Enviar búsqueda
Cargar
Inteligencia de Negocios
•
1 recomendación
•
1,221 vistas
Título mejorado por IA
Wilfredo Rangel
Seguir
Denunciar
Compartir
Denunciar
Compartir
1 de 22
Descargar ahora
Descargar para leer sin conexión
Recomendados
Investigacion de Operaciones II
Investigacion de Operaciones II
Jorge Javier Nuñez Ginez
Clase 1 Marco Estrategico Cadena De Suministros
Clase 1 Marco Estrategico Cadena De Suministros
Juliana
Taller_Diseño_Salidas_del_Sistema_Grupo1
Taller_Diseño_Salidas_del_Sistema_Grupo1
elisrojmed
Tabulación de datos
Tabulación de datos
DanyLopez29
Modelo dimensional de un proceso de negocio
Modelo dimensional de un proceso de negocio
Miguel Orquera
UML Café
UML Café
Manuel Galindo Sanz
Preparación de Datos en SPSS
Preparación de Datos en SPSS
Karina Landero
Herramientas básicas para el control de calidad
Herramientas básicas para el control de calidad
Nayira Aguirre
Recomendados
Investigacion de Operaciones II
Investigacion de Operaciones II
Jorge Javier Nuñez Ginez
Clase 1 Marco Estrategico Cadena De Suministros
Clase 1 Marco Estrategico Cadena De Suministros
Juliana
Taller_Diseño_Salidas_del_Sistema_Grupo1
Taller_Diseño_Salidas_del_Sistema_Grupo1
elisrojmed
Tabulación de datos
Tabulación de datos
DanyLopez29
Modelo dimensional de un proceso de negocio
Modelo dimensional de un proceso de negocio
Miguel Orquera
UML Café
UML Café
Manuel Galindo Sanz
Preparación de Datos en SPSS
Preparación de Datos en SPSS
Karina Landero
Herramientas básicas para el control de calidad
Herramientas básicas para el control de calidad
Nayira Aguirre
Activism x Technology
Activism x Technology
WebVisions
The Near Future of CSS
The Near Future of CSS
Rachel Andrew
How to Battle Bad Reviews
How to Battle Bad Reviews
Glassdoor
Classroom Management Tips for Kids and Adolescents
Classroom Management Tips for Kids and Adolescents
Shelly Sanchez Terrell
The Buyer's Journey - by Chris Lema
The Buyer's Journey - by Chris Lema
Chris Lema
The Presentation Come-Back Kid
The Presentation Come-Back Kid
Ethos3
Inteligencia de negocio - Soluciones Analíticas
Inteligencia de negocio - Soluciones Analíticas
Wilfredo Rangel
Arquitectura de datos empresariales actividad 3
Arquitectura de datos empresariales actividad 3
CarlosTenelema1
Introducción a DataWarehouse e Inteligencia de Negocios
Introducción a DataWarehouse e Inteligencia de Negocios
Sebastian Rodriguez Robotham
Minería de datos Presentación
Minería de datos Presentación
edmaga
Minera de-datos-presentacin-1205263710628735-3
Minera de-datos-presentacin-1205263710628735-3
Climanfef
01 introduccion (1)my sql
01 introduccion (1)my sql
Marina de Pendragón
Tarea 3 Ayudantía
Tarea 3 Ayudantía
Elizabeth Muñoz Maldonado
Lenguaje de programacion orientado a eventos
Lenguaje de programacion orientado a eventos
Jairo Velasquez Rivera
2 Desa Sincrono 2 Caso Modelamiento.doc
2 Desa Sincrono 2 Caso Modelamiento.doc
aldair441257
Inteligencia de negocios
Inteligencia de negocios
Lenin Alevski Huerta Arias
02000 metodo validacion
02000 metodo validacion
JEANS DIEGO RAMOS PEÑALOZA
Bases de Datos: Conceptos y Generalidades
Bases de Datos: Conceptos y Generalidades
Ricardo Antonio Botero Rios
Clase 2 ciclo de vida bd ac
Clase 2 ciclo de vida bd ac
