Los sistemas OLTP (On-Line Transaction Processing) constituyen la capa operacional de la base de datos en cualquier organización. Su función es gestionar el flujo de transacciones de negocio en tiempo real: altas, bajas, modificaciones y consultas de registros individuales que representan eventos cotidianos como ventas, pedidos, pagos, reservas o movimientos de almacén.
El diseño de un sistema OLTP prioriza la velocidad de escritura y la consistencia de los datos. Sus bases de datos están altamente normalizadas (generalmente en 3ª Forma Normal o superior) para eliminar la redundancia, facilitar las actualizaciones y garantizar la integridad referencial. Cada transacción debe completarse de forma atómica siguiendo las propiedades ACID.
Los usuarios de los sistemas OLTP son los operadores y el personal administrativo que interactúa directamente con el sistema a lo largo de la jornada laboral: cajeros, agentes de atención al cliente, operadores logísticos, etc. El volumen de transacciones puede ser muy elevado: un supermercado o una entidad bancaria pueden procesar miles de operaciones por minuto.
Alto rendimiento en escritura
Optimizados para miles de inserciones y actualizaciones por segundo con tiempos de respuesta inferiores a milisegundos. Los índices están orientados a búsquedas por clave primaria.
Normalización y consistencia
Las tablas están en 3FN para evitar redundancias. Los mecanismos de bloqueo (locks) garantizan que las transacciones concurrentes no corrompan los datos.
Datos actuales
Refleja el estado actual del negocio en tiempo real. No conserva historial detallado: los registros se actualizan in situ. El horizonte temporal es el presente.
| Característica | Descripción en sistemas OLTP |
|---|---|
| Operaciones típicas | INSERT, UPDATE, DELETE sobre filas individuales; SELECT con filtros por PK |
| Volumen de datos | Gigabytes a terabytes; tablas con millones de registros activos |
| Usuarios concurrentes | Cientos o miles de usuarios simultáneos realizando operaciones pequeñas |
| Tiempo de respuesta | Milisegundos por transacción; el usuario espera confirmación inmediata |
| Modelo de datos | Esquema relacional normalizado (3NF); muchas tablas con pocas columnas |
| Ejemplos de sistemas | TPV (punto de venta), banca en línea, reservas de vuelos, ERPs operacionales |
| SGBDs comunes | Oracle DB, Microsoft SQL Server, MySQL, PostgreSQL |
Los MIS (Management Information Systems) se sitúan en el nivel táctico de la organización. Su propósito es transformar los datos transaccionales generados por los sistemas OLTP en informes estructurados y periódicos que permitan a los mandos intermedios supervisar el rendimiento operativo, controlar el cumplimiento de objetivos y tomar decisiones de gestión rutinarias.
A diferencia de los sistemas OLTP, que trabajan con datos individuales en tiempo real, los MIS operan sobre resúmenes y agregaciones de datos históricos. Un MIS no responde preguntas como "¿qué ha comprado el cliente 382?", sino "¿cuál ha sido la facturación mensual por región en el último trimestre?"
Los informes generados por un MIS suelen ser fijos, predefinidos y repetitivos: se ejecutan con la misma estructura pero con datos actualizados en cada período. Su audiencia son los directores de área, jefes de departamento y gerentes que necesitan visibilidad periódica sobre el funcionamiento de su área de responsabilidad.
Informes predefinidos y periódicos
Balances de ventas semanales, informes de producción diarios, análisis de rentabilidad mensual. La estructura del informe es fija; solo varía el período de referencia. Se generan de forma programada (scheduler).
Control por excepción
Los MIS más avanzados incorporan alertas automáticas cuando un indicador supera umbrales predefinidos: caída de ventas superior al 15%, exceso de devoluciones, ruptura de stock, etc. Permiten una gestión reactiva ágil.
Datos históricos resumidos
Trabajan con datos agregados por período, región, producto o departamento. Conservan histórico para comparar períodos: mes actual vs. mes anterior, este año vs. el año pasado.
Integración de fuentes
Pueden consolidar datos de varios sistemas operacionales: ventas del ERP, incidencias del CRM, datos financieros del sistema contable. Ofrecen una visión integrada del negocio.
| Característica | Descripción en sistemas MIS |
|---|---|
| Tipo de consultas | Informes agregados, totales por período, comparativas, porcentajes de desviación |
| Frecuencia | Diaria, semanal, mensual; ejecución automática programada |
| Usuarios | Directores de área, jefes de departamento, analistas de negocio |
| Origen de datos | Extracción periódica desde sistemas OLTP; datos limpios y verificados |
| Formato de salida | Informes impresos o PDF, hojas de cálculo, dashboards con KPIs fijos |
| Ejemplos | Informe de ventas mensual, control de producción, cuadro de mando de RRHH |
Los DSS (Decision Support Systems) están diseñados para apoyar la toma de decisiones no estructuradas o semiestructuradas en los niveles directivos. A diferencia de los MIS, que responden preguntas predefinidas, los DSS permiten a los analistas y directivos explorar los datos libremente, formular hipótesis, construir modelos y evaluar escenarios alternativos.
