2. Qué hay en esta presentación
Cuña comercial.
Business Intelligence:
• qué es
• quien lo usa
• objetivos.
• Fabricantes
• Posicionamiento
• Historia
• como se usa
• qué nos depara el futuro.
Qué hay que evitar.
Algunos casos reales.
Preguntas y respuestas.
3. Infracom - Soluciones Verticales y Kits
FOCUS Manufacturing FOCUS Shipping
Para empresas de producción discreta. Para Operadores Logísticos. Incluye las prácticas de
Gestión Integral de gestión de pedidos, Transporte Marítimo, Terrestre, Aéreo y servicios.
producción, facturación y compras. Gestiona de manera específica las problemáticas de
Master & House Bill of Lading, Arriendo de vehículos,
Canales Logísticos, Puertos y Aeropuertos, Grupage,
FOCUS Engineering etc.
Para empresas que producen por proyecto.
FOCUS Building
Permite la gestión integral de proyectos,
ingeniería, provisión, gestión y facturación
Concebido para empresas que trabajan en el mundo
según las necesidades específicas.
de la construcción.
Gestiona de manera integral la provisión, logística,
FOCUS Fashion distribución y gestión de recursos.
Específicamente desarrollado para el mercado
de la moda. Textil, Complementos, calzado.
Gestiona de manera integral todos los
aspectos del sector.
NeaR CAD KIT
Integración de los departamentos de Ingeniería con
Preindustrialización, Industrialización, Proceso,
Compras.
Del Diseño a la Lista de Materiales, de manera
integrada.
NeaR Factory KIT
NeaR Warehouse KIT
Agilidad en la gestión de planta, gestión de
Para Implantaciones SAP que necesiten de una
consumos, planificación de producción y
solución rápida, eficaz y cómoda en almacenes
gestión de recursos internos y externos,
automatizados, con o sin radiofrecuencia,
gestión de procesos externalizados, ...
recorrido óptimo de almacén, etc.
4. ¿Quien es Infracom?
Empresa de Consultoría SAP de origen Italiano, Constituida en
1999 por la asociación de diversos grupos empresariales e
industriales.
Partner SAP en Soluciones, Servicios y Hosting.
550 Consultores SAP en toda Europa,
experiencia contrastada en Despliegues Mundiales.
1,500 empleados,
+90 clientes internacionales.
5 soluciones verticales, 3 kits de funcionalidad específica.
3 data centers de alta disponibilidad, redundancia en
comunicaciones, 10,000Km de fibra propia y acuerdos con los
principales operadores a nivel mundial.
Centros de excelencia
territoriales, no globales.
5. Business Intelligence según...
IBM: Es un Concepto: Convertir Datos en Información Útil usando un conjunto de herramientas y
tecnologías.
• Los Indicadores de Negocio son el resultado de la Consolidación de datos diversos (bases de datos, hojas de cálculo,
logs, datos geopolíticos, heterogéneos, …) y permiten a los analistas gestionar el cambio y generar mayores
beneficios.
Jeróme Bergerou (ACCURACAST): Es un Proceso: Usar los datos de manera razonada para gestionar
de manera eficaz el negocio.
• Provisión de datos, Filtrar y Organizar, Analizar y Determinar la situación, generando escenarios y analizando riesgos
para tomar decisiones razonadas.
SIEBEL: Es un Conjunto de Herramientas: Mediante la Integración y Transformación de datos
heterogéneos en Indicadores Clave, los Directivos, Ejecutivos y Empleados pueden tomar decisiones
que mejorarán el rendimiento del negocio.
COGNOS: Es la Monitorización de Sucesos, Rendimiento y Operaciones dentro de la compañía
buscando aquellos hechos Clave para el Cambio. Una vez que estos hechos se producen, el Sistema
debe dirigir la información adecuada a las personas según su Rol en la corporación.
Steve Hoberman (Microsoft Office Sharepoint Server – MOSS): Procesos, Tecnologías y
Herramientas necesarias para convertir Datos en Información, Información en Conocimiento,
Conocimiento en Planes para Gestionar de manera eficaz las Acciones necesarias para el Negocio.
