Vol. 6 – Núm. 1 / Enero – Junio – 2025
Data Warehouse para la toma de decisiones oportunas: caso de
estudio Empresa de Agua Potable de Azogues (EMAPAL)
Data Warehouse for timely decision making: case study Empresa de Agua
Potable de Azogues (EMAPAL)
Data Warehouse para uma tomada de decisão atempada: estudo de caso
Empresa de Agua Potable de Azogues (EMAPAL)
Ñauta Ñauta, Freddy Orlando
Escuela Superior Politécnica de Chimborazo (ESPOCH)
freddy.niauta@espoch.edu.ec
https://orcid.org/0009-0006-4831-6022
Silva Peñafiel, Geovanny Euclides
Escuela Superior Politécnica de Chimborazo (ESPOCH)
geovanny.silva@espoch.edu.ec
https://orcid.org/0000-0002-1069-4574
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n1/914
Como citar:
Ñauta Ñauta, F. O., & Silva Peñafiel, G. E. (2025). Data Warehouse para la toma de decisiones
oportunas: caso de estudio Empresa de Agua Potable de Azogues (EMAPAL). Código
Científico Revista De Investigación, 6(1), 710–730.
https://doi.org/10.55813/gaea/ccri/v6/n1/914.
Recibido: 20/05/2025 Aceptado: 27/06/2025 Publicado: 30/06/2025
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
711
Resumen
El propósito de este estudio fue implementar y evaluar un Data Warehouse, mismo que se
realizó en una empresa de distribución y comercialización de agua potable del entorno local, a
su vez, se buscó optimizar procesos de manejo de información estableciendo un soporte para
la toma de decisiones y mejorar la eficiencia operativa. Como punto de partida, se realizó el
análisis de los datos de las distintas fuentes hasta el diseño de un modelo de almacenamiento y
consulta adaptado a las necesidades de la empresa. Posteriormente, se empleó la metodología
Kimball, luego de una revisión documental y también en base al análisis de casos similares en
el sector. Finalmente, como resultados obtenidos, se destacó la mejora en el consumo teniendo
una información centralizada, asimismo se evidenció una mejora en los tiempos de respuesta
en la presentación de resultados y un monitoreo preciso de la información financiera. Los
beneficios obtenidos justificaron la implementación de esta tecnología, permitiendo una toma
de decisiones más eficiente y fundamentada en datos.
Palabras clave: Inteligencia de negocios, Almacén de datos, Toma de decisiones, Gestión del
agua, Análisis de datos.
Abstract
The purpose of this study was to implement and evaluate a data warehouse at a local drinking
water distribution and marketing company. The study also sought to optimize information
management processes by establishing a support system for decision-making and improving
operational efficiency. The starting point was an analysis of data from various sources, leading
to the design of a storage and query model tailored to the company's needs. The Kimball
methodology was subsequently employed, following a document review and based on the
analysis of similar cases in the sector. Finally, the results obtained included improved
consumption with centralized information, improved response times for presenting results, and
accurate monitoring of financial information. The benefits obtained justified the
implementation of this technology, allowing for more efficient and data-driven decision-
making.
Keywords: Business intelligence, Data Warehouse, Decision making, Water management,
Data analysis.
Resumo
O objetivo deste estudo foi implementar e avaliar um data warehouse em uma empresa local
de distribuição e comercialização de água potável. Também buscou otimizar os processos de
gestão de informações, estabelecendo um sistema de suporte à tomada de decisões e
melhorando a eficiência operacional. Como ponto de partida, dados de diferentes fontes foram
analisados até que um modelo de armazenamento e consulta adaptado às necessidades da
empresa fosse projetado. Foi então utilizada a metodologia Kimball, a partir de revisão
documental e também da análise de casos semelhantes no setor. Por fim, os resultados obtidos
destacaram a melhora no consumo devido à centralização das informações, bem como a
melhora no tempo de resposta na apresentação dos resultados e o monitoramento preciso das
informações financeiras. Os benefícios alcançados justificaram a implementação desta
tecnologia, permitindo uma tomada de decisão mais eficiente e baseada em dados.
Palavras-chave: Business intelligence, Data warehousing, Tomada de decisões, Gestão da
água, Análise de dados.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
712
Introducción
Uno de los grandes retos que enfrentan actualmente las empresas dedicadas a la
distribución y comercialización de agua potable, es encontrar el equilibrio entre el
aprovechamiento eficiente de este recurso y a la vez, mejorar la prestación del servicio a sus
usuarios. Entonces, ante la cantidad de datos con la que se trabaja, es casi imposible poder
manejar las diferentes fuentes de datos transaccionales que se utilizan para sistemas de lectura,
facturación, cobro, entre otros. Esta dispersión y fragmentación de los datos no permite realizar
un análisis integral para obtener información válida para la toma de decisiones.
