Enviar pesquisa
Carregar
Inteligencia corporativa 2.0
•
1 gostou
•
510 visualizações
Hugo Banda
Seguir
Business intelliegence 2.0
Leia menos
Leia mais
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 47
Baixar agora
Baixar para ler offline
Recomendados
Ciclo de vida del SW empresarial
Ciclo de vida del SW empresarial
Hugo Banda
Inteligencia corporativa
Inteligencia corporativa
Hugo Banda
Gestión de tecnología
Gestión de tecnología
Hugo Banda
Inteligencia Corporativa: liderando el futuro
Inteligencia Corporativa: liderando el futuro
Ciencias de la Información - PUCP
3. sistemas de información, gobernanza y gestión
3. sistemas de información, gobernanza y gestión
Hugo Banda
Inteligencia de negocios
Inteligencia de negocios
lobi7o
Estrategia para la Implementación y Administración Inteligente de DataWarehouse
Estrategia para la Implementación y Administración Inteligente de DataWarehouse
Sebastian Rodriguez Robotham
Consideraciones sobre BI
Consideraciones sobre BI
Norberto Figuerola (PMP, ITIL,CGBSS, CSM)
Recomendados
Ciclo de vida del SW empresarial
Ciclo de vida del SW empresarial
Hugo Banda
Inteligencia corporativa
Inteligencia corporativa
Hugo Banda
Gestión de tecnología
Gestión de tecnología
Hugo Banda
Inteligencia Corporativa: liderando el futuro
Inteligencia Corporativa: liderando el futuro
Ciencias de la Información - PUCP
3. sistemas de información, gobernanza y gestión
3. sistemas de información, gobernanza y gestión
Hugo Banda
Inteligencia de negocios
Inteligencia de negocios
lobi7o
Estrategia para la Implementación y Administración Inteligente de DataWarehouse
Estrategia para la Implementación y Administración Inteligente de DataWarehouse
Sebastian Rodriguez Robotham
Consideraciones sobre BI
Consideraciones sobre BI
Norberto Figuerola (PMP, ITIL,CGBSS, CSM)
Sistemas difusos
Sistemas difusos
Hugo Banda
Redes neurais em finanças
Redes neurais em finanças
Wilson Freitas
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Wilson Freitas
Convergencia científico tecnológica
Convergencia científico tecnológica
Hugo Banda
Análisis de la decisión
Análisis de la decisión
Hugo Banda
Computación evolutiva
Computación evolutiva
Hugo Banda
1. Sistemas de Informacón Empresarial: Marco de Trabajo
1. Sistemas de Informacón Empresarial: Marco de Trabajo
Hugo Banda
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronal
Hugo Banda
Computación neuronal
Computación neuronal
Hugo Banda
La Transformación Digital
La Transformación Digital
Hugo Banda
El cerebro y la inteligencia
El cerebro y la inteligencia
Hugo Banda
2. Sistemas de Información Empresarial: Organizaciones y TI
2. Sistemas de Información Empresarial: Organizaciones y TI
Hugo Banda
Elementos de la investigación científica
Elementos de la investigación científica
Hugo Banda
3. conferencia ing. d aquila
3. conferencia ing. d aquila
jcbp_peru
Inteligencia Artificial y Sistemas Expertos
Inteligencia Artificial y Sistemas Expertos
Melissa Eslava
Presentación big data
Presentación big data
Leyda Maria Alzate Gomez
SAP Cloud Analytics - definiciones.
SAP Cloud Analytics - definiciones.
LPI ONG
Tecnologias estrategicas gartner
Tecnologias estrategicas gartner
Karla
Cómo implementar una solución Big Data
Cómo implementar una solución Big Data
AMETIC
William cloud computing
William cloud computing
williPerez12
Big Data: retos y oportunidades para el turismo
Big Data: retos y oportunidades para el turismo
Gonzalo De Mattia Yenaropulos
Revista TicNews Edición Junio 2014
Revista TicNews Edición Junio 2014
Edicion Ticnews
Mais conteúdo relacionado
Destaque
Sistemas difusos
Sistemas difusos
Hugo Banda
Redes neurais em finanças
Redes neurais em finanças
Wilson Freitas
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Wilson Freitas
Convergencia científico tecnológica
Convergencia científico tecnológica
Hugo Banda
Análisis de la decisión
Análisis de la decisión
Hugo Banda
Computación evolutiva
Computación evolutiva
Hugo Banda
1. Sistemas de Informacón Empresarial: Marco de Trabajo
1. Sistemas de Informacón Empresarial: Marco de Trabajo
Hugo Banda
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronal
Hugo Banda
Computación neuronal
Computación neuronal
Hugo Banda
La Transformación Digital
La Transformación Digital
Hugo Banda
El cerebro y la inteligencia
El cerebro y la inteligencia
Hugo Banda
2. Sistemas de Información Empresarial: Organizaciones y TI
2. Sistemas de Información Empresarial: Organizaciones y TI
Hugo Banda
Elementos de la investigación científica
Elementos de la investigación científica
Hugo Banda
3. conferencia ing. d aquila
3. conferencia ing. d aquila
jcbp_peru
Inteligencia Artificial y Sistemas Expertos
Inteligencia Artificial y Sistemas Expertos
Melissa Eslava
Destaque
(15)
Sistemas difusos
Sistemas difusos
Redes neurais em finanças
Redes neurais em finanças
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Um modelo de formação de preços para um mercado artificial com redes neurais ...