• BI agrupa el Data Warehouse, Herramientas de Análisis y Gestión de Contenido y Conocimiento.
ORACLE: La Recogida de Información para el Análisis y el Pronóstico del Futuro. De manera
sistemática, permite gestionar grandes volúmenes de datos para ofrecer capacidad de decisión
razonada y facilitada por información fiable.
Dave Menninger (INFORSENSE): “Business Intelligence es la gestión de lo conocido y lo desconocido.
[...] Provisión, Consolidación, Ordenación y Preparación de Información para Entender y Actuar sobre la
base de Indicadores Clave que definen el rendimiento de la Corporación”.
6. Entonces... ¿Qué es Business Intelligence?
Es un SISTEMA y un PROCESO.
La definición más común de un BI es:
“Sistema de almacenamiento de Datos
Corporativos y sus herramientas de Análisis”.
Otra definición es la de “Proceso de
Información Analítica de Negocio”.
Yo personalmente prefiero considerarlo como
“una hoja en blanco y un bolígrafo,
potencialmente útiles”.
7. BI ¿Porqué es un SISTEMA y un PROCESO?
KPI
Visión
Analítica
OLAP
Data
Mining
ETL
Informes
Análisis de Gestión del
Fuentes de Data
Negocio Rendimiento
Información Warehouse
8. BI ¿Quién lo usa?
5% - Usuarios
Técnicamente
Avanzados
95% - Usuarios y Punto
9. BI ¿Quién lo usa? (y II)
?
Análisis Estratégico Plan Estratégico
Data Warehouse Corporativo (y II)
!
Análisis de
Rendimiento Reporting
Negocio
Data Warehouse Corporativo
ERP XML CRM ...
DW DBRMS xFS
11. BI – Objetivos y Necesidades
Disponer de una visión única y clara del negocio.
Facilitar una base común para el análisis y poder
tomar así decisiones.
Disponer de datos consistentes con la operativa del
negocio pero que no interfieren en el día a día.
Separar los datos “útiles” de los “inútiles”.
Disponer de datos históricos más allá de los límites
de los sistemas transaccionales.
Ser realmente de utilidad a quien lo utiliza
12. BI – Objetivos y Necesidades (y II)
Mejoras en la Capacidad de
Estratégicos Decisión
Optimización de los
Planificar el Futuro
Procesos de Negocio
Analísis Qué habría pasado si...
Tácticos
Motivos que nos han llevado
Rendimiento
a...
Recursos Tecnologias
Ventas
Operativos Humanos Información
Marketing Operaciones Finanzas ...
13. Un poco de historia
Alertas
Colaboración,
Notificación en
Procesos de
base a Eventos
Workflow
Visualización
Portales de
Cuadros de Análisis Predictivo
Información
Mando
Soluciones a Plantillas y Adaptabilidad de
Scorecards
medida Modelos de Datos Procesos
Informes y ETL, Calidad de
OLAP, Queries y Gestión del Ciclo Análisis de
Estadísticas datos, “Data
Data Mining de Vita de los DW Contenidos
Impresos Cleansing”
1975-1989 1990-2004 2005-2020
Suites de BI y Automatización Automatización de
Procesos diferidos
Data Warehousing aplicaciones de Procesos de Procesos
y en soporte papel
analíticas Decisión (BPM) Inteligentes
16. Estudios de posicionamiento - Referencias
Consulta a Usuarios
James Richardson
Magic Quadrant
+ 350 compañías
Customer Survey
Se analizan12 indicadores clave
Consulta a Usuarios
Nigel Pendse
+ 1,900 compañiás de 60 paises
1,901 Companies
Se analizan17 indicadores clave.
Evaluación por expertos
Evaluación por Expertos
Kurt Schlegel - Bhavish Sood
BI Platform
Consulta a Usuarios
Capabilities
Se analizan 12 indicadores clave y se
Rating
Daan Van Beek - Norman Manley
cruzan con 220 criterios de análisis.