Luis Jherry
Modulo 1 - Modulo 2 (subir).pptx
Modulo 1 - Modulo 2 (subir).pptx
JUANSEBASTIANSANCHEZ61
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
GianfrancoEduardoBra
Cuadro comparativo jesus
Cuadro comparativo jesus
jesulopez
Más contenido relacionado
Destacado
Activism x Technology
Activism x Technology
WebVisions
The Near Future of CSS
The Near Future of CSS
Rachel Andrew
How to Battle Bad Reviews
How to Battle Bad Reviews
Glassdoor
Classroom Management Tips for Kids and Adolescents
Classroom Management Tips for Kids and Adolescents
Shelly Sanchez Terrell
The Buyer's Journey - by Chris Lema
The Buyer's Journey - by Chris Lema
Chris Lema
The Presentation Come-Back Kid
The Presentation Come-Back Kid
Ethos3
Destacado
(6)
Activism x Technology
Activism x Technology
The Near Future of CSS
The Near Future of CSS
How to Battle Bad Reviews
How to Battle Bad Reviews
Classroom Management Tips for Kids and Adolescents
Classroom Management Tips for Kids and Adolescents
The Buyer's Journey - by Chris Lema
The Buyer's Journey - by Chris Lema
The Presentation Come-Back Kid
The Presentation Come-Back Kid
Similar a Inteligencia de Negocios
Inteligencia de negocio - Soluciones Analíticas
Inteligencia de negocio - Soluciones Analíticas
Wilfredo Rangel
Arquitectura de datos empresariales actividad 3
Arquitectura de datos empresariales actividad 3
CarlosTenelema1
Introducción a DataWarehouse e Inteligencia de Negocios
Introducción a DataWarehouse e Inteligencia de Negocios
Sebastian Rodriguez Robotham
Minería de datos Presentación
Minería de datos Presentación
edmaga
Minera de-datos-presentacin-1205263710628735-3
Minera de-datos-presentacin-1205263710628735-3
Climanfef
01 introduccion (1)my sql
01 introduccion (1)my sql
Marina de Pendragón
Tarea 3 Ayudantía
Tarea 3 Ayudantía
Elizabeth Muñoz Maldonado
Lenguaje de programacion orientado a eventos
Lenguaje de programacion orientado a eventos
Jairo Velasquez Rivera
2 Desa Sincrono 2 Caso Modelamiento.doc
2 Desa Sincrono 2 Caso Modelamiento.doc
aldair441257
Inteligencia de negocios
Inteligencia de negocios
Lenin Alevski Huerta Arias
02000 metodo validacion
02000 metodo validacion
JEANS DIEGO RAMOS PEÑALOZA
Bases de Datos: Conceptos y Generalidades
Bases de Datos: Conceptos y Generalidades
Ricardo Antonio Botero Rios
Clase 2 ciclo de vida bd ac
Clase 2 ciclo de vida bd ac
Luis Jherry
Modulo 1 - Modulo 2 (subir).pptx
Modulo 1 - Modulo 2 (subir).pptx
JUANSEBASTIANSANCHEZ61
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
GianfrancoEduardoBra
Cuadro comparativo jesus
Cuadro comparativo jesus
jesulopez
Trabajo final
Trabajo final
Fernando Navarro
DATA WAREHOUSE
DATA WAREHOUSE
Grupo Dos
Acceso a datos en aplicaciones web del entorno servidor
Acceso a datos en aplicaciones web del entorno servidor
Jomicast
aplicacion_de_la_investigacion_de_operaciones
aplicacion_de_la_investigacion_de_operaciones
Marcos Joel Huaman Zegarra
Similar a Inteligencia de Negocios
(20)
Inteligencia de negocio - Soluciones Analíticas
Inteligencia de negocio - Soluciones Analíticas
Arquitectura de datos empresariales actividad 3
Arquitectura de datos empresariales actividad 3
Introducción a DataWarehouse e Inteligencia de Negocios