Por otra parte, se debe considerar que no existe un sistema centralizado que examine
estos datos y que las herramientas no cuentan con la capacidad de generar reportes estratégicos
y operativos. Lo antes expuesto, complica la detección de patrones, tendencias y áreas de
mejora, lo que conlleva a una mala planificación de recursos, baja operatividad, e insatisfacción
del cliente para con la empresa. Como mencionan (Kimball & Ross, 2013), “Un DW es una
solución eficaz para centralizar datos, facilitar el análisis y permitir la toma de decisiones
basada en hechos y datos históricos consolidados”.
A nivel global, la implementación de un DW ha sido vital para promover a las
organizaciones tradicionales y asegurarse de que estén a la altura de la competencia en los
entornos. Sin embargo, en entornos locales, se observa una falta considerable en cuanto a la
implementación de estas soluciones analíticas, en consecuencia, se limita la capacidad de tomar
decisiones informadas.
Tal y como menciona Choo en su artículo sobre el conocimiento en las organizaciones,
(Choo, 1996), la habilidad para manejar la información de manera correcta es clave para
descubrir oportunidades, solucionar problemas y tomar decisiones estratégicas. En ese ámbito,
un DW se presenta como una herramienta esencial para depurar y unificar datos dispersos o
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
713
fragmentados, a la vez que mejora su calidad y los transforma en información valiosa para la
empresa.
Hoy en día, un gran porcentaje de información que generan las entidades encargadas de
la gestión y comercialización de productos o servicios, no se encuentra bien integrada para un
análisis estratégico. Esto, afecta directamente a áreas clave como la planificación de recursos,
la reducción de cuentas por cobrar y la mejora de los servicios que se ofrecen a los clientes o
abonados.
Por lo expuesto anteriormente, este estudio propone la implementación de un DW
utilizando la metodología de Kimball, como respuesta a las necesidades de información
gerencial y operativa (Golfarelli & Rizzi, 2009). Al realizarlo, se busca alinear la idea de que
la tecnología es crucial para modernizar la gestión pública (Minnaard et al., 2015), y, además,
facilitará el análisis mediante el uso de indicadores como, por ejemplo: consumos promedio,
categorías de abonados y valores facturados. En consecuencia, al integrar información
operativa y financiera, se busca optimizar la toma de decisiones, mejorando la sostenibilidad y
eficiencia en la prestación de servicios básicos.
De esta manera, el estudio se centra en establecer las bases para la implementación del
DW, mediante la revisión de fuentes bibliográficas, la selección de herramientas y métodos
apropiados, y la implementación de dashboards o cuadros de mando integrados a la arquitectura
definida. Finalmente, para evaluar la eficacia se realizará un análisis de los valores actuales de
los indicadores clave de rendimiento (KPIs) con los objetivos establecidos, determinando como
impactan estos resultados en la gestión financiera
Por lo tanto, la pregunta de investigación de este estudio sería: ¿De qué manera
contribuye la implementación de un DW; utilizando un enfoque metodológico adecuado que
centralice la información; en la optimización de la toma de decisiones dentro de una
organización?
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
714
Información en Empresas Públicas
La metodología de Kimball, aplicada ampliamente en organizaciones, se presenta como
una alternativa sencilla y rápida, para la construcción de un almacén de datos de manera
incremental. Por consiguiente, a través de este marco referencial, se pretende demostrar el uso
de la metodología Kimball en situaciones similares, resaltando la importancia de su aplicación
y los beneficios obtenidos.
Implementación de DW en entidades y su relevancia
Tal como lo señala (Peñafiel et al., 2019), una mínima parte de la información generada
en sistemas transaccionales es aprovechada para la toma de decisiones, de ahí, el punto de
partida para la implementación un DW. Al desarrollarlo, no solo se reúne datos dispersos en
distintas fuentes, si no que también tiene un entorno más claro y accesible para interpretar la
información. Gracias a esto, es posible identificar patrones, detectar oportunidades de mejora
y establecer indicadores clave que orienten la gestión hacia objetivos más concretos.