Se analizan +70 criterios clave
Evaluación pr Expertos
Cindi Howson
Análsis de las herramientas en entornos reales.
Se utilizan +100 criterios de análisis.
17. Para qué usamos BI (y para qué deberíamos usarlo...)
¿Qué ha pasado?
¿Qué está pasando?
¿Porqué ha pasado?
¿Cuándo ha pasado?
¿Qué pasará?
¿Qué quiero que pase?
¿Creo en el Oráculo de Delfos?
18. ¿Qué podemos hacer con BI?
Informes, Estadísticas, Reportes...
Analítica a hecho pasado.
Documentarnos para el futuro.
Alertas tempranas.
Modelización del futuro.
Usar la cabeza y no dejar que el sistema
pueda tomar decisiones por nosotros.
19. El Futuro de BI está aquí
Business Intelligence
Basado en... Distribución basada en...
• Sucesos.
• Data Warehouse.
• Contenidos.
• Analítica de Negocio.
• Visualización.
• Gestión de Rendimiento.
• Movilidad.
Integrado con...
Decisión basada en...
• Geo posicionamiento.
• Modelos avanzados.
• Fuentes Heterogéneas. • Correlación con datos no
• En Tiempo Real. modelados.
• Inteligencia Artificial.
20. Una Pincelada de Data Mining (I)
Data Mining es... Qué entra en juego
El poder extraer información útil • Métodos Matemáticos.
de grandes volúmenes de datos. • Algoritmos.
• Inteligencia Artificial.
Algoritmos I.A.
Data Mining
Métodos
21. Una Pincelada de Data Mining (II)
Sus objetivos Herramientas
Predicción de resultados: Métodos directos:
En función de los indicadores • Árboles de Decisión.
actuales, determinar el • Funciones de Probabilidad.
comportamiento de indicadores
Métodos estadísticos.
futuros.
• Métodos Bayesianos.
Descripción de la realidad:
• Redes Neuronales.
Encontrar patrones de
• Validación Cruzada.
comportamiento que nos
interpretar la realidad. • …
22. Los factores principales de FRACASO en un
proyecto BI
Confusión sobre quien ha de usar qué.
Confusión sobre quien ha de saber qué.
Eternizar los tiempos de implementación.
Distribuir Demasiada información.
Confundir Reporte con Análisis.
Confundir Análisis con Capacidad de Decisión.
No Identificar adecuadamente la información Realmente
Útil.
Querer Abarcar demasiado.
Tener Diferentes Versiones de la Verdad.
No involucrar al Usuario.
23. Business Intelligence en el Mundo Real
Los siguientes casos están basados en Proyectos
reales.
Algunos datos han sido modificados para proteger la
privacidad de las empresas los han implementado.
Estos cambios pueden contener errores no
intencionados, que son responsabilidad única del autor
de esta presentación.
Administración Pública Servicios Corporativos
Industria Medios de Pago
Portal Comercial Automoción
Servicios de Internet
24. Administración Pública (I)
Entorno
• Ciudad de un poco menos de 1M habitantes.
• Casi 3,000 Kmq.
• 15,000 empleados públicos.
• 2,000 MEUR de Budget operativo.
• 500 MEUR de Budget para inversiones.
25. Administración Pública (II)
Visión del Proyecto
• Sin incrementos en el gasto público.
• Reducción de 75MEUR/Año en impuestos, a partir
del 3er año.
• Reducción de los gastos de infraestructura, sin
reducciones evidentes en la calidad de servicio.
• Acceso a la información desde cualquier punto.
• El desarrollo tecnológico debe alinearse con el
desarrollo de la ciudad.
26. Administración Pública (III)
Objetivos Operativos (a)
• Gestión de aguas
Análisis del margen de beneficio.
•
Análisis de la eficiacia operativa.
•
• Mejora medioambiental
Análisis geográfico de la eficacia en medidas anticontaminación.
•
Análisis de la red de aguas para la calidad del agua.