Convergencia científico tecnológica
Convergencia científico tecnológica
Análisis de la decisión
Análisis de la decisión
Computación evolutiva
Computación evolutiva
1. Sistemas de Informacón Empresarial: Marco de Trabajo
1. Sistemas de Informacón Empresarial: Marco de Trabajo
Reconocimiento de rostros utilizando una red neuronal
Reconocimiento de rostros utilizando una red neuronal
Computación neuronal
Computación neuronal
La Transformación Digital
La Transformación Digital
El cerebro y la inteligencia
El cerebro y la inteligencia
2. Sistemas de Información Empresarial: Organizaciones y TI
2. Sistemas de Información Empresarial: Organizaciones y TI
Elementos de la investigación científica
Elementos de la investigación científica
3. conferencia ing. d aquila
3. conferencia ing. d aquila
Inteligencia Artificial y Sistemas Expertos
Inteligencia Artificial y Sistemas Expertos
Semelhante a Inteligencia corporativa 2.0
Presentación big data
Presentación big data
Leyda Maria Alzate Gomez
SAP Cloud Analytics - definiciones.
SAP Cloud Analytics - definiciones.
LPI ONG
Tecnologias estrategicas gartner
Tecnologias estrategicas gartner
Karla
Cómo implementar una solución Big Data
Cómo implementar una solución Big Data
AMETIC
William cloud computing
William cloud computing
williPerez12
Big Data: retos y oportunidades para el turismo
Big Data: retos y oportunidades para el turismo
Gonzalo De Mattia Yenaropulos
Revista TicNews Edición Junio 2014
Revista TicNews Edición Junio 2014
Edicion Ticnews
¿Cuál es el futuro de la estrategia de datos?
¿Cuál es el futuro de la estrategia de datos?
Denodo
Trabajo de bigadata
Trabajo de bigadata
Ris Fernandez
PROYECION DE BASES A FUTURO
PROYECION DE BASES A FUTURO
daayala
Big data
Big data
marianaflorez20
Nancy Adilene Gonzalez Sifuentes
Nancy Adilene Gonzalez Sifuentes
Adiilenee G De Vazqqez
Big data
Big data
Eduardo Portillo
Bases de datos a futuro
Bases de datos a futuro
radiphoenix
Que debe saber un DBA de SQL Server sobre Hadoop
Que debe saber un DBA de SQL Server sobre Hadoop
Eduardo Castro
Entregable final Analítica de Datos
Entregable final Analítica de Datos
ale sierra
Sergio rodriguez cloud_computing_79791110
Sergio rodriguez cloud_computing_79791110
Andres Esguerra
Bigdata trabajo de investigacion
Bigdata trabajo de investigacion
Ris Fernandez
SQL Saturday Bogota - Big Data HDInsight Server
SQL Saturday Bogota - Big Data HDInsight Server
Eduardo Castro
Visión del Cloud computing de IBM en Ecuador
Visión del Cloud computing de IBM en Ecuador
Christian Farinango
Semelhante a Inteligencia corporativa 2.0
(20)
Presentación big data
Presentación big data
SAP Cloud Analytics - definiciones.
SAP Cloud Analytics - definiciones.
Tecnologias estrategicas gartner
Tecnologias estrategicas gartner
Cómo implementar una solución Big Data
Cómo implementar una solución Big Data
William cloud computing
William cloud computing
Big Data: retos y oportunidades para el turismo
Big Data: retos y oportunidades para el turismo
Revista TicNews Edición Junio 2014
Revista TicNews Edición Junio 2014
¿Cuál es el futuro de la estrategia de datos?
¿Cuál es el futuro de la estrategia de datos?