Todo lo descrito anteriormente, es respaldado por numerosos estudios previos. Citando
un ejemplo, en el estudio realizado por (Cantos Ortiz et al., 2009) se documentó la integración
con éxito de datos de consumo y facturación en empresas de agua potable, teniendo una mejora
significativa en los tiempos de generación de informes y también un progreso en la
planificación operativa.
Aplicación de Kimball en Entornos Similares
Análisis Comparativo: Citando otro ejemplo, en la investigación realizada por el
Instituto Nacional de Patrimonio Cultural Regional 3, se demostró que Kimball es una
metodología eficaz en entornos con necesidades críticas de integración y análisis de datos, en
este caso puntal destacándose el enfoque a los usuarios finales y su adaptabilidad a diversas
exigencias (Silva-Peñafiel et al., 2021).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
715
Sector de Agua Potable: Un ejemplo apegado a este entorno de estudio, fue la
implementación de un DW en el sector de agua potable. En la localidad de Montecristi, la
puesta en marcha de un modelo de gestión, basado en información centralizada, permitió
afrontar desafíos como la accesibilidad y calidad del agua, mejorando de estar manera la
gestión del recurso y las expectativas de la ciudadanía (Napa-Plúa & Espinoza-Gálvez, 2024).
Finalmente, se toma como referencia un proyecto de modelado de procesos y
aplicaciones de DW para compañías de seguros de daños: (Saucedo Suárez et al., 2022), si bien
se centra en el sector de seguros, este artículo resulta relevante para la metodología, mostrando
cómo diferentes sectores implementan DW para esquematizar procesos y mejorar la gestión de
la información.
Aplicación del Marco Teórico en EMAPAL
Dados los resultados positivos de la implementación de Kimball en entornos similares,
se puede establecer que esta metodología es ideal para las condiciones actuales de EMAPAL.
La misma ofrece una estructura organizada que centraliza la información, tanto operativa como
financiera. Al aplicarla en esta empresa, se busca la integración de datos dispersos en un único
repositorio, facilitando de esta manera, el análisis estratégico a través de paneles interactivos.
Asimismo, los estudios previos han demostrado el impacto positivo en la
implementación de DW, para la eficiencia operativa y la planificación de recursos en empresas
de agua potable (Cantos Ortiz et al., 2009; Napa-Plúa & Espinoza-Gálvez, 2024). En el caso
puntual de EMAPAL, estos conceptos se aplicarán para mejorar la identificación de patrones
de consumo, disminuir los tiempos en la elaboración de informes y a la vez, optimizar la
planificación financiera en base al análisis de los indicadores clave de rendimiento (KPIs)
definidos.
Finalmente, la implementación del DW en EMAPAL se justifica ya que se alinea con
los principios contemporáneos de modernización de la administración pública, como lo refleja
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
716
(Minnaard et al., 2015). Al unificar los datos operativos y facilitar su análisis, se busca mejorar
la gestión de este recurso hídrico, promoviendo al mismo tiempo una mayor sostenibilidad
financiera y un mejor servicio para los usuarios.
Metodología
Los artículos de investigación se clasificaron de acuerdo al dominio abordado, es decir
las palabras claves para su obtención estaban enfocadas en “DataWarehouse”, “BI” y
“Visualización de Datos”. (ver Tabla 1. Fuentes Bibliográficas por Temática.
Tabla 1
Clasificación de fuentes Bibliográficas por Temática
Temática
Referencias
Business
Intelligence
La Metodología Kimball para Data Warehouses y BI exitosos – Lituus
(Lituus, 2023)
MODELO DE DATA WAREHOUSE CON APLICACIÓN DE
INTELIGENCIA DE NEGOCIOS PARA LAS PYMES (Espinoza &
Sotelo, 2019)
Data
Warehouse
Kimball DW/BI Lifecycle Overview (Kimball & Ross, 2013)
Análisis de metodologías para desarrollar Data Warehouse aplicado a la
toma de decisiones (Peñafiel et al., 2019)
Diseño e implementación de un data warehouse para las empresas de
distribución y comercialización de agua potable (Cantos Ortiz et al., 2009)
Building Datawarehouse for Educational Institutions in 9 Steps
(Rahutomo et al., 2018)
Visualización
de Datos
Storytelling with Data: A Data Visualization Guide for Business
Professionals (Knaflic, 2015)
Data warehouse para medir la satisfacción académica en universidades por
medio de indicadores (Llontop Soplapuco, 2023)
Nota: (Autores, 2025).
En la elección del material bibliográfico, se optó por aquellos en los que el desarrollo o
implementación se centraba en un DW como tal, o que involucre la metodología para la
construcción de este.