•
• Planificación urbana
Análisis del desarrollo urbano y la aplicación de infraestructura
•
combinados con datos geográficos.
• Sistema de transporte público
Análisis de la eficacia de la red urbana en términos de cumplimiento
•
de horarios y capacidad de viajeros.
27. Administración Pública (IV)
Objetivos Operativos (b)
• Sistemas de emergencia
• Análisis de eficacia de los servicios de emergencia en términos de
tiempos.
• Servicios urbanos. Parques y Jardines
• Cursos de Natación, Patinaje y/o Deportes: ¿cual es más atractivo?
• Recursos Humanos
• Análisis de Nuevas Posiciones.
• Análisis de Bajas.
• Planificación de Sucesiones.
• Presencia/Penetración de Sindicatos.
• Determinación de Costes por Centros de Beneficio.
• Preparar el camino para la Implementación de SAP HR.
• Preparar el terreno para análisis de servicios en base demográfica/censal.
28. Administración Pública (V)
Herramientas
• Carga directa de ERP y aplicaciones específicas
de negocio al DW.
• Enterprise Content Management (Sistema Gestión
de Contenidos Corporativos) para la gestión de
datos heterogéneos y posterior volcado al DW.
• Distribución de Contenidos e Informes a través de
portales de servicio.
29. Administración Pública (VI)
Técnicamente...
• 150 Usuarios de BI.
• Cognos como BI frontend.
• Información disponible en el Portal del Usuario.
• Distribución de Contenidos e Informes a través
de Portales de Servicio.
30. Administración Pública (VII)
Lecciones Aprendidas
• Datos de Calidad = Buenos resultados del BI.
• Reglas de Negocio bien estructuradas e implementadas. Un
factor crítico para disponer de Datos de Calidad.
• Definir los Metadatos, un factor trascendental para
recuperar la información a posteriori.
• Establecer formalmente el ciclo de vida del DW = Un
sistema de BI sólido.
• Support Services para el Usuario. Muy Importante. Un
Usuario con un buen servicio de soporte es un usuario
proactivo.
• Formación, formación y formación. Garantiza un arranque
de proyecto de éxito.
31. Servicios Corporativos (I)
Entorno
• Empresa de Servicios Horizontales de
Recursos Humanos en SAP.
• 30 Entidades Asociadas.
• +/- 2,700 Trabajadores.
• 15 Consultores de HR.
32. Servicios Corporativos (II)
Visión del Proyecto
• Unificar los criterios de información estadística entre
las diversas Asociadas.
• Eliminar los desarrollos a medida por Asociada.
• Mantener la Seguridad de la Información. Garantizar
que ninguna Empresa Asociada pueda acceder a los
datos de las otras.
• Crear una Base Común de Información Agregada a
todas las Asociadas para determinar tendencias del
sector.
• Acceso Seguro, pero sin grandes inversiones en
Infraestructura.
33. Servicios Corporativos (III)
Objetivos Operativos
• Gestión de Recursos Humanos.
• Análisis de Carencias.
• Análisis de Roles y Funciones versus Personal Contratado.
• Preparar el camino para la implantación del Portal de Formación:
• Elaborar análisis de formación por Empleado.
• Cruzar datos con las requisitos de Organigrama.
• Análisis de causas de ausencias, vertical por Entidad y Horizontal por
Sector.
• Agregar datos de Entidades fuera grupo (“la competencia”).
• Preparar el camino para incorporar el Plan de Sucesiones.
• Determinar Rotaciones de Personal por grupos de Edad y Zona
Geográfica. ¿Causas?
34. Servicios Corporativos (IV)
Herramientas
• Carga directa de SAP-HR. Activación de Cubos
estándar en SAP BI y customización de cubos
según necesidad de Entidad y Grupo.
• Segundo DW de Grupo independiente del DW
de Entidades.
• Distribución de Contenidos e Informes a través
de SAP Portal.
35. Servicios Corporativos (V)
Técnicamente...
• 2 Key Users por Entidad Asociada.
• 3 Consultores dedicados Full Time al proyecto
durante el primer año de vida; 2 durante el
segundo.
