IMPLEMENTACIÓN DE UNA ARQUITECTURA DE BASE DE DATOS PARA LA CREACIÓN DE UN REPOSITORIO DE DATOS ACADÉMICOS EN LA UNIVERSIDAD NACIONAL DE CHIMBORAZO

María Isabel Uvidia-Fassler; Christiam Xavier Núñez-Zavala; Heidy Madeline Remache-Remache; Rene Omar Saigua Paredes; Jean Pierre  Toapanta Ajila

doi:10.56519/9dmt9e51

Autores/as

María Isabel Uvidia-Fassler Universidad Nacional de Chimborazo Autor/a https://orcid.org/0000-0001-7862-4460
Christiam Xavier Núñez-Zavala Universidad Nacional de Chimborazo Autor/a https://orcid.org/0000-0001-8162-5616
Heidy Madeline Remache-Remache Universidad Nacional de Chimborazo Autor/a https://orcid.org/0000-0002-9298-2069
Rene Omar Saigua Paredes Universidad Nacional de Chimborazo Autor/a https://orcid.org/0009-0007-5110-3973
Jean Pierre Toapanta Ajila Universidad Nacional de Chimborazo Autor/a https://orcid.org/0000-0002-8256-8024

DOI:

https://doi.org/10.56519/9dmt9e51

Palabras clave:

Data warehouse, HEFESTO, ISO/IEC 25012:2008, inteligencia de negocios

Resumen

El presente estudio permitió implementar una arquitectura de base de datos para la creación de un repositorio académico en la Universidad Nacional de Chimborazo (UNACH), con el propósito de superar las limitaciones generadas por la dispersión de la información mediante la estructuración de los datos en un data warehouse que facilite su gestión y análisis estratégico. La investigación tiene un enfoque mixto, los datos cualitativos se centraron en la indagación de la integración y arquitectura de los modelos de repositorios, y los datos cuantitativos se evaluaron mediante la calidad de los datos bajo la norma ISO/IEC 25012:2008. La metodología HEFESTO se aplicó para la construcción del repositorio usando SQL Server Integration Services (SSIS) para los procesos de extracción, transformación y carga (ETL) y SQL Server para el almacenamiento multidimensional. Además, para el análisis de los datos se utilizó Power BI para la generación de reportes visuales y cuadros de mando con base de indicadores académicos para la toma de decisiones. Finalmente, los criterios de exactitud, consistencia y completitud alcanzaron un valor promedio superior al 95%, demostrando el cumplimiento de requerimientos de calidad de la información en el repositorio implementado, permitiendo el fortaleciendo de la toma de decisiones y el cumplimiento de las necesidades institucionales con datos consistentes que generan conocimiento útil y relevante para la determinación de estrategias y acciones académicas.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Reyes CCDL, Viñán-Ludeña S, Vivanco-Villavicencio MI, Moncayo-Serrano F. Architecture research trends between 2016-2020 in the scopus database, and their relationship with the creation of research groups. Habitat Sustentable 2021;11:46–59. https://doi.org/10.22320/07190700.2021.11.02.04.

AL-maaitah TA. Determinants of business intelligence adoption in the public Jordanian Universities. Discover Sustainability 2025;7:56. https://doi.org/10.1007/s43621-025-02327-x.

Henderson Deborah, Earley Susan, Bradley Chris. DAMA-DMBOK : data management body of knowledge. 2nd ed. Technics Publications; 2024.

Concepción Sánchez Espinoza J. Data Warehousing Architecture Model Applying Business Intelligence for Small and Medium Enterprises. Proceedings of the LACCEI international Multi-conference for Engineering, Education and Technology, Latin American and Caribbean Consortium of Engineering Institutions; 2024. https://doi.org/10.18687/LACCEI2024.1.1.1031.

Zeqo E, Naka E. A Historical Review of Data Warehouse Implementation in Higher Education. Interdisciplinary Journal of Research and Development 2025;12:253. https://doi.org/10.56345/ijrdv12n328.

Rudniy A. Data Warehouse Design for Big Data in Academia. Computers, Materials & Continua 2021;71:979–92. https://doi.org/10.32604/cmc.2022.016676.

Kimball R, Ross M. The Data Warehouse Toolkit. 3rd ed. John Wiley & Sons, Inc.; 2013.