Introducción a DataWarehouse e Inteligencia de Negocios
Minería de datos Presentación
Minería de datos Presentación
Minera de-datos-presentacin-1205263710628735-3
Minera de-datos-presentacin-1205263710628735-3
01 introduccion (1)my sql
01 introduccion (1)my sql
Tarea 3 Ayudantía
Tarea 3 Ayudantía
Lenguaje de programacion orientado a eventos
Lenguaje de programacion orientado a eventos
2 Desa Sincrono 2 Caso Modelamiento.doc
2 Desa Sincrono 2 Caso Modelamiento.doc
Inteligencia de negocios
Inteligencia de negocios
02000 metodo validacion
02000 metodo validacion
Bases de Datos: Conceptos y Generalidades
Bases de Datos: Conceptos y Generalidades
Clase 2 ciclo de vida bd ac
Clase 2 ciclo de vida bd ac
Modulo 1 - Modulo 2 (subir).pptx
Modulo 1 - Modulo 2 (subir).pptx
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
Análisis y diseño de sistemas sesion 12 - diagrama de secuencia
Cuadro comparativo jesus
Cuadro comparativo jesus
Trabajo final
Trabajo final
DATA WAREHOUSE
DATA WAREHOUSE
Acceso a datos en aplicaciones web del entorno servidor
Acceso a datos en aplicaciones web del entorno servidor
aplicacion_de_la_investigacion_de_operaciones
aplicacion_de_la_investigacion_de_operaciones
Inteligencia de Negocios
1.
UNIVERSIDAD CENTRAL DE
VENEZUELA FACULTAD DE CIENCIAS ESCUELA DE COMPUTACION ´ Sistemas de Información Tema 6: Inteligencia de Negocio. Modelado Multidimensional 1 Prof. Wilfredo Rangel
2.
Agenda Introducción Origen
y Definición Soluciones Analíticas ¿Qué es OLAP? Características de las Soluciones analíticas Modelaje Multidimensional ETL Metodología de desarrollo de soluciones analíticas 2 © 2010, Universidad Central de Venezuela. Sistemas de Información.
3.
Objetivos de Aprendizaje
Al finalizar este capitulo, usted estará en capacidad de: • Los conceptos básicos de OLAP • Entender los aspectos relacionados al desarrollo de soluciones analíticas basadas en OLAP (Online Analitycal Processing) • La arquitectura y módulos de las soluciones analíticas • emplear metodologías de desarrollo de estándares de la industria de BI 3 © 2010, Universidad Central de Venezuela. Sistemas de Información.
4.
Introducción
Origen y definición ¿Qué es OLAP? Características de las Soluciones Analíticas Modelaje Multidimensional – Esquema Estrella 4 © 2010, Universidad Central de Venezuela. Sistemas de Información.
5.
Modelaje Dimensional Mejores
practicas para el diseño de base de datos para OLAP Kimball, Ralph; et al. (1998). The Data Warehouse Lifecycle Toolkit. Técnica de modelaje NO implementación de base de datos Tablas de base de datos estándares Optimizada para agregaciones masivas y dinámicas Importante en MOLAP; Realmente Importante en ROLAP 5 © 2010, Universidad Central de Venezuela. Sistemas de Información.
6.
Tercera Forma Normal
En la mayoría de los cursos de BDD: Base de datos relacionales 3NF = IDEAL Claves, Uniones, Roles, Flexibilidad OLTP (OnLine Transaction Processing) BDdatos para soporte de aplicaciónes MODELO IDEAL PARA: Muchos usuarios, pequeños pedazos de data Ej: Debito # 1002 $40.00 retirada en el cajero (ATM) # 33354 MODELO MALO PARA: Pocos Usuarios y grandes pedazos de data Sumas, agregación y cálculos © 2010, Universidad Central de Venezuela. Sistemas de Información.
7.