• SAP BI como Frontend.
• Information Push/Pull – Los Usuarios Recogen
la Información.
36. Servicios Corporativos (VI)
Lecciones Aprendidas
• Planificar la transición es necesario para disponer de una
solución solida de BI.
• “Porqué no lo hicimos antes”, o la resistencia del entorno
cuesta dinero.
• Seguridad, Seguridad, Seguridad.
• “El diablo está en los detalles”. No hablamos lo suficiente
con las Asociadas antes de diseñar el Almacén de Datos, y
tuvimos que rehacer el trabajo.
• Usar una fuente única de datos ayuda mucho. Tardamos
más en resolver las cargas de datos heterogéneas que las
de SAP. Proporcionalmente, el 90% de tiempo lo pasamos
resolviendo problemas para datos que representaban
menos del 5% del conjunto... Y que no pertenecían a SAP.
37. Industria (I)
Entorno
• Grupo Multinacional, primero en ranking en su sector a nivel
mundial.
• Más de 40 compañías del grupo, 50% productivas, 50%
comerciales.
• Cada compañía dispone de un sistema de gestión propio y reglas
de negocio propias. No existe política común de tecnologías de la
información.
• 70,000 Productos a catálogo, el 65% de los cuales de alto coste
de mano de obra y bajo valor añadido.
• 1,800 empleados a nivel mundial, 400 en oficinas.
• 750 MEUR Facturado anual.
• ¿El diablo hecho proyecto?
38. Industria (II)
Visión del Proyecto
• Crear un Sistema de Información común para compartir
datos de stock, ventas y margen operativo.
• Mantener la independencia de cada compañía. En
cualquier momento, el grupo puede decidir
desprenderse de una compañía del grupo y esto debe
poderse hacer sin interferir con la funcionalidad del
grupo.
• Interferir lo menos posible en las reglas de negocio de
cada compañía.
• En lo posible, hacerlo con soluciones “off-the-shelf” y
en portal web.
39. Industria (III)
Objetivos Operativos
• En General
• Cada compañía, por motivos históricos, usa códigos de
artículo propios para artículos comunes. Esto debe
RESPETARSE en el Sistema de Información. Cada operador
debe ser capaz de ver los códigos de artículo según su
costumbre, sin importar a qué compañía del grupo pertenecen.
• Inventario, Ventas y Margen
• Disponer de una visión puntual (1 día operativo de retraso
máx.) de los indicadores (Ventas, Margen e Inventario) por
Compañía.
• Analizar la evolución histórica por Compañía.
• Disponer de una visión puntual e histórica por Compañía.
40. Industria (IV)
Objetivos Operativos (b)
Planificar para el Futuro
• Incorporar otras necesidades de futuro:
• Work In Progress.
• Compras.
• Costes de Producción.
• Costes de Mano de Obra.
• Preparar el camino a una Migración a un
Sistema Común. ¿SAP Quizás?
41. Industria (V)
Herramientas
• DW en Hosting en un Datacenter, basado en una
solución OLAP-DB
• Hipercubo principal con codificación propia de
artículos.
• Hipercubos específicos por compañía, preparados en
cascada del principal.
• Solución a medida para la capa de presentación,
combinada con Microstrategy y Cristal Reports para las
partes de análisis y reportes.
42. Industria (VI)
Técnicamente...
• 1 Jefe de Proyecto, 2 Consultores dedicados
Full Time al proyecto durante el primer año de
vida.
• La parte más compleja del sistema es la carga
de datos.
• El segundo elemento más complejo es el
Traductor de Códigos. Se trasladan las reglas
de negocio al DW.
43. Industria (VII)
Lecciones Aprendidas
• Un proyecto sin el soporte de la Dirección del grupo es un
proyecto condenado al fracaso.
• Garantizar la limpieza de los datos en origen elimina la mayor
parte de los errores en la entrega de información al usuario.
• No disponer de reglas de negocio comunes aumenta en un grado
la complejidad del proyecto (y los desarrollos a medida en las
ETL).
