1. Introducción
El uso de la inteligencia de negocios es vital en las organizaciones, ya que nos encontramos en la era de la información o era digital, periodo que inició en 1975 y se ha caracterizado, por la recolección y transmisión casi instantánea de grandes cantidades de información y por el auge de las industrias basadas en la información.
En la actualidad la inteligencia de negocios juega un papel importante en la toma de decisiones. Forrester research indicó que solo un pequeño porcentaje de los datos de las organizaciones se convierten realmente en información útil al servicio de una mejor comprensión y toma de decisiones [1].
El propósito de este proyecto es implementar un Data Mart utilizando metodología ágil para explorar y explotar los datos utilizando la tabla de eventos o logs que utiliza la plataforma académica MOODLE, con la finalidad de medir el comportamiento de los usuarios (estudiantes y docentes), para la toma de decisiones de los directivos de la UTP.
2. Aspectos Generales
2.1 Antecedentes
Los Entornos Virtuales de Aprendizaje (EVA) conocidos también como Learning Management System (LMS), son aplicaciones que sirven de apoyo en la formación y mejoramiento continuo de los docentes y estudiantes.
Un EVA es “Un conjunto de herramientas informáticas que posibilitan la interacción didáctica de manera que el alumno pueda llevar a cabo las labores propias de la docencia como son conversar, leer documentos, realizar ejercicios, formular preguntas al docente, trabajar en equipo, entre otros” [2].
La UTP implementó la plataforma virtual Modal Object Oriented Dynamic Learning Environment (MOODLE) en el año 2001, como método alternativo de enseñanza para profesores y estudiantes, que por compromisos personales y laborales no han podido continuar con su formación universitaria o mantenerse actualizados. Esta plataforma estuvo bajo la administración del centro de investigación UTPVIRTUAL hasta el año 2010, específicamente el 10 de mayo, donde el centro de UTPVIRTUAL se convierte en el Centro de Investigación, Desarrollo e Innovación en Tecnologías de la Información y las Comunicaciones (CIDITIC). A partir del segundo semestre del año 2018, la administración de la plataforma virtual MOODLE está a cargo de la Dirección General de Innovación y Tecnología Educativa (DIGITED) [3].
MOODLE, es una plataforma virtual (son aplicaciones orientadas al internet que se utilizan para desarrollar cursos o módulos didácticos en la red internacional), de código libre, desarrollada en el lenguaje PHP (Hypertext Preprocessor- Procesador de hipertexto) basada en una determinada filosofía del aprendizaje, una forma de pensar que a menudo se denomina “pedagogía construccionista social” [4].
Características principales de la plataforma:
- Basada en la pedagogía constructivista social (colaboración, actividades, reflexión crítica, etc.).
- Fue registrado como licencia pública GPL (GNU), es decir es un software libre de uso.
- Tiene una interfaz moderna, fácil de utilizar y compatible.
- Apropiada para el 100% de clases en línea.
2.2 Caracterización de la problemática
La plataforma académica virtual MOODLE denominada E- CAMPUS de la UTP, genera una gran cantidad de datos, producto de las interacciones realizadas por los usuarios de la plataforma. Estos datos requieren ser explotados y analizados con el propósito de obtener información útil para generar conocimientos que sirvan de apoyo en la toma de decisiones.
En la actualidad el personal del Centro de Investigación CIDITIC, realiza extracciones de datos para transformarlos en información y entregar resultados para solicitudes específicas que sirven de apoyo para la toma de decisiones, pero el tiempo que se requiere para realizar este proceso no es óptimo ni oportuno, al menos se requiere de una (1) semana para realizar la entrega de la información solicitada.
En la figura 1, se detalla el proceso que realiza el personal del Centro CIDITIC.
Figura 1. Presenta el modelo del proceso que realiza el personal del centro CIDITIC para extraer datos de la plataforma académica virtual MOODLE UTP y entregar resultados de solicitudes específicas.
Fuente: Elaboración propia.
2.3 Objetivos
2.3.1 Objetivo general
Implementar un Data Mart aplicando inteligencia de negocio a la plataforma académica MOODLE de la Universidad Tecnológica de Panamá, utilizando metodologías de desarrollo de software ágil BEAM*.
2.3.2 Objetivos específicos
- Aplicar los fundamentos de la inteligencia de negocios en el área académica para la toma de decisiones oportunas.