Esquema Estrella –
(MODELO) Tabla Fact (Hechos) Una tabla fact contiene elementos que se quieren medir. Las Transacciones: Ingreso (Bs. $) Cantidad Vendida (unidades) Precio Promedio Las Medidas son los valores que se FACT tratan de reportar: El “Qué” Tabla Dimensión Las Dimensiones son las formas como se quieren ver las medidas. Por ejemplo: Por cliente Por fecha Por producto Las dimensiones dan contexto, significado a la información en los reportes (agrupaciones, etiquetas, filtros, etc.). El “Por” 7 © 2010, Universidad Central de Venezuela. Sistemas de Información.
8.
Esquema estrella –
QUÉ y POR (REPORTE) 8 © 2010, Universidad Central de Venezuela. Sistemas de Información.
9.
Esquema Estrella –
QUÉ y POR (LENGUAJE) Usa un “lenguaje” durante el análisis para encontrar medidas y dimensiones QUE = HECHO (medidas) QUIEN = DIMENSIONES Ejemplos: Quisiera saber cuales son las proporciones de Ventas por mis tipos de producto y tipos de cliente. Cual es la proporción de ganancia que proviene de clientes actuales vs clientes nuevos. Cual es el perfil de los clientes (perfil = Localidad, Ingreso, y Genero) que hace el 80% de mi ganancia actual opuesto al 80% de mis ingresos. 9 © 2010, Universidad Central de Venezuela. Sistemas de Información.
10.
3NF vs Esquema
Estrella ¿ Como es el query para obtener las ventas por año, mes y departamento? ¿ Cuantos Joins son necesarios para obtener la data que quiero? ¿ Estos querys sobrecargan el sistema transaccional? ¿Qué tal OLAP? 10 © 2010, Universidad Central de Venezuela. Sistemas de Información.
11.
Hechos y Dimensiones
Consideremos un ejemplo de una operación de ventas, en la cual el tiempo, producto, región, tienda y cliente son las dimensiones de la base de datos, y se busca medir la transacción de venta en la tabla fact. 11 © 2010, Universidad Central de Venezuela. Sistemas de Información.
12.
Tabla Dimensión Jerarquías
y niveles Las jerarquías pueden existir en una dimensión en la cual sirven como navegaciones predefinidas Una jerarquía esta compuesta de uno o más niveles Una dimensión puede tener una o más jerarquías Propiedades Cada nivel de dimensión tiene un atributo primario que provee un “identificador único de usuario” para ese nivel Atributos y propiedades adicionales pueden existir para cada nivel que provee un valor descriptivo 12 © 2010, Universidad Central de Venezuela. Sistemas de Información.
13.
Jerarquías y niveles
– Notación lógica TABLA “tiempo_dim” Dimensión Tiempo ( CAL_AÑO / integer CAL_TRIM / integer Jerarquía del calendario CAL_MES / integer Año FIS_AÑO / integer Trimestre FIS_TRIM / integer Mes FIS_MES / integer ) Jerarquía Fiscal Es una Tabla plana Año Fiscal Trimestre Fiscal Las Columnas son estandares Mes Fiscal El significado y metodos de agregación (drill up/down, etc) se implementan en el servidor OLAP 13 © 2010, Universidad Central de Venezuela. Sistemas de Información.
14.
Dimensiones Conformadas (Compartidas) •
Son aquellas que son compartidas entre esquemas estrella • Permite el diseño escalable de bases de datos analíticas • Permite el análisis y agregación por área entre distintos sujetos Geografía dim Empleado dim Cliente dim Ventas Fact Producto dim Fecha dim Almacén dim Inventarios Fact 14 © 2010, Universidad Central de Venezuela. Sistemas de Información.
15.
Dimensiones Degeneradas y
Combinadas Una dimensión degenerada es representada con un solo atributo. Al menos que el tipo de dato sea grande, estas dimensiones son almacenadas como una columna en la tabla hecho Estrategia: Si hay más de una dimensión degenerada tienen algún grado de relación sus cardinalidades son relativamente pequeñas, de forma tal que un producto cartesiano no produce muchas filas Entonces, se puede crear una dimensión combinada Una columna por atributo/dimensión Una fila por cada combinación 15 © 2010, Universidad Central de Venezuela. Sistemas de Información.