Trabajo de bigadata
Trabajo de bigadata
PROYECION DE BASES A FUTURO
PROYECION DE BASES A FUTURO
Big data
Big data
Nancy Adilene Gonzalez Sifuentes
Nancy Adilene Gonzalez Sifuentes
Big data
Big data
Bases de datos a futuro
Bases de datos a futuro
Que debe saber un DBA de SQL Server sobre Hadoop
Que debe saber un DBA de SQL Server sobre Hadoop
Entregable final Analítica de Datos
Entregable final Analítica de Datos
Sergio rodriguez cloud_computing_79791110
Sergio rodriguez cloud_computing_79791110
Bigdata trabajo de investigacion
Bigdata trabajo de investigacion
SQL Saturday Bogota - Big Data HDInsight Server
SQL Saturday Bogota - Big Data HDInsight Server
Visión del Cloud computing de IBM en Ecuador
Visión del Cloud computing de IBM en Ecuador
Mais de Hugo Banda
Aprendizaje de máquina
Aprendizaje de máquina
Hugo Banda
Sistemas basados en conocimiento
Sistemas basados en conocimiento
Hugo Banda
Modelos de Inteligencia Artificial
Modelos de Inteligencia Artificial
Hugo Banda
Problemas y soluciones
Problemas y soluciones
Hugo Banda
Entornos de aprendizaje
Entornos de aprendizaje
Hugo Banda
5 estrategiasclavepym es
5 estrategiasclavepym es
Hugo Banda
Inteligencia artificial-Marco Referencial
Inteligencia artificial-Marco Referencial
Hugo Banda
El podcast en actividades docentes
El podcast en actividades docentes
Hugo Banda
Educación 2.0
Educación 2.0
Hugo Banda
Desarrollo de un agente buscador inteligente de metadatos
Desarrollo de un agente buscador inteligente de metadatos
Hugo Banda
Visión e inteligencia artificial 11-oct-2007
Visión e inteligencia artificial 11-oct-2007
Hugo Banda
Sociedad del conocimiento
Sociedad del conocimiento
Hugo Banda
El horizonte de la investigación en el siglo xxi
El horizonte de la investigación en el siglo xxi
Hugo Banda
Investigación y universidad
Investigación y universidad
Hugo Banda
Mais de Hugo Banda
(14)
Aprendizaje de máquina
Aprendizaje de máquina
Sistemas basados en conocimiento
Sistemas basados en conocimiento
Modelos de Inteligencia Artificial
Modelos de Inteligencia Artificial
Problemas y soluciones
Problemas y soluciones
Entornos de aprendizaje
Entornos de aprendizaje
5 estrategiasclavepym es
5 estrategiasclavepym es
Inteligencia artificial-Marco Referencial
Inteligencia artificial-Marco Referencial
El podcast en actividades docentes
El podcast en actividades docentes
Educación 2.0
Educación 2.0
Desarrollo de un agente buscador inteligente de metadatos
Desarrollo de un agente buscador inteligente de metadatos
Visión e inteligencia artificial 11-oct-2007
Visión e inteligencia artificial 11-oct-2007
Sociedad del conocimiento
Sociedad del conocimiento
El horizonte de la investigación en el siglo xxi
El horizonte de la investigación en el siglo xxi
Investigación y universidad
Investigación y universidad
Último
Presentación informe 'Fondos Next Generation European Union destinados a actu...
Presentación informe 'Fondos Next Generation European Union destinados a actu...
Ivie
Análisis de un mapa de riesgos de una tortillería
Análisis de un mapa de riesgos de una tortillería
yocelynsanchezerasmo
17 PRACTICAS - MODALIDAAD FAMILIAAR.docx
17 PRACTICAS - MODALIDAAD FAMILIAAR.docx
marthaarroyo16
El sistema solar el gran descubrimiento del sistema solar .pptx
El sistema solar el gran descubrimiento del sistema solar .pptx
YoladsCabarcasTous
AREA TECNOLOGIA E INFORMATICA.pdf Santiago
AREA TECNOLOGIA E INFORMATICA.pdf Santiago
SantiagoRodriguezLoz
PREGUNTA J DE CONSULTA POPULAR 21 DE ABRIL
PREGUNTA J DE CONSULTA POPULAR 21 DE ABRIL
eluniversocom
PREGUNTAS Y ANEXOS CONSULTA POPULAR 2024
PREGUNTAS Y ANEXOS CONSULTA POPULAR 2024
eluniversocom
Niveles de organización biologica clase de biologia
Niveles de organización biologica clase de biologia
tongailustraconcienc
INTRODUCCION A LA ESTADISTICA RECOLECCION DE DATOS.pdf
INTRODUCCION A LA ESTADISTICA RECOLECCION DE DATOS.pdf
maryisabelpantojavar
Mapa de riesgos de un taller mecánico 405
Mapa de riesgos de un taller mecánico 405
rodrimarxim
Módulo mapa de riesgos de tienda de abarrotes
Módulo mapa de riesgos de tienda de abarrotes
sald071205mmcnrna9
FORMATO INVENTARIO MOBILIARIO PASO A PASO
FORMATO INVENTARIO MOBILIARIO PASO A PASO
secundariatecnica891
que son los planes de ordenamiento predial POP.pptx
que son los planes de ordenamiento predial POP.pptx
Sergiothaine2
MAPA DE RIESGOS DE UN ZOOLOGICO ..pdf
MAPA DE RIESGOS DE UN ZOOLOGICO ..pdf
CamilaArzate2
Mapa de riesgos de un cine, equipo 4.pdf
Mapa de riesgos de un cine, equipo 4.pdf
hees071224mmcrpna1
PREGUNTA K DE LA CONSULTA POPULAR 21 DE ABRIL
PREGUNTA K DE LA CONSULTA POPULAR 21 DE ABRIL
eluniversocom
stellaire vinos de mora SAS proyecto de vino mora
stellaire vinos de mora SAS proyecto de vino mora
YessicaBrigithArdila
PREGUNTA E REFÉRENDUM 21 DE ABRIL ECUADOR
PREGUNTA E REFÉRENDUM 21 DE ABRIL ECUADOR
eluniversocom
PREGUNTA G DE CONSULTA POPULAR 21 DE ABRIL
PREGUNTA G DE CONSULTA POPULAR 21 DE ABRIL
eluniversocom
Croquis de riesgo de trabajo gasolinera.pdf
Croquis de riesgo de trabajo gasolinera.pdf
hernestosoto82
Último
(20)
Presentación informe 'Fondos Next Generation European Union destinados a actu...