Este enfoque garantizó que las fuentes seleccionadas fueran directamente aplicables al
proyecto de EMAPAL, asegurando la pertinencia de las metodologías y tecnologías propuestas.
Por ejemplo, en la elección de las fuentes, se tomó en cuenta el estudio: Desarrollo de un
prototipo de indicadores de gestión para los procesos de facturación y recaudaciones (William
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
717
et al., 2015), el cual ofrece un caso relevante sobre la aplicación de herramientas de inteligencia
de negocios en el sector de agua potable.
Figura 1
Esquema de la revisión del artículo
Nota: (Autores, 2025).
Finalmente, se descartaron los resultados de investigación que no involucraban las
temáticas directas y también aquellos artículos superiores a 15 años de antigüedad, puesto que
no incorporaban metodologías actuales, ver Figura 1.
Las fuentes se encuentran en bases de datos académicas como Scopus, y otras son de
acceso abierto a través de repositorios de universidades y bibliotecas digitales (ver Tabla 2).
Tabla 2
Fuentes Bibliográficas por Temática
Ubicación (Fuente)
Cantidad de Fuentes
Lituus
3
Universidad Nacional Jorge Basadre Grohmann
1
Wiley
2
Ciencia Digital
3
ESPOL
2
IEEE
4
Universidad Católica Santo Toribio de Mogrovejo
1
Nota: (Autores, 2025).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
718
Diseño de la Investigación
Tal como se constata tanto en publicaciones como en plataformas digitales, la
metodología Kimball se considera el punto de partida para la implementación exitosa de DW
y BI (Lituus, 2023).
Este enfoque metodológico, reconocido ampliamente en la construcción de DW
(Kimball & Ross, 2013), fue seleccionado luego de una evaluación exhaustiva de literatura y
fuentes especializadas, incluyendo artículos científicos y estudios de casos similares que
demuestran su eficacia en la consolidación de datos para la toma de decisiones
organizacionales.
Su aporte principal se fundamenta en el modelo de datos dimensional, compuesto por
esquemas estrella y copo de nieve, facilitando el acceso de una forma más rápida a la
información y a la vez permite ejecutar análisis específicos orientados a las necesidades del
negocio (Golfarelli & Rizzi, 2009)
La Metodología de Kimball debe cumplir ciertas fases antes de obtener los resultados
esperados. Se detallan a continuación las actividades más relevantes dentro de cada una de
ellas.
Requerimientos Iniciales: Como punto de partida, se identificaron las necesidades más
importantes de información. En este caso, los patrones de consumo y las categorías de
abonados. Estos factores influyen directamente en el cálculo de las tarifas.
Modelado Dimensional: Una vez reunidas y entendidas las necesidades iniciales, se
procedió a diseñar un modelo de datos utilizando un esquema en estrella. Al utilizar este
esquema, se puede representar de una forma clara las dimensiones que se anticiparon, como
los abonados, el consumo mensual y el tiempo, junto con las métricas asociadas a cada una de
ellas.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
719
Proceso ETL: Este proceso permite la unificación de datos provenientes de diversas
fuentes internas, garantizando integridad y calidad para alimentar el DW.
Despliegue y Generación de Informes: Finalmente, la creación de dashboards o paneles
interactivos utilizando Power BI, lo que permitirá a la parte gerencial identificar patrones y
tomar decisiones fundamentadas en datos.
Entorno de aplicación
Este estudio se llevó a cabo en la Empresa Municipal de Agua Potable y Alcantarillado
(EMAPAL), situada en la ciudad de Azogues, Ecuador. La empresa es responsable de gestionar
todo lo relacionado a la prestación del servicio de agua potable y alcantarillado en la zona.
Población del Estudio:
Se trabajó con información almacenada en la base de datos transaccional de la empresa,
misma que está conformada por aproximadamente 12,000 abonados o clientes registrados.
Estos abonados se encuentran clasificados en cuatro categorías principales, que identifican los
distintos tipos de consumo:
1. Residencial: Grupo de abonados particulares o domésticos.
2. Oficial: Entidades gubernamentales o instituciones públicas.
3. Comercial: Compuesta de negocios y establecimientos comerciales.
4. Industrial: Empresas dedicadas a actividades de producción.
Muestra del Estudio:
Se seleccionó una muestra que contiene los 5 últimos periodos de emisión. En esta
muestra están incluidos los abonados de cada una de las categorías definidas previamente. El
tamaño y la selección de la muestra se definió en base a las similitudes de tarifas aplicadas en
los últimos periodos, asegurando de esta forma, la inclusión de información relevante para cada
categoría, sin afectar la diversidad de los datos.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
720
La muestra seleccionada incluye datos operativos relevantes para la gestión de
indicadores clave de desempeño (KPIs), tales como:
• Consumo de agua.