- Analizar la estructura de datos de la plataforma académica virtual de MOODLE para identificar la fuente de datos a utilizar y poder diseñar el modelo lógico del Data Mart.
- Diseñar el modelo lógico para crear el modelo físico del repositorio central del Data Mart.
- Seleccionar la herramienta de extracción, transformación y carga de los datos para automatizar el proceso.
- Construir el Data Mart para centralizar los datos y realizar los informes sin afectar a la base de datos productiva.
- Generar informes en base a la herramienta para obtener información para la toma de decisiones.
3. Materiales de Trabajo
En esta sección se muestra las herramientas y los datos utilizados para la construcción del Data Mart de la plataforma académica MOODLE de la UTP.
-
TOAD for MySQL: Es una herramienta utilizada por los administradores y analistas de datos para realizar procesos tales como: creación y consultas de tablas.
-
MySQL workbeanch: Esta herramienta de visualización de diseño de base de datos la cual es utilizada para explorar la base de datos MOODLE en lo que respecta a como están relacionadas las tablas.
-
MySQL: Es el sistema de gestión de la base de datos de la plataforma MOODLE.
-
PostgreSQL: Es el sistema de gestión de base de datos relacional donde se implementa el Data Mart.
-
PGADMIN III: Es una herramienta que se utiliza en la administración de la base de datos PostgreSQL.
-
Pentaho: Herramienta de inteligencia de negocio para extraer, transformar y carga de los datos de las diferentes tablas de MOODLE que conforman el Data Mart.
-
Qlikview: Herramienta de visualización que permite el acceso a la información del Data Mart y facilita el análisis de los datos de MOODLE.
-
Acceso a los datos. Los datos utilizados para realizar el Data Mart corresponden a la capacitación realizada en el verano del 2018 en la plataforma académica MOODLE – E-campus y fueron alterados para proteger la información de los docentes y estudiantes de la UTP.
4. Metodología para el desarrollo del modelo de datos
Mediante la metodología ágil Beam* (Business Event Analysis & Modeling) realizamos una serie de eventos y acciones para realizar el modelo de datos ver figura 2 [5], [6].
Figura 2. Representación gráfica del modelo BEAM*.
Fuente: Agile Data Warehouse Design. L. Corr and J. Stagnitto.
BEAM* usa las 7W’s, who, what, when, where, how many, why, and how para descubrir, modelar datos y detalles de los eventos. Cada 7w’s se utiliza para construir preguntas o frases que pueden ser utilizadas en las entrevistas con las partes interesadas del negocio, realizar análisis de las fuentes de los datos, realizar las consultas requeridas para desarrollar las transformaciones de los datos, diseñar el modelo dimensional lógico y físico, realizar las extracciones, desarrollar los tableros de control como resultados y presentarla a los tomadores de decisiones, como se muestra en la figura 3 [5].
|
7W's |
Descripción |
Ejemplos |
|
WHO - Quién |
Personas y organizaciones |
Colaboradores, clientes |
|
WHAT - Qué |
Cosas |
Productos, servicios |
|
WHEN - Cuándo |
Tiempo |
Calendario, tiempo del día |
|
WHERE - Dónde |
Localización |
Tienda, hospital,entregas y direcciones |
|
WHY - Por qué |
Razón y casualidad |
Promoción, estado del tiempo |
|
HOW MANY - Cuántos |
Id de las transacciones y códigos de estados |
#ordem, estados de llamadas |
|
HOW - Cómo |
Medidas e indicadores |
Cantidad, ventas |
Figura 3. Ejemplo 7w’s para identificar las dimensiones y tablas de hechos.
Fuente: Agile Data Warehouse Design. L. Corr and J. Stagnitto.
5. Resultados
5.1 Implementación primera iteración
Para realizar la primera iteración como solución a la implementación del modelo se realizó los siguientes pasos:
5.1.1 Especificación de requerimientos
Se realizaron entrevista al personal investigador del Centro de Investigación CIDITIC con la finalidad de encontrar respuestas a las 7w’s y poder realizar el modelamiento lógico y físico de los datos. Los informes solicitados en la primera interacción son:
- Cantidad de eventos realizados en determinado periodo (año, semestre, mes) clasificado por tipo de acción realizada.
- Total, de eventos por semestre
- Cantidad de eventos realizados clasificando el IP de conexión.
- Top de usuarios que utilizan la plataforma.