16.
Dimensiones Combinadas También
llamadas dimensiones basura Antes de tener muchas columnas de 0 y 1 en la tabla de hechos Crea una dimensión que sea el producto cartesiano de dos dimensiones degeneradas Las búsquedas deben hacerse por los atributos Dimensiones Degeneradas Dimensión Combinada Sexo Dimensión ID / Sexo / Tipo de Orden M/F/I 1 /M / Nuevo Todas las 2 /M / Retornado Tipo de Orden combinaciones 3 /F / Nuevo Nuevo / Retornado 4 /F / Retornado 5 /I / Nuevo 6 /I / Retornado 16 © 2010, Universidad Central de Venezuela. Sistemas de Información.
17.
Dimensiones que cambian
lentamente (SCD) Dimensión “Tipo 1”: Nueva información sobrescribe la información vieja. La información vieja es perdida, no se guarda. Solo se puede usar en aplicaciones en las cuales mantener un histórico de la data no es esencial; solo se usa para actualizaciones. Dimensión “Tipo 2”: La información nueva es adjuntada a la información vieja. La información vieja se guarda y es versionada. Se puede usar en aplicaciones en las cuales mantener un histórico de los datos es requerido de forma tal que cambios en el data warehouse pueden ser rastreados. Dimensión “Tipo 3”: La nueva información se guarda junto con la información vieja. La información vieja es guardada parcialmente. Se crean columnas adicionales para mostrar el momento a partir del cual la nueva información ha tomado efecto. Habilita una vista de hechos tanto en el estado actual como una vista tentativa del escenario utilizando valores dimensionales viejos. 17 © 2010, Universidad Central de Venezuela. Sistemas de Información.
18.
Hechos aditivos vs.
semi-aditivos Los hechos aditivos se agregan a través de todas las dimensiones E.j. Ingreso por ventas Los hechos semi-aditivos agregan a través de dimensionalidad parcial, generalmente no agregan en la dimensión tiempo E.j. Artículos a mano Pregunta válida: ¿Cuántos ítems habían en el inventario el primero de julio? Pregunta Inválida: ¿Cuántos ítems habían en el inventario en Julio? La segunda pregunta no tiene sentido. ¿El usuario quiere la cantidad promedio por día para julio? ¿La cantidad al comienzo del mes? ¿Al final? Los hechos semi-aditivos generalmente se miden en un punto del tiempo (como una foto del estado en un momento determinado). Los hechos aditivos generalmente se usan para marcar un evento transaccional. 18 © 2010, Universidad Central de Venezuela. Sistemas de Información.
19.
Modelo SnowFlake • Modelo
estrella es el más puro acercamiento al modelado dimensional – Mejores practicas – Es el más utilizado Normalization Normalization • El copo de nieve es un modelo más normalizado – Más espacio físico/ Problemas de performance 19 © 2010, Universidad Central de Venezuela. Sistemas de Información.
20.
Esquema Estrella vs.
Copa de Nieve Snowflake Star • Todos los niveles dimensionales están Niveles dimensionales son contenidos en una sola tabla normalizados a tablas separadas • Introduce redundancia en los datos Elimina redundancia en los datos • Indexación y consultas simplificadas • Generalmente el método preferido Reutilización simplificada de dimensiones de alto nivel en agregados 20 © 2010, Universidad Central de Venezuela. Sistemas de Información.
21.
Ejemplo de Esquema
Copa de Nieve Mfr Mfrid Marca Prodid Nombre Mfrid Día Prodid Unid. Bs Pago Clientid Mfr Producto Mfr es un diseño en copa Ventas de nieve Año Trim Mes Día Estado Ciudad Clientid Tiempo Cliente 21 © 2010, Universidad Central de Venezuela. Sistemas de Información.
22.
Conclusiones
Conclusiones • Hemos realizado un estudio de ….. • Hemos hecho una discusión sobre…. • Se han desarrollado demostraciones de 22 © 2010, Universidad Central de Venezuela. Sistemas de Información.
Descargar ahora