• Categorías de Abonados
• Meses de mora
• Valor Tarifario
• Datos de Clientes.
Esta selección se fundamentó en su relevancia para los objetivos del proyecto y su
potencial contribución al desarrollo del DW.
Análisis y Recolección de Datos
El análisis se estructuró en tres fases principales:
• Exploración: Se realizó una revisión de las tablas transaccionales para identificar
relaciones y atributos relevantes.
• Procesamiento: Se implementa el DW. utilizando la metodología Kimball, como
ya se indicó, haciendo uso del esquema estrella, para simplificar consultas y
reportes.
• Evaluación: Se elaboró tableros de control para de esta manera valorar la eficacia
de la información en relación con los objetivos, como la optimización financiera y
por ende, la eficiencia operativa.
Procedimiento ETL
Al ser un proceso determinante en la depuración de datos, se eligió la herramienta
Pentaho Data Integration para este fin, la misma emplea métodos basados en la extracción,
transformación y carga, usando componentes fáciles de usar.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
721
Proceso de Extracción: En esta fase, se recopilaron datos desde las tablas
transaccionales, mismas que contienen información sobre abonados, clientes, categorías,
consumos y facturación.
Proceso de Transformación: Los datos obtenidos en la fase anterior fueron depurados,
unificados y estructurados para garantizar su calidad y consistencia. Esta fase incluyó:
• Normalización de datos demográficos de las tablas: cliente y abonado.
• Depuración de categorías en la tabla de catálogo: tipo_categoria.
• Creación de métricas clave a partir de los registros de lecturas, tablas
agua_liquidacion y factura (tabla de facturación).
Proceso de Carga: La información procesada en los pasos anteriores, se incorporó al
DW, utilizando un modelo estrella para facilitar el análisis.
La Figura 2 permite comprender de manera más clara la secuencia de actividades
involucradas en la integración y transformación de los datos.
Figura 2
Fases del Proceso ETL
Nota: (Autores, 2025).
Modelado de Datos
La tabla factura se utilizó como tabla de hechos (ver Figura 3), vinculada a dimensiones
como abonado, tipo_categoria, y agua_liquidacion (meses de consumo), permitiendo el análisis
detallado de métricas como consumo, estado de pagos y patrones de facturación.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
722
Figura 3
Modelo Dimensional (Esquema Estrella)
Nota: (Autores, 2025).
Visualización de Datos:
Para la presentación de resultados del DW, se desarrollaron paneles interactivos
utilizando la herramienta Power BI. Estos dashboards o paneles no solo facilitaron el acceso a
la información consolidada, sino que también permitieron identificar patrones como por
ejemplo irregularidades en el consumo de agua, tendencias históricas y comportamientos poco
normales en las emisiones mensuales de cada categoría.
Los dashboards desarrollados, fueron agrupados en módulos específicos, de manera que
cada grupo responda necesidades específicas de consulta dentro de la empresa, mismos que se
detallan a continuación:
Dashboard General de Consumo
• Ofrece una visión clara del consumo total de agua, clasificado por las categorías
mencionadas anteriormente.
• Incluye un gráfico de barras apiladas que permite comparar consumos mensuales
entre categorías.
• Este dashboard también presenta indicadores clave (KPIs) como por ejemplo el
consumo promedio mensual y las variaciones entre periodos.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
723
Dashboard de Análisis de Morosidad
• Mediante un mapa de calor este dahsboard destaca los sectores con mayor cantidad
de meses de mora.
• Mediante un gráfico circular se visualiza el porcentaje de clientes que están al día
frente a los que tienen valores pendientes de pago.
• También, incorpora tablas dinámicas que permiten filtrar por sector o por categoría.
Dashboard Financiero:
• Este dashboard muestra la evolución de los ingresos mediante una línea de tiempo
interactiva, tanto por facturación como por recaudación.
• Los indicadores que maneja son: ingreso total mensual, porcentaje de cobros y
valores pendientes.
• A la vez, incorpora un gráfico de proyección de ingresos, basado en datos
históricos.
Dashboard de Tendencias de Consumo por Cliente:
• Este dashboard presenta un gráfico de dispersión, identificando a los clientes con
consumos fuera del promedio.