• La seguridad es un factor, pero no siempre es crítico.
• Cuando los usuarios pertenecen a franjas horarias radicalmente
distintas, es necesario planificar en Alta Disponibilidad.
• Alta disponibilidad = 1 cero más en la complejidad del proyecto.
• Soporte a los Usuarios desde el día de arranque en pruebas. Un
factor clave en el éxito del proyecto.
• Establecer puntos de entrega claros, bien documentados y
aceptados por todas las partes. La gestión de proyecto es crítica.
44. Gestión de Fraudes en Medios de Pago (I)
Entorno
• Millones de Transacciones diarias.
• La Corporación extendida: Bancos, Emisores de
Tarjetas, Gestores de Medios de Pago, Portales,
Detallistas, Empresas…
• Distintas soluciones, pero un objetivo común.
Evitar el fraude y supervisar la actividad de los
defraudadores.
• Actualmente, se estima que la probabilidad de
fraude en medios de pago es aproximadamente el
0,2%.
45. Gestión de Fraudes en Medios de Pago (II)
Visión del Proyecto
• Hacer lo indecible para combatir la lacra de los
fraudes con medios de pago.
• Englobar el proyecto dentro de los objetivos
globales de gestión de medios de pago.
• Se extremadamente rápido en la respuesta, en
particular, gestionar alarmas y avisos de manera
proactiva.
• Soluciones extremadamente flexibles: no nos
olvidemos que este es un problema clásico de la
espada contra el escudo. A la larga, la espada
siempre rompe el escudo.
46. Gestión de Fraudes en Medios de Pago (III)
Objetivos Operativos
• Un objetivo principal: evitar el fraude.
• Objetivo secundario: si este se produce, contenerlo.
• Comunicar y compartir inmediatamente cuando se detecte un
caso anómalo de fraude (un nuevo método).
• No compartir con la competencia las informaciones de negocio de
las transacciones.
• Reducir al máximo los “falsos positivos”, pero recordando que es
mejor bloquear un pago “bueno” que dejar pasar un pago “malo”.
• Las técnicas y herramientas utilizadas deben ser eficientes desde
el punto de vista de coste.
• Evitar que el gran público se “asuste” y deje de usar los medios de
pago.
• Garantizar la confidencialidad bancaria.
47. Gestión de Fraudes en Medios de Pago (V)
Metodología
• Cada entidad de Medios de Pago anota las transacciones
de sus usuarios en hipercubos. Millones de transacciones
por día.
• Estos hipercubos permiten crear “patrones de compra”.
Modelos sobre la actuación de los compradores. Horarios,
tipo de transacción, lugares, valor, tipo de servicio adquirido,
etc.
• Las correlaciones en los distintos patrones de compra,
podemos determinar los modelos de compra real versus
compras fraudulentas.
• Se utilizan herramientas de Data Mining avanzado para
crear, analizar y gestar los patrones.
• Por último, el sistema avisa de posibles tentativos de fraude,
bloquea la tarjeta y avisa a un operador.
48. Gestión de Fraudes en Medios de Pago (VI)
Lecciones Aprendidas
• Los modelos de fraude deben ser compartidos con las
diversas entidades bancarias. La unión hace la fuerza.
• El coste de mantener a raya el fraude en medios de pago
está en línea con el monto de las pérdidas. Optimizar
costes sigue siendo una prioridad.
• Los modelos de compra pueden ser analizados para
determinar qué perfil de comprador compra qué, cuando y
donde.
• Esta información es Extremadamente valiosa, y una vez
agregada, tiene valor comercial.
• La realidad es compleja de gestionar, y hay defraudadores
que siguen estando un paso delante nuestro.
49. Portal de Comercio en Internet (I)
Entorno
• Portal comercial.
• Productos y Servicios, ofrecidos on-line a miles de
clientes en todo el mundo.
• Los Productos y Servicios son rentables, pero no
es posible ver una regla clara que asocia Producto
y Rentabilidad.