Presentación informe 'Fondos Next Generation European Union destinados a actu...
Análisis de un mapa de riesgos de una tortillería
Análisis de un mapa de riesgos de una tortillería
17 PRACTICAS - MODALIDAAD FAMILIAAR.docx
17 PRACTICAS - MODALIDAAD FAMILIAAR.docx
El sistema solar el gran descubrimiento del sistema solar .pptx
El sistema solar el gran descubrimiento del sistema solar .pptx
AREA TECNOLOGIA E INFORMATICA.pdf Santiago
AREA TECNOLOGIA E INFORMATICA.pdf Santiago
PREGUNTA J DE CONSULTA POPULAR 21 DE ABRIL
PREGUNTA J DE CONSULTA POPULAR 21 DE ABRIL
PREGUNTAS Y ANEXOS CONSULTA POPULAR 2024
PREGUNTAS Y ANEXOS CONSULTA POPULAR 2024
Niveles de organización biologica clase de biologia
Niveles de organización biologica clase de biologia
INTRODUCCION A LA ESTADISTICA RECOLECCION DE DATOS.pdf
INTRODUCCION A LA ESTADISTICA RECOLECCION DE DATOS.pdf
Mapa de riesgos de un taller mecánico 405
Mapa de riesgos de un taller mecánico 405
Módulo mapa de riesgos de tienda de abarrotes
Módulo mapa de riesgos de tienda de abarrotes
FORMATO INVENTARIO MOBILIARIO PASO A PASO
FORMATO INVENTARIO MOBILIARIO PASO A PASO
que son los planes de ordenamiento predial POP.pptx
que son los planes de ordenamiento predial POP.pptx
MAPA DE RIESGOS DE UN ZOOLOGICO ..pdf
MAPA DE RIESGOS DE UN ZOOLOGICO ..pdf
Mapa de riesgos de un cine, equipo 4.pdf
Mapa de riesgos de un cine, equipo 4.pdf
PREGUNTA K DE LA CONSULTA POPULAR 21 DE ABRIL
PREGUNTA K DE LA CONSULTA POPULAR 21 DE ABRIL
stellaire vinos de mora SAS proyecto de vino mora
stellaire vinos de mora SAS proyecto de vino mora
PREGUNTA E REFÉRENDUM 21 DE ABRIL ECUADOR
PREGUNTA E REFÉRENDUM 21 DE ABRIL ECUADOR
PREGUNTA G DE CONSULTA POPULAR 21 DE ABRIL
PREGUNTA G DE CONSULTA POPULAR 21 DE ABRIL
Croquis de riesgo de trabajo gasolinera.pdf
Croquis de riesgo de trabajo gasolinera.pdf
Inteligencia corporativa 2.0
1.
Dr. Hugo A.
Banda Gamboa CORDICYT 2016
2.
La Evolución
de BI Business Intelligence y Data Warehouses Conceptos Básicos Relacionados a BI 2.0 Retos Tecnológicos de BI 2.0 Conclusión © Dr. Hugo A. Banda Gamboa - 2016 2
3.
© Dr. Hugo
A. Banda Gamboa - 2016 3
4.
Las soluciones
tradicionales de Business Intelligence (BI) permiten a los decisores consultar, comprender y analizar los datos almacenados en sus organizaciones para poder tomar decisiones Sin embargo, la realidad del entorno actual determina que ya no es suficiente operar sólo con la información disponible en la propia organización. © Dr. Hugo A. Banda Gamboa - 2016 4
5.