• También incluye un gráfico de series temporales en el que se detalla el historial de
consumo de un cliente en específico.
Resultados
Al consumir la información presentada por los dashboards, se pudo constatar que el
DW integró información relacionada con el consumo de agua, deudas y facturación. Los
principales hallazgos se detallan a continuación:
1. Análisis de Consumo por Categorías
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
724
Se identificó que la categoría residencial tiene el 66% del consumo total, mientras que
la categoría comercial le siguió con un 25%. Las categorías oficial e industrial tuvieron
participaciones más pequeñas, del 7.5% y 1.5%, respectivamente (ver la Tabla 3. Resumen del
Consumo por Categoría).
Tabla 3
Resumen del Consumo por Categoría
Categoría
Porcentaje del Total
Residencial
66%
Comercial
25%
Oficial
7.5%
Industrial
1.5%
Nota: (Autores, 2025).
2. Morosidad y Pagos Atrasados
Mediante los registros de morosidad se descubrió que el 16% de los abonados tuvo
retrasos en sus pagos, para ello se tomó como referencia los 3 últimos meses emitidos. Además,
las áreas urbanas concentraron el 70% de los casos de morosidad, en relación a las rurales.
3. Análisis Financiero
Los ingresos mensuales por facturación presentan un incremento del 5% en
comparación con el año pasado, alcanzando un promedio de $76,000. Sin embargo, se
evidencia que existen valores pendientes del total facturado según la categoría (ver Tabla 4.
Ingresos y Pagos Pendientes por Categoría).
Tabla 4
Ingresos y Pagos Pendientes por Categoría
Categoría
Ingresos Totales ($)
Pagos Pendiente ($)
Porcentaje
Pendiente
Residencial
168000
33600
20%
Comercial
90500
13500
15%
Oficial
39000
1950
5%
Industrial
7900
1422
18%
Nota: (Autores, 2025).
4. Visualización y Exploración de Datos
La implementación de dashboards interactivos facilitó entre otras cosas, la
identificación de consumos fuera del límite normal y por ende valores emitidos por categoría
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
725
que no corresponden al promedio mensual. Estos hallazgos permitieron al equipo gerencial
tomar decisiones basadas en datos en tiempo real.
Con el uso del dashboard General de Consumo, se constató que el consumo promedio
por cliente de la categoría residencial era de 10 m³/mes, pero en ciertos casos se evidenciaron
valores atípicos de hasta 70 m³/mes, en una categoría que no maneja dichos valores. Esto,
presume posibles fugas o usos indebidos del servicio.
La centralización de datos no solo optimiza el monitoreo de consumo (Figura 4) y
morosidad (Figura 5), sino que también proporcionar una base sólida para decisiones orientadas
a la mejora de ingresos.
Figura 4
Comparación de consumo
Nota: (Autores, 2025).
Figura 5
Comparación de morosidad
Nota: (Autores, 2025).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
726
Se respalda entonces, que este enfoque está en línea con las arquitecturas de DW de
nueva generación, tal y como lo plantea Inmon en (DW 2.0: The Architecture for the Next
Generation of Data Warehousing - W.H. Inmon, Derek Strauss, Genia Neushloss - Google
Libros, n.d.). En este artículo se destaca la importancia de integrar y analizar los datos para
apoyar la toma de decisiones estratégicas. Al aplicar la metodología de Kimball, no solo se
optimizan procesos operativos, sino que también se facilita el cumplimiento de los objetivos
estratégicos. Su aplicación en diferentes sectores ha demostrado:
• Reducción de Tiempos: Creación de informes más rápida y precisa.
• Optimización de Recursos: Planificación basada en información unificada.
• Mejora en la Toma de Decisiones: Información accesible para todos los niveles
organizacionales.
Discusión
La implementación del DW conlleva mejoras notables en la forma como se gestiona la
información y en la manera en la que se toman decisiones. Uno de los cambios más evidentes
es precisamente la integración de datos, los mismos se encontraban distribuidos en diferentes
sistemas, mientras que en la actualidad se cuenta con una fuente centralizada y mucho más
confiable. En consecuencia, acceder a la información era un proceso lento, fragmentado y
difícil, lo cual dificultaba la elaboración de reportes para la toma de decisiones.