Inmon B, Levins M, Srivastava R. Building the Data Lakehouse. Technics Publications; 2021.

Uvidia Fassler MI, Cisneros Barahona AS, Ávila-Pesántez DF, Rodríguez Flores IE. Moving Towards a Methodology Employing Knowledge Discovery in Databases to Assist in Decision Making Regarding Academic Placement and Student Admissions for Universities. In: Botto-Tobar M, Esparza-Cruz N, León-Acurio J, Crespo-Torres N, Beltrán-Mora M, editors. Technology Trends, Cham: Springer International Publishing; 2018, p. 215–29.

Andrés G, Cortassa C, Wursten A, Legaria J. Repositorios institucionales digitales de acceso abierto: una mirada socio-tecnológica. Estudio de caso del repositorio de la Universidad Nacional de Entre Ríos - Argentina. Información, Cultura y Sociedad 2020:35–52. https://doi.org/10.34096/ics.i42.7404.

Cabrera-Gato JE, Romero-Suárez PL. Note of a review of the management of institutional repositories in sciencie, technology and innovation Cuban entities. vol. 19. 2023.

Kutay J. Data Warehouse vs. Data Lake vs. Data Lakehouse: An Overview of Three Cloud Data Storage Patterns - Striim n.d. https://www.striim.com/blog/data-warehouse-vs-data-lake-vs-data-lakehouse-an-overview/ (accessed July 2, 2026).

Correa-Peralta M, Vinueza-Martínez J, Castillo-Heredia L. Evolution, topics and relevant research methodologies in Business Intelligence and Data Analysis in the Academic Management of Higher Education Institutions. A literature review. Results in Engineering 2024;25:103782. https://doi.org/10.1016/j.rineng.2024.103782.

Sequeira R, Reis A, Branco F, Alves P. From Roadmap to Ecosystem: A Comprehensive Framework for Implementing Business Intelligence in Higher Education Institutions. Systems 2025;13. https://doi.org/10.3390/systems13111032.

Dinesh L, Devi KG. An efficient hybrid optimization of ETL process in data warehouse of cloud architecture. Journal of Cloud Computing 2024;13:12. https://doi.org/10.1186/s13677-023-00571-y.

Castro B. Diseñar e implementar la metodología HEFESTO para un Data Warehouse y Data Mining en un sistema ERP. 2022.

Souibgui M, Atigui F, Zammali S, Cherfi S, Ben Yahia S. Data quality in ETL process: A preliminary study. Procedia Comput Sci 2019;159:676–87. https://doi.org/10.1016/j.procs.2019.09.223.

Caballero I, Gualo F, Rodríguez M, Piattini M. BR4DQ: A methodology for grouping business rules for data quality evaluation. Inf Syst 2022;109:102058. https://doi.org/https://doi.org/10.1016/j.is.2022.102058.

Gualo F, Caballero I, Rodríguez M, Piattini M. A Data Quality Model for Master Data Repositories. Informatica 2023:1–30. https://doi.org/10.15388/23-INFOR534.

Karagiannis A, Vassiliadis P, Simitsis A. Scheduling strategies for efficient ETL execution. Inf Syst 2013;38:927–945. https://doi.org/10.1016/j.is.2012.12.001.

Belghith M, Hanen BA, Elloumi A, Hachicha W. A new rolling forecasting framework using Microsoft Power BI for data visualization: A case study in a pharmaceutical industry. Ann Pharm Fr 2024;82:493–506. https://doi.org/10.1016/j.pharma.2023.10.013.

Rivera-Baena O, Patiño-Rodríguez C, Úsuga-Manco O, Barajas F. ADHE: A Tool to Characterize Higher Education Dropout Phenomenon. Revista Facultad de Ingeniería Universidad de Antioquia 2023. https://doi.org/10.17533/udea.redin.20230519.

Mositsa RJ, der Poll JA, Dongmo C. Towards a conceptual framework for data management in business intelligence. Information 2023;14:547. https://doi.org/10.3390/info14100547.

Guerra-García C, Nikiforova A, Jiménez S, Perez-Gonzalez H, Ramírez-Torres M, Ontañon L. ISO/IEC 25012-based methodology for managing data quality requirements in the development of information systems: Towards Data Quality by Design. Data Knowl Eng 2023:102152. https://doi.org/10.1016/j.datak.2023.102152.