• La compañía busca maneras de maximizar la
rentabilidad de sus inversiones, y al mismo tiempo
saturar el portal con productos rentables.
50. Portal de Comercio en Internet (II)
Visión del Proyecto
• Buscar los indicadores clave que determinan la
rentabilidad de los productos, no solo los
indicadores de rentabilidad pura y dura.
• El problema no reside en saber la rentabilidad
de los productos ya existentes.
• Sino cómo evaluar las tendencias de mercado,
y qué elementos “accesorios” hacen que un
producto sea más atractivo y genere un mayor
volumen de beneficios.
51. Portal de Comercio en Internet (III)
Evolución: el modelo de datos NO cambia.
• Ya disponemos de las informaciones
necesarias.
• “Solo” cambia el método de tratar la
información para convertirla en
conocimiento.
• El uso intensivo de Data Mining es clave
para mejorar el margen de beneficio.
52. Portal de Comercio en Internet (IV)
Datos en origen (I) – El Log del Servidor
• Un ejemplo:
123.123.123.123 - - [12/Feb/2009:18:34:52 -0500] quot;GET /elfuturo/ HTTP/1.1quot; 200 15320
quot;http://www.google.es/search?q=qué+es+business+intelligence&hl=es&lr=2&start=10&sa=Nquot; Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1;
GTB6; .NET CLR 1.1.4322; .NET CLR 2.0.50727; FDM; .NET CLR 3.0.04506.30; InfoPath.2; .NET CLR 3.0.04506.648)
• ¿Qué quiere decir?
123.124.125.126: La dirección IP.
•
-: El nombre del usuario remoto.
•
-: Su usuario de red.
•
[12/Feb/2009:18:34:52 +0100]: Fecha, Hora, Franja horaria del usuario.
•
“GET /elfuturo/ HTTP/1.1”: La petición en sí. El enlace físico a la página que el
•
usuario accede.
• 200: El resultado de la petición.
• 15320: el tamaño, en bytes, de lo que el servidor ha enviado al peticionario.
• quot;http://www.google.es/search?q=qué+es+business+intelligence&hl=es&lr=2&s
tart=10&sa=Nquot;: Desde dónde se accede, quien ha enviado el usuario a /elfuturo/
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; GTB6; .NET CLR 1.1.4322; .NET
•
CLR 2.0.50727; FDM; .NET CLR 3.0.04506.30; InfoPath.2; .NET CLR 3.0.04506.648): Id
del navegador.
53. Portal de Comercio en Internet (V)
Proceso a toro pasado – informes y análisis
?
??
Análisis de
Negocio ?
Cleanse
Rendimiento de
DW los Productos
Combine
ETL
?
Reporting
?
¿Riesgos?
Provisión de Nuevos
Productos
54. Portal de Comercio en Internet (VI)
Proceso en línea – Minería de datos, relaciones
Herramientas de Data Mining
Propuestas de
Cambio
Agregación Optimización Deducciones
Cleanse
Combine
Análisis de
ETL
DW Tendencias
Provisión de Nuevos
Productos
55. Portal de Comercio en Internet (V)
Lecciones Aprendidas
• La más importante. Siempre hay espacio para la innovación.
• Las nuevas ideas siempre son rentables. Simplemente, hay
unas más que otras.
• La equivocación es sana. La próxima vez lo haces mejor.
• Buscar los resultados espectaculares a corto plazo,
especialmente en Data Mining, puede ser contraproducente.
Mejor desarrollar los proyectos paso a paso, y gestionar con
calma la evolución.
• Los datos de base ya están disponibles, hay que mirarlos
con ojos distintos
56. Automoción (I)
Entorno
• Fabricante Mundial de Automoción de
Reconocido Prestigio.
• Líder en su Sector.
• 520 Segmentos Operativos.
• 13 Modelos de vehículos.
• 5 Plafones.
• 2 Tipos de motor.
• 4 Regiones de Ventas.
57. Automoción (II)
Visión
• Reducir los costes operativos del grupo.
• Reforzar el control de gestión en toda la
cadena de valor.