Un DSS no toma la decisión: proporciona al decisor la información y las herramientas analíticas necesarias para que la decisión esté fundamentada en datos. Son sistemas interactivos, flexibles y orientados al análisis ad-hoc. El usuario puede modificar parámetros, aplicar filtros complejos, cruzar dimensiones y construir sus propios informes en tiempo real.
Los DSS modernos integran técnicas de análisis multidimensional (OLAP), modelos estadísticos, simulación y cada vez más herramientas de inteligencia artificial y machine learning para facilitar el descubrimiento de patrones ocultos en los datos (data mining).
Base de datos analítica
Repositorio de datos históricos, integrados y orientados al análisis. Puede ser un almacén de datos (DW) o un subconjunto de él (data mart). Los datos están desnormalizados para acelerar las consultas analíticas complejas.
Motor de modelos
Biblioteca de modelos analíticos, estadísticos y matemáticos: regresión, previsión de demanda, análisis de sensibilidad, simulación Monte Carlo, modelos de optimización, árboles de decisión.
Interfaz de usuario
Herramientas de consulta ad-hoc, tablas dinámicas, visualizaciones interactivas, cuadros de mando personalizables. El usuario explora los datos de forma intuitiva sin necesidad de programar consultas SQL.
Análisis OLAP multidimensional
Los cubos OLAP permiten analizar métricas a través de múltiples dimensiones simultáneamente (tiempo, geografía, producto, canal). Operaciones de drill-down (mayor detalle), roll-up (mayor agregación), slice and dice (filtrado) y pivot (rotación de dimensiones).
Análisis What-If
El decisor puede modificar variables (precio, volumen, costes) y observar el impacto simulado sobre los resultados. Fundamental para la planificación de escenarios y la evaluación de alternativas estratégicas antes de comprometer recursos.
Data Mining y ML
Técnicas de minería de datos para descubrir patrones no evidentes: segmentación de clientes (clustering), predicción de churn, detección de fraude, análisis de la cesta de la compra (reglas de asociación), modelos predictivos.
Previsión y forecasting
Modelos de series temporales (ARIMA, suavizado exponencial) para proyectar ventas, demanda, tesorería o cualquier magnitud del negocio. Permiten planificar recursos con anticipación bajo diferentes hipótesis de evolución.
El almacén de datos (Data Warehouse) es un repositorio centralizado de información corporativa diseñado específicamente para el análisis y la toma de decisiones. Bill Inmon, considerado el padre del concepto, lo definió en 1990 como una colección de datos orientada a temas, integrada, variante en el tiempo y no volátil, que apoya los procesos de toma de decisiones de la dirección.
El DW no es simplemente una copia de las bases de datos operacionales. Es una arquitectura completa que extrae datos de múltiples fuentes heterogéneas (diferentes SGBDs, hojas de cálculo, servicios externos), los transforma, limpia e integra bajo un modelo de datos unificado, y los carga en un repositorio optimizado para consultas analíticas complejas sobre grandes volúmenes de datos históricos.
El diseño de un DW suele seguir el modelo dimensional de Ralph Kimball: tablas de hechos (facts) que almacenan métricas numéricas del negocio, rodeadas de tablas de dimensiones (time, product, customer, geography) que proporcionan el contexto descriptivo. El esquema resultante, llamado esquema en estrella o esquema en copo de nieve, está desnormalizado para maximizar el rendimiento de las consultas analíticas.
operacionales
hojas de cálculo,
APIs externas
Transformación
y Carga
Warehouse
central integrado
e histórico
por área:
ventas, RRHH…
/ Reporting
cuadros de mando,
data mining
Data Marts
Subconjuntos del DW especializados por área de negocio: ventas, finanzas, RRHH, marketing. Son más pequeños y rápidos de consultar. Pueden construirse desde el DW central (enfoque Inmon) o directamente desde las fuentes (enfoque Kimball).
Proceso ETL
Extracción de datos de las fuentes originales, Transformación (limpieza, estandarización, enriquecimiento y aplicación de reglas de negocio) y Carga en el DW. Es la parte más crítica y costosa del proyecto de DW.
Cloud Data Warehouses
Plataformas modernas como Snowflake, Google BigQuery, Amazon Redshift o Azure Synapse ofrecen almacenes de datos en la nube con escalado automático, separación de almacenamiento y cómputo, y pago por uso.
Data Lake
Evolución del DW clásico: almacena datos en su formato nativo (estructurados, semi-estructurados y no estructurados) a escala masiva. Permite análisis exploratorios avanzados con herramientas de big data como Spark o Hadoop antes de estructurar los datos.