5.1.2 Resultados de entrevista identificando las 7w’s
Como resultado de las entrevistas (ver figura 4), con las partes interesadas surgieron preguntas como:
¿Quién utiliza la aplicación?
¿El propósito de utilizar la aplicación?
¿Dónde o desde dónde se accede al aplicativo?
|
7W's |
Descripción |
|
WHO - Quién |
Usuarios |
|
WHAT - Qué |
Cosas |
|
WHEN - Cuándo |
Año, semestre, trimestre, mes, día, hora |
|
WHERE - Dónde |
Clasificación de IP |
|
WHY - Por qué |
No se identificó |
|
HOW MANY - Cuántos |
No se identificó |
|
HOW - Cómo |
No se identificó |
Figura 4. 7w’s identificadas para modelar las dimensiones y tablas de hechos para la primera iteración.
Fuente: Elaboración propia.
5.1.3 Modelo lógico de datos
Como resultado de la entrevista al personal investigador del Centro CIDITIC y el análisis realizado en la estructura de base
de datos de la plataforma académica se diseñó el modelo lógico para esta primera iteración ver figura 5.
Figura 5. Modelo lógico de datos primera interacción.
Fuente: Elaboración propia.
5.1.4 Desarrollo del ETL – Extraer – Transformar y cargar
Para este proceso se utilizó la herramienta de código libre Pentaho (KETTLE), herramienta utilizada para automatizar y monitorear los procesos de ETL y el motor de base de datos utilizado para almacenar los datos fue POSTGRESQL.
Se identificó como fuente de datos en la base de datos de la plataforma MOODLE las siguientes tablas: MDL_USER, MDL_LOG_STANDARD.
Para cargar el modelo lógico de datos, se realizaron transformaciones o extracciones de información por medio de consultas SQL y a su vez un mapeo de datos para garantizar la integridad de la información. La Dimensión de tiempo y la tabla de hechos se obtiene de los datos previamente cargados en la dimensión del log del repositorio central de PostgreSQL (ver figura 6).
Figura 6. Ejemplo de transformación realizada en Pentaho (KETTLE) de la tabla de usuarios y la tabla MDL_LOG_STANDARD de la plataforma académica MOODLE.
Fuente: Elaboración propia.
Estas transformaciones fueron incluidas en el job de la herramienta de Pentaho (KETTLE) con el propósito que se ejecute en un orden específico y de forma automática la actualización de nuestro repositorio de datos en PostgresSQL (ver figura 7).
Figura 7. Transformaciones de carga de datos para las tablas de dimensiones y tabla de hechos que corresponde a los procesos requeridos para realizar la primera entrega de valor al cliente.
Fuente: Elaboración propia.
5.1.5 Visualización de datos entrega de valor al cliente
La visualización de datos es una representación gráfica de información y datos.
La herramienta utilizada para la visualización de datos es Qlikview, la cual es una herramienta de visualización que permite el acceso a diferentes fuentes de datos y facilita el análisis de los datos. Sus tipos de licencia son: Personal
Edition con acceso ilimitado, Enterprise Edition y Licencias gratis para docentes, estudiantes e investigadores.
Presentación inicial
Aquí se muestra la aplicación que incluye las fechas de creación, última modificación y recarga del modelo (ver figura 8).
Figura 8. Visualización de la pantalla inicial de la aplicación de Qlikview.
Fuente: Elaboración propia.
5.1.6 Tablero de Mando o Dashboard
Aquí se establecen las métricas como resultado del análisis de los requerimientos de los usuarios y así los decisores puedan tomar decisiones, oportunas y estratégicas.
Las mediciones incluidas en el tablero de mando son: clasificación de los eventos por dirección de IP, para realizar esta clasificación, el Centro de Investigación indicó método para obtener la información solicitada. Adicional se incluyeron cantidades de eventos por acción, eventos por un determinado periodo entre otros (ver figura 9).
Figura 9. Tablero de mando de la primera entrega de valor al cliente, se abarcan cuatro gráficos.
Fuente: Elaboración propia.
5.1.7 Informes
Se presentan los datos en valores numéricos con el propósito de ser utilizado para los análisis de información al detalle para realizar otras mediciones no establecidas que un personal operativo de la UTP así lo requiere (ver figura 10).
Se adicionaron los siguientes informes:
Cantidad de eventos realizados por los usuarios en un determinado periodo.
Cantidad de eventos clasificados por tipo de acción y periodo.
Cantidad de eventos por mes clasificados por IP.