Metodo De Estudio

CASO PRÁCTICO: Argosy Gaming Co.

Cuando se tiene media docena de operaciones de barcos de apuestas, es importante que todo el mundo juegue con las mismas reglas. Argosy Gaming Co. (www.argosyalton.com , www.pngaming.com), con oficinas centrales en Alton, Illinois, y con una flota de seis barcos casinos en Mississippi, decidió que reunir todos los datos de los clientes aumentaría la visión dela administración acerca de las operaciones, y ayudaría potencialmente a fortalecer las relaciones con los clientes. Sin embargo, para lograr estos objetivos, la empresa debía tener acceso a una variedad de bases de datos y tendría que desarrollar un sistema de extracción, transformación y carga (ETL, siglas del término Extract, Transform, and Load) que le permitiera construir y mantener un almacéncentral de datos.
Jason Fortenberry, un analista de almacenes de datos, subió a bordo de Argosy en el año 2001, justo cuando comenzó el proyecto del almacén de datos de la empresa. Su trabajo se hizo más fácil, afirma, por la adopción de la herramienta de software ETL Genio de Hummingbird Ltd., la cual ayudó a establecer un puente entre los sistemas y los procesos automatizados. Pero como otrosque pasaron por proyectos de ese tipo, aprendió de forma difícil que prepararse para el proceso de extracción, transformación y carga, es tan importante como tener el software correcto.
Cada barco tenía formas únicas e incompatibles de definir un sinnúmero de actividades operativas y características de los clientes: en esencia, los casinos flotantes jugaban el mismo juego pero con reglasdiferentes. Pero esos problemas permanecieron ocultos hasta que los reportes llegados del almacén de datos de la empresa comenzaron a presentar datos inconsistentes o problemáticos. Ahí fue cuando Fortenberry y su personal descubrieron definiciones en conflicto para un amplio rango de tipos de datos, problemas que desearía haber identificado mucho antes. Los problemas de Fortenberry, y sus éxitos, sontípicos del proceso de extracción, transformación y carga, el preludio complejo y, con frecuencia, costoso que antecede al éxito de los almacenes de datos.
A menudo, el sistema ETL es problemático debido a su inherente complejidad y a los retos implícitos de negocio, tales como asegurarse de que se planea de manera adecuada y que se tienen datos de calidad para procesar. Analistas, usuarios, eincluso proveedores, dicen que todas las apuestas están perdidas si no se tiene un entendimiento claro de los recursos de datos con los que se cuenta y de lo que se quiere lograr con ellos. Luego existen decisiones, como la de optar por una arquitectura centralizada, la configuración más sencilla y más común, o por un sistema distribuido, con el procesamiento de extracción, transformación y cargadistribuido entre diversas herramientas de software, utilerías de sistema y bases de datos destino, lo cual a veces es una necesidad en los almacenes de datos más grandes y complicados. Incluso si navega con éxito en esas aguas, todavía habrá que asegurarse de que la base de la extracción, transformación y carga que se construya para su almacén de datos, pueda satisfacer los crecientes flujos de datos ylas futuras demandas de información.
Como el término indica, la extracción, transformación y carga implica extraer la información de diversas fuentes, transformarla (por lo general, la parte más difícil) y cargarla en el almacén de datos. Una transformación podría ser tan sencilla como reordenar los campos de un registro desde un sistema origen. Pero como explica Philip Russom, analista de GigaInformation Group, un almacén de datos a menudo contiene valores y estructuras de datos que nunca existieron en un sistema origen. Dado que muchas de las preguntas analíticas que un usuario de negocio haría a un almacén de datos pueden contestarse sólo con valores calculados (como promedios, clasificaciones o métricas), la herramienta de extracción, transformación y carga debe calcularlos a...