de acceso
Los sistemas de información normalmente construidos están diseñados para manejar “transacciones”, es decir, registran cada instancia individual de un cierto proceso. Por ejemplo, un banco registra cada depósito y giro, entre otros, que se producen en cada cuenta. Esto hace que revisar una de estas transacciones en particular resulte muy rápido dado que los motores de bases de datos actuales están diseñados para permitir búsquedas optimizadas en base a varios parámetros y estructuras auxiliares, como los índices. Pero ¿qué pasa cuando quiero saber resultados acumulados en una dimensión, y compararlos con otros? Por ejemplo, supongamos que en el caso del banco queremos comparar el total de depósitos hechos en el mes de noviembre, agrupados por región, y luego con un total nacional, con los del año anterior. En términos de las consultas sobre el motor de base de datos esto se traducirá en una selección de todos los registros correspondientes a los períodos seleccionados, agrupados por región y fecha, para luego sumar el campo que guarda el depósito en cada uno de los registros para cada categorización. Si bien el motor de base de datos puede ser muy eficiente y el hardware sobre el que está funcionando muy rápido, para una cantidad de datos considerable la consulta puede seguir siendo muy lenta para satisfacer la necesidad de rapidez que un analista o tomador de decisiones requiere en una experiencia interactiva. Esto sin contar que cada consulta está imprimiendo esfuerzo sobre los sistemas de producción de la organización. Para solucionar este problema  podemos partir del hecho de que los datos que requerimos analizar, como en el ejemplo, muchas veces son datos históricos, es decir, al tratarse de transacciones pasadas no van a cambiar. Entonces podemos copiar estos datos desde la base de datos relacional de producción y pasarla a una base de datos diseñada de forma optimizada para el análisis (desnormalizada). Esta base de datos especial se conoce comúnmente como un Data Warehouse o DataMart, según si almacena el total de datos de la organización o sólo una parte de su proceso completo. Sobre este DataMart construimos una estructura adicional que es la que finalmente será consultada para el análisis, y que se conoce como un cubo OLAP. El nombre “cubo” viene del hecho de que se estructura sobre las distintas dimensiones que forman el contexto que estamos analizando, como pueden ser comúnmente el tiempo, la distribución geográfica, los productos, etc. Cada una de estas dimensiones puede tener varios niveles, como en el caso de la distribución geográfica donde podemos encontrar país-región-comuna. Este cubo almacena los datos históricos junto con los cálculos acumulados para las agregaciones según el tipo de análisis que se quiere realizar, de forma tal que al momento de realizar la consulta no se debe recorrer el total de registros y hacer la suma, sino que esta ya está hecha. Cada cruce de dimensiones puede contener varios miembros calculados de forma optimizada, como fue descrito, o con fórmulas más complejas que tomen en consideración su posición en el cubo, las dimensiones involucradas, y otros. Las consultas sobre el cubo OLAP se pueden realizar utilizando la misma interfaz con que fue construida o a través de una integración con Excel que lo haga parecer una tabla dinámica. También es posible utilizar las APIs de los motores OLAP de manera de construir aplicaciones web o de escritorio que generen consultas, en algunos casos simplificando esta tarea, estableciendo un modo gráfico y claro de arrastre de dimensiones y alternativamente reduciendo los grados de libertad según el usuario. En Miró tenemos gran experiencia en la construcción y mantención de cubos OLAP, los que hemos creado para la industria financiera y supermercados, entre otros. Los desafíos han sido normalmente manejar una gran cantidad de datos (como en el caso de la industria de los supermercados donde se almacenan todas las transacciones), y la construcción de cubos OLAP derivados de otros, como en el caso financiero donde el tipo de cambio lo armamos en un cubo auxiliar, el que luego se cruzó con el cubo con los datos en moneda local para crear un tercer cubo con los datos en dólares. Todos estos cubos los hemos construido utilizando Microsoft Analysis Services, parte de la suite de SQL Server, en múltiples versiones.
Detección de patrones
Los cubos OLAP constituyen una forma muy eficiente de analizar los datos. Hasta ese punto es responsabilidad del analista el saber qué es lo que los datos indican. Para apoyarlo en esta tarea se introduce un concepto adicional: Data Mining Pongamos por ejemplo el caso de un supermercado, donde cada compra va quedando registrada en su ERP o sistema de ventas, con el detalle de cada producto, la hora en que se compró y el cliente que realizó la compra, esto último gracias al programa de fidelización de la empresa.. Este tipo de registro permitirá acumular una enorme cantidad de entradas en una base de datos relacional, permitiendo consultar eficientemente por una compra en particular, pero no ayudan a visualizar cómo las distintas aristas del contexto bajo análisis actúan entre sí. Las tecnologías de Data Mining buscan detectar este tipo de relaciones entre las distintas dimensiones del contexto, además de permitir descubrir otras relaciones que no habían sido previstas por los analistas. Con esto se cuenta con una herramienta de apoyo que permita llamar la atención sobre estas interrelaciones, donde el analista deberá verificar si se trata de un efecto relevante sobre el análisis. Existen varios enfoques y resultados en este análisis sobre los datos. En algunos casos se desea agrupar los distintos registros según uno de los atributos que lo componen, de manera tal de detectar cuáles son los grandes grupos en que puede clasificarse el conjunto de datos. En otra aproximación se busca poder generar una estructura que prediga el valor de un parámetros en base a los demás. Un ejemplo típico son los árboles de decisión, los cuáles se generan a partir de los datos que son introducidos para el “aprendizaje” del sistema. La idea es que esta estructura constituye una caja blanca en la cuál luego puedo introducir nuevos registros y obtener una predicción de un valor. El trabajo sobre estos algoritmos considera una serie de técnicas orientadas a evitar obtener modelos que no representen correctamente el contexto sobre el que se está trabajando. Por ejemplo, se debe evitar que el modelo obtenido se ajuste demasiado al conjunto de dato de aprendizaje, de modo que no sea capaz de predecir sobre datos de otro conjunto. Para esto se debe, entre otras cosas, separar el conjunto completo de datos en uno de aprendizaje y en otro de pruebas, e ir ajustando el modelo según los resultados que se obtengan en la predicción de este último. Herramientas comúnmente utilizadas para este análisis son Microsoft SQL Server Analysis Services y el software Open Source Weka.

Consultoría especializada

Consultoría Especializada
Apoyamos su negocio en tareas que requieren conocimiento especializado gracias a la experiencia acumulada desde nuestros inicios. Manejamos temas técnicos y de gestión de variada complejidad, manteniéndonos al día en el avance de las tecnologías. Contamos con prácticas de gestión de proyectos que permiten asegurar el cumplimiento de los plazos y requerimientos de los distintos proyectos, junto con mantener la información de los artefactos relacionados de forma ordenada y asequible. Hemos generado una muy buena capacidad de diagnóstico, lo que junto al conocimiento de múltiples plataformas (que mantiene la empresa), nos permite encontrar la solución a problemas en menor tiempo. La principal ventaja de este tipo de servicio radica en que Miró actúa in situ y se ajusta a sus requerimientos, para que en el menor tiempo posible retome normalmente el desarrollo que lleva a cabo. Para ello, nuestros esfuerzos se enfocan en comprender cabalmente su negocio, así como el análisis de la situación, de manera que podamos buscar la mejor solución e implementarla.

TTBanca

advertisement