Con el DW, obtener indicadores clave es mucho más rápido y sencillo. La respuesta a
situaciones operativas, como detectar fugas de agua o identificar variaciones inusuales en el
consumo, se realiza con mayor agilidad. Estos problemas operativos podían pasar
desapercibidos durante largos periodos, lo que afectaba directamente la eficiencia del servicio.
La mejora en la calidad de los datos es un desencadenante de la depuración y validación
implementados en el DW. Esto sin duda ha ayudado a reducir los errores en los registros origen,
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
727
brindando a su vez mayor confianza a los análisis que se realizan. Sin embargo, un gran desafío
ha sido la adaptación del personal en la interpretación de la información de una manera efectiva.
La transición de un sistema tradicional a uno basado en inteligencia de negocios requiere un
proceso de adaptación constante.
Por otro lado, la adopción del DW ha impactado en la cultura organizacional de
EMAPAL. Dado que esta disponibilidad de datos ha impulsado un enfoque más analítico en la
toma de decisiones, la gestión de los recursos es más eficiente y ha creado oportunidades para
detectar áreas de mejora en varios procesos dentro de la empresa. En consecuencia, los
resultados obtenidos demuestran que el DW ha sido un progreso para la entidad que se decidió
por su implementación.
Es recomendable, sin embargo, continuar fortaleciendo las capacidades del personal y
a la vez, hacer ajustes progresivos en el DW. Se podría extender el uso de la información
generada mediante la creación de modelos predictivos, mejorando aún más la toma de
decisiones.
Consideraciones eticas
En el manejo de los datos, se tuvo especial cuidado en lo que respecta a cumplir las
normativas de protección de información, tanto de los clientes como de los montos facturados.
Se aplicaron medidas de confidencialidad para garantizar la privacidad de los usuarios y que la
información utilizada no trascienda los límites del estudio. Además, el uso de estos datos se
realizó con la debida autorización de los responsables de salvaguardar la misma dentro de la
entidad.
Conclusión
La implementación de un DW, empleando la metodología Kimball y unificando la
información de EMAPAL, demuestra un impacto positivo en la optimización de la toma de
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
728
decisiones dentro de la organización. Este proyecto permite responder a la pregunta planteada
inicialmente, demostrando que la consolidación de datos relevantes provenientes de las tablas
transaccionales (abonado, cliente, tipo_categoria, agua_liquidacion y factura) en un esquema
dimensional agiliza el acceso seguro a la información. Consecuentemente, se eliminó la
dispersión de datos y se redujo significativamente los tiempos de respuesta en consultas.
Los resultados revelan que la integración y análisis de la información histórica sobre
consumo y facturación mejoran la capacidad del personal encargado de la gestión de
información, en la detección de irregularidades y por ende se pueden priorizar acciones. Por
ejemplo, los dashboards desarrollados permitieron segmentar a los clientes en función de su
comportamiento de consumo y su cumplimiento de pagos, facilitando de este modo, decisiones
orientadas a reducir la morosidad y optimizar la recaudación.
Esta implementación brindó como resultado un mejor control sobre los valores
facturados y aquellos pendientes, permitiendo tener en tiempo real, información sobre la
recuperación de los ingresos mensuales. Esto, no solo permitió tener un mejor rendimiento
financiero, sino que también ayudó a detectar tendencias para anticipar posibles problemas y
diseñar estrategias adecuadas.
En definitiva, la implementación del DW ha tenido un impacto positivo en la forma en
que se toman decisiones dentro de EMAPAL. Se promueve una gestión basada en datos
permitiendo actuar con anticipación en lugar de reaccionar a los problemas una vez que ya se
han presentado. Este enfoque subraya lo crucial que es invertir en infraestructura de
información para alcanzar una gestión moderna y fundamentada en datos.
Referencias bibliográficas
Cantos Ortiz, H. W., Cordero Guzmán, D. M., Larco Barros, C. M., Méndez Romero, A. A.,
& Echeverria Briones, P. F. (2009). Diseño e implementación de un data warehouse
para las empresas de distribución y comercialización de agua potable.
http://www.dspace.espol.edu.ec/handle/123456789/6116
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
729
Choo, C. W. (1996). The knowing organization: How organizations use information to
construct meaning, create knowledge and make decisions. International Journal of
Information Management.
