Antes de Franchise Connect, la operación latinoamericana de Citi funcionaba sobre islas de información — tres stacks de BI separados, cada uno respondiendo solo su propio rincón del negocio: dashboards en Qlikview para CSC Connect; dashboards en Business Objects para Cards, Citiservice, ICG y Markets; y reportes en Excel para Trade, ASU, Cash, Cards y CitiService. La vista de la gerencia era demasiado limitada para soportar decisiones. Los problemas de fondo se agravaban entre sí:

• Dashboards estáticos y no estandarizados: sin un estándar visual ni analítico, y áreas distintas usaban conceptos e indicadores distintos — con problemas de desempeño en las aplicaciones de Qlikview y Business Objects.
• Reporting lento: la generación de reportes se ralentizaba por las actualizaciones, verificaciones y validaciones manuales.
• Sin una versión única de la verdad: el mismo indicador arrastraba números distintos en cada sistema, y nadie podía decir cuál era válido o confiable.
• Herramientas que no encajaban, no se mantenían ni estaban listas para el futuro: ninguna encajaba del todo con el negocio, todas exigían un fuerte esfuerzo operativo para mantenerse, muchas quedaban sin uso, y ninguna podía soportar análisis de escenarios, data mining, predicción, nuevos tipos de datos, APIs emergentes ni analítica avanzada para data scientists.

El objetivo

Construir una única aplicación capaz de unificar esas grandes islas de información y manejar los volúmenes de datos de toda la región — permitiendo a los usuarios analizar al instante la composición y la variación de los indicadores segmentados por región, país, unidad de negocio, servicio, producto, condición comercial y más.

La solución

AYNITECH entregó una única herramienta de seguimiento y monitoreo al servicio de las necesidades de información de la región CitiLatam, con dashboards de gestión para cada área de Franchise Connect en web y móvil. Por debajo se ubicaba un data warehouse de amplio espectro que no solo cargaba los sistemas fuente requeridos sino que construía una infraestructura completa tanto para las necesidades actuales como futuras, y un modelo de datos que homogeniza los datos capturados de distintas fuentes, enriquece su contenido analítico y garantiza la calidad del dato. Cada proceso manual fue automatizado.

Los resultados en números

• La adopción de usuarios fue alta — más de 1,000 accesos diarios en promedio, un aumento del 75%
• Los tiempos de respuesta mejoraron a unos 3 segundos, una mejora del 80%
• El procesamiento nocturno se aceleró en más del 50%

Junto con los números, el proyecto elevó el desempeño y la usabilidad de la herramienta de soporte a la decisión, eliminó la carga de desarrollo de las herramientas de BI anteriores, hizo simple de presentar una información de negocio altamente compleja, y consolidó el soporte a la decisión sobre un único punto de verdad.