Un visión
integral de la inteligencia organizacional también requiere de la inclusión de información presente en la WEB, el uso de inteligencia colectiva, la colaboración a través de redes sociales, del apoyo de cloud computing y otras tecnologías. La investigación en estas áreas ha dado lugar a soluciones consolidadas, técnicas y metodologías, disponibles en una variedad de productos y herramientas computacionales. © Dr. Hugo A. Banda Gamboa - 2016 5
6.
A medida
que la tecnología y la sociedad evolucionan, se requieren mejores y más rápidas decisiones, lo que ha originado una creciente demanda de soluciones informáticas. Según estudios de Gartner [1, 2], en la última década el uso de herramientas de BI ha tenido un incremento sostenido entre el 5% y el 8% anual. Estas soluciones van desde data warehousing, data mining y OLAP, hasta gestión del desempeño del negocio (BPM) y reportes en tiempo real. [1] http://www.gartner.com/newsroom/id/2340216 [2] http://www.gartner.com/newsroom/id/3198917 © Dr. Hugo A. Banda Gamboa - 2016 6
7.
Más recientemente,
una nueva generación de aplicaciones de BI ha aparecido, que no limita el análisis de datos a los de su propia organización sino que también se alimenta de datos del entorno, a través de la WEB [3]: Precios de productos de los competidores. Opiniones registradas por los clientes. Tendencias del mercado. Esto permite incorporar en las decisiones una visión más dinámica e integral acerca de los procesos y el entorno del negocio. [3] http://www.gartner.com/newsroom/id/2970917 © Dr. Hugo A. Banda Gamboa - 2016 7
8.
© Dr. Hugo
A. Banda Gamboa - 2016 8 http://bias.csr.unibo.it/golfarelli/Papers/Dolap04.pdf
9.
© Dr. Hugo
A. Banda Gamboa - 2016 9 http://bias.csr.unibo.it/golfarelli/Papers/Dolap04.pdf Enterprise Application Integration Business Activity Monitoring Dynamic Data Store Right-Time Integrator
10.
© Dr. Hugo
A. Banda Gamboa - 2016 10 Source: Gartner (February 2016)
11.
© Dr. Hugo
A. Banda Gamboa - 2016 11
12.
© Dr. Hugo
A. Banda Gamboa - 2016 12
13.
© Dr. Hugo
A. Banda Gamboa - 2016 Desde mediados de los 1990´s aplicaciones de Data Warehouse (DW) y Business Intelligence (BI), ha sido desarrolladas para consolidar datos organizacionales y facilitar la toma de decisiones oportuna e informada. Sin embargo, en la actualidad, la disponibilidad de enormes cantidades de datos provenientes de diferentes dominios requiere de un cambio en la forma en que las prácticas de DW y BI, se están realizando. 13
14.
Resulta evidente
que para muchos tipos de aplicaciones de BI, la forma tradicional de recolectar los datos organizacionales del día a día en un enorme repositorio, para luego proceder a su análisis, requiere de una revisión para lograr un manejo más eficiente de datos a gran escala. Fuentes de datos a escala masiva se vuelven cada vez más comunes, imponiendo nuevos retos a la comunidad de investigadores relacionada con arquitecturas y herramientas de DW. © Dr. Hugo A. Banda Gamboa - 2016 14
15.
Nuevas arquitecturas
de bases de datos han sido propuestas: El paralelismo se ha convertido en una opción para procesamiento en grandes DW [4]. Bases de datos de almacenamiento en columnas son fuertes candidatas para arquitecturas de DW ya que tienen un desempeño superior a las bases de datos de almacenamiento en filas, cuando se tienen tablas de hechos con una enorme cantidad de atributos. El modelo MapReduce [5] cada vez es más popular, constituyéndose en un fuerte retador de las arquitecturas de DBMS tradicionales [6]. La DW de Facebook está construida con Hadoop (una implementación de código abierto de MapReduce) [7]. [4] Stonebraker, M. Stonebraker on data warehouses. Commun. ACM 54 (5), pp. 10-11, 2011. [5] Dean J, Ghemawat S. MapReduce: a flexible data processing tool. Commun. ACM 53 (1), pp. 72-77, 2010 [6] Stonebraker M, Abadi D J, DeWitt D J, Madden S, Paulson E, Pavlo A, Rasin A. MapReduce and Parallel DBMSs: Friends or foes? Comm. ACM 53 (1), pp. 64-71, 2010 [7] https://people.csail.mit.edu/matei/courses/2015/6.S897/readings/facebook-warehouse.pdf © Dr. Hugo A. Banda Gamboa - 2016 15
16.
© Dr. Hugo
A. Banda Gamboa - 2016 16 Fuente: Hao Zhang, Gang Chen, Beng Chin Ooi, Kian-Lee Tan, Meihui Zhang. In-Memory Big Data Management and Processing: A Survey. IEEE Transactions on Knowledge and Data Engineering, Vol. 27, No. 7, July 2015
17.