https://www.academia.edu/7597569/The_knowing_organization_How_organizations_
use_information_to_construct_meaning_create_knowledge_and_make_decisions
DW 2.0: The Architecture for the Next Generation of Data Warehousing - W.H. Inmon, Derek
Strauss, Genia Neushloss - Google Libros. (n.d.). Retrieved December 24, 2024, from
https://books.google.es/books?hl=es&lr=&id=a-qf-
1mthiwC&oi=fnd&pg=PP1&dq=Building+the+Data+Warehouse,+Inmon&ots=tEXF
q2DlGf&sig=Dx2WPL_6C2FYtn-
4Cq3vJJh6RSE#v=onepage&q=Building%20the%20Data%20Warehouse%2C%20In
mon&f=false
Espinoza, J. C. S., & Sotelo, C. A. C. (2019). MODELO DE DATA WAREHOUSE CON
APLICACION DE INTELIGENCIA DE NEGOCIOS PARA LAS PYMES. Ciencia &
Desarrollo, 0(21), 113–123. https://doi.org/10.33326/26176033.2017.21.737
Golfarelli, M., & Rizzi, S. (2009). Data Warehouse Design: Modern Principles and
Methodologies (1st ed.). McGraw-Hill, Inc.
Kimball, R., & Ross, M. (2013). Kimball DW/BI Lifecycle Overview. The Data Warehouse
Toolkit: The Definitive Guide to Dimensional Modeling, 403–427.
https://www.wiley.com/en-
jp/The+Data+Warehouse+Toolkit%3A+The+Definitive+Guide+to+Dimensional+Mo
deling%2C+3rd+Edition-p-9781118530801
Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business
professionals. Storytelling with Data: A Data Visualization Guide for Business
Professionals, 1–267. https://doi.org/10.1002/9781119055259
La Metodología Kimball para Data Warehouses y BI exitosos - Lituus. (2023).
https://lituus.cl/Analytics/business-intelligence/la-metodologia-kimball-para-data-
warehouses-y-bi-exitosos.html
Llontop Soplapuco, M. A., & Llontop Soplapuco, M. A. (2023). Data warehouse para medir la
satisfacción académica en universidades por medio de indicadores. Una revisión
sistemática de la literatura. http://tesis.usat.edu.pe/handle/20.500.12423/6884
Minnaard, C., Servetto, D., Lobo Mirassón, U., & Pascal, G. (2015). La información y la
tecnología para la toma de decisiones: aplicación Data WareHouse en instituciones
hniversitarias. http://sedici.unlp.edu.ar/handle/10915/46428
Napa-Plúa, G., & Espinoza-Gálvez, E. G. (2024). Aportes del modelo de gestión pública
basada en los principios de la gobernanza institucional. Caso De Estudio: Dirección de
Agua Potable y Alcantarillado del GAD Montecristi. 593 Digital Publisher CEIT, 9(3),
506–518. https://doi.org/10.33386/593dp.2024.3.2452
Peñafiel, G. E. S., Yánez, V. M. Z., Guamán, K. P. M., & Padilla, L. M. T. (2019). Análisis de
metodologías para desarrollar Data Warehouse aplicado a la toma de decisiones.
Ciencia Digital, 3(3.4.), 397–418. https://doi.org/10.33262/cienciadigital.v3i3.4..922
Rahutomo, R., Putri, R. A., & Pardamean, B. (2018). Building Datawarehouse for Educational
Institutions in 9 Steps. 1st 2018 Indonesian Association for Pattern Recognition
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
730
International Conference, INAPR 2018 - Proceedings, 128–133.
https://doi.org/10.1109/INAPR.2018.8627010
Saucedo Suárez, G., Anzures García, M., Luz, M., & Sánchez Gálvez, A. (2022). Modelado de
procesos y aplicaciones de Data Warehouse para seguros de daños. Benemérita
Universidad Autónoma de Puebla. https://hdl.handle.net/20.500.12371/18423
Silva-Peñafiel, G. E., Córdova-Vaca, A. M., Cusco-Vinueza, V. A., Cusco-Vinueza, V. A., &
Estrada-Velasco, M. V. (2021). Implementación de un Data Warehouse mediante la
metodologí¬a Hefestos para la toma de decisiones en el Instituto Nacional de
Patrimonio Cultural Regional 3. Dominio de Las Ciencias, 7(3), 1116–1135.
https://doi.org/10.23857/DC.V7I3.2044
William, I., Guerrero, M., Guillermo, L., & Bajaña, O. (2015). Desarrollo de un prototipo de
indicadores de gestión para los procesos de facturación y recaudaciones para la empresa
interagua - concesionaria de los servicios de agua potable y alcantarillado de la ciudad
de Guayaquil, aplicando qlikview como herramienta de inteligencia de negocios.
http://www.dspace.espol.edu.ec/handle/123456789/52563