1) Los datos almacenados en bases de datos relacionales han sido la base de las decisiones empresariales durante décadas, pero existen otros datos no estructurados como redes sociales y sensores que pueden ser útiles. 2) El concepto de Data Warehouse surgió en los años 90 como una solución para almacenar y analizar grandes volúmenes de datos históricos de múltiples fuentes para tomar mejores decisiones de negocio. 3) Las herramientas de Business Intelligence permiten extraer conocimiento útil de los datos almacen

1. ANTECEDENTES: - Durante décadas, las empresas han estado tomando decisiones de negocio basadas en datos transaccionales almacenados en bases de datos relacionales. Más allá de esos datos críticos, existe un tesoro potencial de datos no tradicionales, datos menos estructurados: blogs, redes sociales, correo electrónico, sensores y fotografías que pueden ser explotados para obtener información útil.
- En una palabra, había que estructurar el mensaje comercial para convencer a las empresas de que les sería muy útil gastarse una fortuna en un nuevo gran sistema, probablemente incompatible con todos los que tenía ya instalados. Era un trabajo para los especialistas de marketing de los grandes fabricantes… Y estos hicieron su trabajo, ya lo creo que lo hicieron…
El resultado fue el concepto de Data Warehouse, allá por los años 93-94 del siglo pasado. AÑOS 80: Se habían hecho ya ciertos pinitos en los años 80, sobre todo los de una pequeña compañía californiana llamada Teradata, pionera absoluta en el concepto de máquina paralela dedicada exclusivamente a la resolución de consultas. Teradata diseñó un Sistema dedicado, donde la clave era su método de interconexión entre procesadores, de nombre YNET, que comunica los diferentes servidores (de nombre AMP, de Access Module Proccessor, equipado cada uno de ellos con un procesador Intel x86), cada uno de ellos con su propia memoria RAM y su propio disco. Es decir, toda comunicación entre nodos se hacía utilizando el bus (el YNET) así llamado por tener forma de Y, que conectaba dos nodos con uno de jerarquía superior, dando lugar a un interconexionado de nodos en forma de árbol binario.
- Con el comienzo del 2000, ya se hablaba de algunos cambios y mejoras tal como la posibilidad de almacenar mayor volumen de información y sobre todo hacerlo en forma casi on-line. Sin embargo la tecnología aún no estaba del todo madura.
- Se ofrecían soluciones para que las empresas realizaran sus decisiones más importantes de negocios basadas en la información que provenía de datos almacenados en bases relacionales denominadas Data Warehouses (de hecho hoy en día lo siguen haciendo así). Y hablando de método de Diseño, fue Ralph Kimball quien, en 1997, fijó las bases de diseño del Modelo Dimensional que se debería usar al diseñar un Data Warehouse, en su artículo “A Dimensional Modeling Manifesto”. El Modelo Dimensional usa la misma técnica de representación que el Modelo Entidad Relación original de Peter Chen, es decir, entidades, relaciones y atributos, lo normal, vaya. Lo que cambia radicalmente es la forma de entender los datos que deben ser modelados, la forma de organizarlos en tablas relacionales para construir un Data Warehouse efectivo. En efecto, para construir un Data Warehouse, hay que grabarse a fuego en la mente que la información es multidimensional. Un DWH cruza información de muchos sistemas aislados por la empresa. Datos estructurados creados y almacenados por las propias empresas, como los datos de los clientes alojados en las aplicaciones de CRM, los datos operativos almacenados en sistemas ERP o datos financieros, eran extraídos a través de herramientas, transformados, normalizados y cargados en bases de datostransaccionales llamadas Data Warehouse 1- Un Data Warehouse debe estar orientado al negocio. 2- Un Data Warehouse debe contener datos no volátiles, es decir, datos históricos, en el sentido de que no deben ser modificados nunca

2. 3- Un Data Warehouse debe estar diseñado para proporcionar información a sus usuarios, en forma de consultas, informes, etc, nunca para capturarla 4- Además, los tiempos de respuesta de un Data Warehouse deben ser “razonables” 5- Un Data Warehouse debe estar preparado para gestionar grandes volúmenes de información Un ejemplo: una Compañía de Telecomunicaciones cualquiera de hoy en día puede registrar quizá ciento cincuenta o doscientos millones de llamadas al día… por no hablar de mensajes SMS, multimedia, tráfico de datos, etc, etc. A poco que esta compañía quiera guardar las llamadas del último año (en la actualidad se guarda bastante más que eso, incluso debido a imposiciones legales: la lucha contra el terrorismo y tal y tal), debe mantener en línea y accesibles por el usuario entre cincuenta y cien mil millones de llamadas (o sea: 100.000.000.000 filas en la tabla de llamadas).
Bienvenidos a la era de Big Data. El nuevo megarich de Silicon Valley, en primer lugar en Google y ahora Facebook, son maestros en el aprovechamiento de los datos de la Web - Búsquedas en línea, mensajes y avisos - con la publicidad en Internet.
Business Intelligence:
Herramientas orientadas a la creación de conocimiento a partir del análisis de datos de los sistemas de información de una compañía y para toma de decisiones.
Se denomina inteligencia empresarial, inteligencia de negocios o BI (del inglés business intelligence), al conjunto de estrategias y aspectos relevantes enfocadas a la administración y creación de conocimiento sobre el medio, a través del análisis de los datos existentes en una organización o empresa.
Es posible diferenciar datos, informaciones y conocimientos, conceptos en los que se centra la inteligencia empresarial, ya que como sabemos, un dato es algo vago, por ejemplo "10 000", la información es algo más preciso, por ejemplo "Las ventas del mes de mayo fueron de 10 000", y el conocimiento se obtiene mediante el análisis de la información, por ejemplo "Las ventas del mes de mayo fueron 10 000. Mayo es el mes más bajo en ventas". Aquí es donde la BI entra en juego, ya que al obtener conocimiento del negocio una vez capturada la información de todas las áreas en la empresa, es posible establecer estrategias y determinar cuáles son las fortalezas y las debilidades.
Las herramientas más comunes tenemos:
 Sistemas de Consultas y Reportes,
 Análisis OLAP,
 Dashboards y Cuadros de mando,
 Minería de datos o Datamining.