Los datos
recopilados por las organizaciones pueden contener de manera escondida dos componentes importantes para su análisis: espacio y tiempo. Se estima que el 80% de los datos corporativos tiene un componente espacial (posición, forma, orientación o tamaño) [8]. El tiempo es otro componente fundamental de los datos y su consideración puede ser crucial para la toma de decisiones. [8] Franklin, C. 1992. An Introduction to Geographic Information Systems: Linking Maps to Databases. Database, April, pp. 13-21. © Dr. Hugo A. Banda Gamboa - 2016 17
18.
Para tomar
ventaja de las dimensiones espaciales de los datos, en la toma de decisiones, se ha configurado una herramienta que fusiona las funcionalidades de las herramientas OLAP con las de un Sistema de Información Geográfico (GIS): Spatial On-Line Analytical Processing (SOLAP) [9]. Al incorporar a OLAP y GIS, las dimensiones temporales y los tipos de datos móviles, se puede configurar una taxonomía de data warehousing espacio – temporal [10]. [9] http://yvanbedard.scg.ulaval.ca/wp-content/documents/publications/306.pdf [10] http://code.ulb.ac.be/dbfiles/VaiZim2009incollection.pdf © Dr. Hugo A. Banda Gamboa - 2016 18
19.
© Dr. Hugo
A. Banda Gamboa - 2016 19 Fuente: http://code.ulb.ac.be/dbfiles/VaiZim2009incollection.pdf
20.
Tradicionalmente, los
datos se capturan en las bases de datos transaccionales cuando una operación relacionada con los procesos del negocio ocurre. Luego, en algún momento establecido por el ciclo de refresco de la DW, los nuevos datos son acondicionados, procesados y cargados por los procesos ETL (bulk feed). Posteriormente, los datos pueden ser utilizados para análisis y toma de decisiones, que conlleva a alguna acción. A medida que el tiempo transcurrido entre el evento y la consecuente acción (data latency) se minimiza, se aproxima más al tiempo real. © Dr. Hugo A. Banda Gamboa - 2016 20
21.
En general,
el proceso de refresco de datos es el que más aporta al data latency. Por lo que se requieren modificaciones en el proceso de ETL y en el modelo de almacenamiento en la DW: Direct Trickle Feed (DTF) Trickle and Flip Near-Real Time ETL Capture, Transform and Flow (CTF) en lugar de ETL. Real – Time Data Caching (RTDC) In – Memory databases (RTDC para grandes volúmenes de datos) © Dr. Hugo A. Banda Gamboa - 2016 21
22.
© Dr. Hugo
A. Banda Gamboa - 2016 22 Fuente: http://research.ijcaonline.org/volume81/number2/pxc3891990.pdf
23.
© Dr. Hugo
A. Banda Gamboa - 2016 23
24.
Análisis de
uso de páginas Web (Rango de horas a días). Collaborative filtering (Rango de horas). Detección de fraudes (Uso de Tarjetas de Crédito) (Rango de minutos). Aplicaciones de Call Center (Rango de minutos). Monitoreo de Actividades en Negocios y Gestión del Desempeño Operativo (Rango de minutos). © Dr. Hugo A. Banda Gamboa - 2016 24
25.
© Dr. Hugo
A. Banda Gamboa - 2016 25
26.
En esta
sección se introducen algunos conceptos básicos relacionados con la BI 2.0. A más del requerimiento de tiempo real presentado anteriormente, es necesario tomar en consideración otros aspectos o soluciones tecnológicas que permitan hacer realidad la nueva visión de las aplicaciones para inteligencia de negocios en la era del conocimiento. © Dr. Hugo A. Banda Gamboa - 2016 26
27.
Se originó
mediante la integración en red de varios elementos heterogéneos. Una capa mediadora provee de una interfaz homogénea para el acceso de los usuarios, escondiendo los detalles de la tecnología subyacente. La nube también permite la incorporación de nuevos elementos facilitando el incremento de la capacidad de la red para satisfacer una determinada demanda según sea necesario, dependiendo de la carga de trabajo. © Dr. Hugo A. Banda Gamboa - 2016 27
28.
Se refiere
al SW que se desarrolla para ser usado a través de arquitecturas orientadas al servicio (SOA). El protocolo de estas arquitecturas (SOAP) provee la forma de invocar servicios abstrayendo la implementación tecnológica. Recientemente, esta visión ha sido aplicada a las soluciones BI. Lo cual permite acceder a través de Internet, mediante renta, a aplicaciones basadas en Cloud Computing, que son mucho más escalables que las soluciones tradicionales. © Dr. Hugo A. Banda Gamboa - 2016 28
29.