• Reemplazar los sistemas tradicionales de
planificación.
• Mejorar la percepción y el entendimiento de
nuestros clientes.
• Permear el uso del Data Mining a todos los
aspectos de la compañía.
58. Automoción (III)
Objetivos Operativos
• Garantías.
• Detección de Fraudes.
• Diagnóstico de Fallos.
• Detección de Anomalías.
• Captación de Clientes.
• Retención de Clientes.
• Planificación de las Inversiones.
• Calificación de los Usuarios.
• Conducción Predictiva.
59. Automoción (IV)
Diagnóstico de Fallos y Detección de Anomalías
• Diagnóstico de fallos en los diversos
concesionarios.
• Desviaciones significativas respecto a los modelos
definidos en preindustrialización disparan las
alarmas.
• El uso de Data Mining permite reducir el tiempo de
detección de las anomalías y reaccionar frente al
mercado de manera proactiva.
• El mismo proyecto se combina con la detección de
fraudes en concesionarios.
60. Automoción (V)
Lecciones Aprendidas
• Los proyectos de minería de datos siguen siendo,
hasta cierto punto, un arte más que una ciencia.
Pero eso no los convierte en menos rentables.
• Modelar sobre el 90% de los datos, y validar sobre
el 10% restante. Clave para saber si vamos por
buen camino.
• La Conclusión: Buscar un equilibrio entre el
método que mejor se adapta a los datos en
análisis y cuan complicado debe ser el modelo.
61. Intermediación en Internet (I)
Entorno
• Empresa de Intermediación de Pagos en
Internet.
• Garantía de Confidencialidad, tanto hacia el
Proveedor de Servicios como hacia el
Consumidor.
• El Valor añadido hacia el Proveedor: Maximizar
la capacidad de margen de productos mediante
Cross Selling y maximizar el valor de los
productos en venta.
62. Intermediación en Internet (II)
Visión
• Aumentar el facturado de la empresa generando
mayor valor añadido para los Proveedores de
Servicios.
• Facilitar la segmentación de mercado. Lo que
funciona en un sitio y a unas horas y para un rango
de consumidores no tiene porqué funcionar en otro
segmento.
• La información que necesitamos ya está
disponible. Lo que sí necesitamos es generar el
conocimiento.
63. Intermediación en Internet (III)
Herramientas
• Se mantiene y refina el uso del Data
Warehouse Corporativo.
• Incorporación de herramientas de Business
Intelligence Avanzado y Data Mining.
• Rediseño integral del CMS para incorporar de
manera transparente los resultados de los
análisis de BI.
64. Intermediación en Internet (IV)
Lecciones Aprendidas
• Planificar correctamente el proyecto y sus
objetivos. Factor clave en determinar el éxito.
• Data Mining para determinar patrones y modelos.
Extremadamente útil para garantizar el éxito de
nuestro proyecto.
• El Data Mining puede ser extremadamente
complejo. Los modelos matemáticos requieren de
un profundo conocimiento de las herramientas
utilizadas. Pero esa complejidad es propia de la
herramienta. El resultado no tiene porqué serlo.
65. En resumen
• La definición de qué es Business Intelligence es muy amplia, y a
veces muy confusa.
• Business Intelligence es muy útil, pero también es complejo y ofrece
muchas posibilidades.
• La planificáción es esencial, es muy fácil pillarse los dedos.
• Usar Business Intelligence para reportistica y es matar moscas a
cañonazos. Podemos hacer mucho más.
• Asegurar la calidad de los datos es clave para tener buenos
resultados.
• Formación y Transmisión de conocimientos al usuario. Otro factor
clave para el éxito de un proyecto de BI.
• La información está ya disponible. Necesitamos BI Avanzado para
convertirla en conocimiento.
• Cuando se acude a Data Mining, es prudente buscar el equilibrio
entre el modelo y el resultado. Los modelos estadísticos pueden ser
extramadamente complejos.
• Meter todo en el Data Warehouse no tiene sentido, pero es bueno
planificar para el futuro.