Este término
fue utilizado inicialmente para referirse al comportamiento emergente en colonias, que es más complejo que el de los individuos que la conforman. Un ejemplo de esto puede verse en redes sociales, donde grupos descentralizados de gente sin líder pueden tomar decisiones y promover iniciativas que serían imposibles para un solo individuo. © Dr. Hugo A. Banda Gamboa - 2016 29
30.
Se refiere
a la delegación de ciertas tareas a una multitud. La efectividad de este enfoque viene del hecho que, con un pequeño esfuerzo individual, el grupo puede alcanzar su meta. Más aún, con la presencia de la inteligencia colectiva en la multitud, se pueden obtener soluciones que serían difíciles de obtener por un solo individuo, aún en el caso que esté dedicado exclusivamente a esa tarea [11]. [11] http://icdt.tu-dortmund.de/proceedings/edbticdt2010proc/workshops/beweb/papers/edbt_2010_submission_565.pdf © Dr. Hugo A. Banda Gamboa - 2016 30
31.
Consisten de
una colección de datos provenientes de los propios participantes, así como de las relaciones entre ellos. Estas redes permiten la interacción entre los participantes para generar información que viene a enriquecer la ya existente. La colaboración entre participantes provee resultados más rápidos y mejores de los que se conseguiría de un solo individuo. Los investigadores están incorporando estos conceptos a las nuevas aplicaciones de BI. © Dr. Hugo A. Banda Gamboa - 2016 31
32.
Se refiere
a la idea de relacionar cada pieza con el resto de la información que le afecta o a la que puede afectar. Idealmente, linked data significa conocer y ser capaz de aprovechar las relaciones existentes entre cada pieza de información registrada. Esto implica que las relaciones deben estar semánticamente etiquetadas de tal forma que un computador las pueda utilizar para algún proceso de razonamiento. Este aspecto es especialmente relevante para obtener automáticamente conocimiento a partir de la información disponible en la Web e información almacenada en el DW. © Dr. Hugo A. Banda Gamboa - 2016 32
33.
Se refiere
al proceso de describir el sentimiento general u opiniones de un grupo de personas hacia cierto elemento. Opinion Mining implica ser capaz de comprender un conjunto dado de opiniones y derivar conclusiones relevantes y útiles. Esta información se la encuentra típicamente en la Web en forma de datos no estructurados. Sin embargo, esta información puede ser altamente relevante para una organización ya que le podría permitir identificar que producto tiene una mejor percepción por parte de los clientes y por qué. © Dr. Hugo A. Banda Gamboa - 2016 33
34.
Es un
punto de vista que se enfoca en los procesos y su lógica, relacionando los datos almacenados con el desempeño de los procesos del negocio (BPM), en lugar orientarse a presentar simplemente un conjunto de datos e información en diferentes formatos. Esta nueva perspectiva podrá permitir la identificación y reestructuración de procesos que no estén contribuyendo al logro de las metas organizacionales. © Dr. Hugo A. Banda Gamboa - 2016 34
35.
© Dr. Hugo
A. Banda Gamboa - 2016 Las organizaciones deben incorporar tanta información como sea posible para la toma de sus decisiones estratégicas. Más aún, estas decisiones deben ser ágiles para reaccionar a tiempo ante los problemas o amenazas identificadas o cubrir posibles debilidades. Estas necesidades, que están íntimamente relacionadas con la conectividad a Internet, demandan la modificación de diferentes aspectos relacionados con las soluciones de BI y otros procesos asociados a los servicios Web. 35
36.
Entre los
principales aspectos asociados a la evolución de la Web y las soluciones de BI, se pueden mencionar: Las interfaces de usuario. Períodos más cortos para actualización de la información. La forma colectiva de tomar decisiones. Interactividad entre los usuarios y el sistema de BI, a través de blogs, aplicaciones Web, hojas electrónicas, etc. Presentación de información a través de formas más amigables. Enfoque en analítica predictiva. © Dr. Hugo A. Banda Gamboa - 2016 36
37.
© Dr. Hugo
A. Banda Gamboa - 2016 37
38.
Los nuevos
aspectos a ser introducidos en BI 2.0 no podrán ser logrados, a menos que la tecnología necesaria sea desarrollada. Para que la nueva visión de las aplicaciones de BI sea convertida en una realidad, una serie de retos tecnológicos deben ser superados. © Dr. Hugo A. Banda Gamboa - 2016 38
39.
© Dr. Hugo
A. Banda Gamboa - 2016 Para lograr el flujo de datos en tiempo real y el correspondiente procesamiento, se han evidenciado los siguientes requerimientos: Minimizar los tiempos de los procesos de refrescamiento de la DW. Reducir el retardo que introducen las consultas mediante paralelización, aceleración del hardware y bases de datos en memoria principal. Evitar inconsistencias en el análisis debido al constante flujo que modifica los datos dentro de la DW, mediante análisis episódico de capturas sucesivas. 39
40.
Los problemas
de escalabilidad pueden afectar diferentes aspectos del proceso de decisión. Desde las bases de datos transaccionales hasta la DW utilizada como fuente de datos para la solución de BI, incluyendo la red que provee los resultados a los diferentes usuarios. Tres principales alternativas se han propuesto para resolver estas dificultades: 1. Incorporar elementos de hardware más poderosos 2. Simplemente incorporar mayor número de elementos de hardware. 3. Una combinación de las dos anteriores, buscando una solución de mejor beneficio – costo. © Dr. Hugo A. Banda Gamboa - 2016 40
41.
1. Más poderosos
servidores de DW con alto número de núcleos y enormes tamaños de RAM. La información puede ser almacenada y mantenida dentro de la organización con mayor privacidad y seguridad: Exadata de ORACLE. Arquitectura de DW de IBM Netezza. 2. Servicios de Cloud Computing. Más flexibles para satisfacer fluctuaciones en la demanda, sin incurrir en costos innecesarios: Amazon Services. Azure Cloud de Microsoft. iCloud de Apple. © Dr. Hugo A. Banda Gamboa - 2016 41
42.
Actualmente, los
clientes intercambian opiniones a través de las redes sociales y registran opiniones en foros, blogs, etc., a medida que las empresas presentan sus ofertas a través de sus sitios Web. Esto implica que los negocios no tienen almacenados todos en sus servidores los datos relevantes y necesarios. Toda esta información externa útil debe ser recopilada, sin embargo mucha de ella está en formato semiestructurado (Archivos XML), como lenguaje natural no estructurado o como contenido en una página WEB. Se han desarrollado algunas propuestas para integrar estos datos, pero todavía es un área de investigación abierta [12]. [12] http://www.aclweb.org/anthology/S10-1099 © Dr. Hugo A. Banda Gamboa - 2016 42
43.
A medida
que el enfoque de análisis se orienta al futuro inmediato, se incrementa la importancia del análisis predictivo. Ya que la cantidad de información a ser analizada para tomar una decisión es demasiado grande para un experto humano, el análisis debe ser realizado de manera automática, utilizando algoritmos de fácil aplicación, en un tiempo reducido. A pesar que existe un buen número de técnicas predictivas de minería de datos, estas deben obtener resultados en períodos delimitados de tiempo, aún cuando se pierda cierta precisión. Ésta también es un área abierta para futura investigación. © Dr. Hugo A. Banda Gamboa - 2016 43
44.
Los modelos
de procesos del negocio describen el flujo de datos a través de las diferentes actividades específicas, detallando la forma en que los estados de los objetos de datos evolucionan a través del proceso. La investigación en esta área ha permitido identificar cuellos de botella dentro de los procesos, proporcionando niveles de abstracción para hacerlos más comprensibles. Sin embargo, los modelos de los procesos del negocio carecen de información acerca de la estructura de los datos subyacentes, así como de las relaciones entre los procesos y la estrategia del negocio. Estos procesos están relacionados con la inteligencia de los procesos del negocio (BPI) y es un área abierta a la investigación. © Dr. Hugo A. Banda Gamboa - 2016 44
45.
Una de
las características importantes para el análisis de un conjunto de datos corresponde a las relaciones entre este conjunto y otros datos. Algunas de estas relaciones (hechos, dimensiones y jerarquías) están explícitamente incluidas en los datos almacenados en la DW, pero otras que son implícitas deben ser descubiertas a través de técnicas de minería de datos. Para modelar estas relaciones, una forma de enlazar los datos (linking data) debe ser desarrollado. Entre las propuestas publicadas, se pueden mencionar: enfoques de trazabilidad, uso de ontologías y etiquetado semántico. También es un área abierta a la investigación. © Dr. Hugo A. Banda Gamboa - 2016 45
46.
© Dr. Hugo
A. Banda Gamboa - 2016 46 Herramienta MicroStrategy Pentaho Cognos SAS Microsoft SAP Interfaz Web Si Si Si Si Combinada Combinada Scorecards Si Requiere Esfuerzo Si Si Si Si Dashboards Si Si Si Si Si Si Interactividad No No Si Si Limitada - Colaboración entre usuarios No LifeRay Si - Algo En desarrollo Información Enriquecida No No Si No Algo En desarrollo Análisis Predictivo Funciones Matemáticas WEKA SW Adicional - EXCEL Apoyo Completo Procesos de Negocio No No No No No Si Integración Plataforma Única Módulos Independientes Plataforma Única Plataforma Única SW Múltiple SW Múltiple Características Adicionales BI Móvil Dedicada BI Open Source - Herramientas de Visualización Soporta Web Data Integración Empresarial
47.
Si tienes suficiente información
para hacer un plan de negocio de tu idea es que ya es demasiado tarde. - Bill Gates © Dr. Hugo A. Banda Gamboa - 2016 47
Baixar agora