Ppt netsharp
•Als PPTX, PDF herunterladen•
0 gefällt mir•27 views
Datawarehouse el motor de la BI
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Ppt netsharp
Ähnlich wie Ppt netsharp (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (12)
Ppt netsharp
- 1. Santa Cruz - 2018
- 2. Backlog 1. Introducción a Datawarehouse - Inteligencia de negocio (BI). 2. Creación de una estructura multidimensional. 3. Cuadro de mando con SharePoint 2010 4. Integración con reporting service 5. Consultas mdx para generar cubos portables 3. Open space. 4. Conclusiones.
- 3. Que es datawarehouse e Inteligencia de Negocios? Business Intelligence Gartner Group J. Goodnight SAS CEO Immon Bill Pronosticar el futuro mediante el estudio de lo sucedido. entender mejor a sus clientes, entender mejor sus compañías y realmente brindar el poder de la información. Estrategias y herramientas enfocadas a la administración y creación de conocimiento mediante el análisis de datos existentes en una organización o empresa.
- 4. Características de BI • Acceso a la información • Obtener reportes de calidad • Soporte a la toma de decisiones
- 5. Problemas y nececesidad comunes. "En esta organización tenemos montañas de datos pero no podemos accederlos"
- 6. Datawarehouse es el primer paso desde el punto de vista técnico para implantar inteligencia de negocio. Bodega de Datos (Data Warehouse)
- 7. Business Intelligence BI que es la capacidad de recopilar y analizar los datos internos y externos para generar conocimiento y valor para una empresa. La cual contribuye a la decisión en los niveles estratégico, táctico y operacional. Data Warehouse BD que es alimentada con los datos de sistemas transaccionales de negocio, optimizados para la recuperación de la información proporcionando un valor en las áreas de proyección del negocio, análisis de tendencias de mercado, y la optimización de costos. Relación de BI y DW
- 8. Soluciones de inteligencia de negocios Presentación y Distribución Análisis Integración Fuentes de Datos Datos Conocimiento aplicable a la gestión
- 9. Qué pasó? Cuánto, con qué frecuencia, dónde? Dónde está exactamente es el problema? Qué acciones son necesarias? Por qué está pasando? Qué pasa si esta tendencia continúa? Qué será lo que va a pasar? Qué es lo mejor que podría pasar? ValoralNegocio Reportes Standard Reportes Ad-Hoc Query Drill-Down Alertas Análisis Estadístico Forecasting Modelado Predictivo Optimización Grado de InteligenciaBusiness Intelligence Business Analytics De los datos a la inteligencia Presentacióny Distribución Análisis Source: SAS Company
- 10. Servicios 11% Servicios Financieros 42% Retail 4%Otros 2% Manufactura 6% Salud 8% Gobierno 14% Energía / Utilities 2% Educación 3% Comunicaciones 8% Bi por industria en Bolivia Fuentes: Bussines Group
- 11. Market Basket Analysis ¿Cómo funciona? • Se utiliza para incrementar las ventas aprovechando el conocimiento de que si alguien compra ciertos ítems entonces es altamente probable que también compre ciertos otros ítems. Ticket 1 Ticket 2 Ticket n
- 12. Cómo Target descubrió que una adolescente estaba embarazada antes de que se entere su padre “Mi hija recibió de ustedes un catálogo de ropa para bebés. Tiene 15 años y está en la secundaria!!. Están tratando de fomentar el embarazo juvenil?.” Llamado de un padre indignado al gerente de local de Target. Utilizando técnicas analíticas, Target identificó una canasta de 25 productos que permitían generar una probabilidad de embarazo. Y más importante, predecir la fecha probable de parto con un margen de error muy pequeño. De esta manera, pueden generar cupones de descuento para categorías específicas relacionadas con las diferentes etapas del embarazo. http://www.forbes.com/sites/kashmirhill/2012/02/16/how-target-figured-out-a- teen-girl-was-pregnant-before-her-father-did/ “Hablé con mi hija. Parece que han estado pasando cosas en mi casa de las cuales yo no estaba enterado: está embarazada y espera para Agosto…” El mismo padre al gerente, pocos días después
- 13. Modelos de Retención Objetivo: Retener a los mejores/más rentables clientes. Identifican los factores clave que influyen en el attrition (fuga de clientes). Identifican a través de modelos predictivos los clientes más propensos a la fuga. Utilizan scores para priorizar los clientes objetivo para acciones de retención.
- 14. El modelo multidimensional de la información Copo de nieve Estrella
- 15. Meter las manos al código.
- 16. Open space
- 17. Conclusiones • Visión integral en el desarrollo de un sistema de información Transaccional – Analítica • No todos los usuarios son operativos en un proceso de negocio.
Hinweis der Redaktion
- Algo peor que no tener información disponible es tener mucha información y no saber qué hacer con ella. La Inteligencia de Negocios o Business Intelligence (BI) es la solución a ese problema,
- "En esta organización tenemos montañas de Datos pero no podemos accederlos" "Sólo muestrenme lo que es importante" "No es posible que me reúna con dos personas que tienen el mismo indicador con distintos valores" "Queremos que la gente use la información como soporte para la toma de decisiones" "El área X tiene la información que necesito pero no me la brinda"
- La creación de un datawarehouse representa en la mayoría de las ocasiones el primer paso, desde el punto de vista técnico, para implantar una solución completa y fiable de Business Intelligence.
- Where does SAS Financial Management fit into the SAS platform? Everywhere, from Data Integration, to advanced analytics, and report distribution/business intelligence.
- How does software help? …. Well, everyone is talking about analytics these days, so let’s spend a moment thinking about “what are analytics?” Think of business value along the Y axis and degree of intelligence along the X axis. What I want to argue here, what I want to put to you is that when we talk about analytics, we can’t look at “does the vendor offer analytics?” We have to think of analytics along a spectrum of offerings. Different capabilities for different tasks. And we can divide those up into looking at the past and looking into the future. Build 1 … Very simply, at a very low level, we have standard reports. We answer the question, “What happened?” We all know about these. They’re generated on a regular basis, probably a lot of them monthly. Financial reports are a great example. Just “what happened” in a particular area. Useful to some extent, but not very useful. Build 2 … Ad hoc reports. “How many? How often? Where?” Okay, great. Give me that report writer I need and let me run a couple custom reports. That’s pretty good. Build 3… How about query drilldown – an OLAP environment. “Where exactly is the problem?” Allow me a little bit of discovery. This is where OLAP can come in and allow me to drill down and find out how many, what color and where. Build 4 … And then we have things like, “What actions are needed?” Alerts. So we kind of understand this; we know when we have a problem. Let’s put an alert in place so we know when this happens again in the future. Maybe put this on our scorecard; let’s turn something red. Now in all four cases here, we’re using data that occurred in the past obviously, and we’re looking at what happened in the past. But it’s not telling us anything about what’s going to happen in the future. And this is where the majority of analytic and performance management offerings are today. We’re looking at what happened in the past, and we’re reacting. Sure we may have some “leading” indicators on our scorecard … but we need more. Build 5 … Statistical analysis. “Why is this happening?” We can begin to run some things. We can begin to run some frequencies. We can begin to do some regression analysis. We can begin to look at why things are happening using the stored data and then beginning to answer some questions. Build 6 … Forecasting. “What if these trends continue?” This is probably one of the hottest markets right now, one of the hottest applications. Forecasting – it applies everywhere. The retail industry relies on this -- all these stores that they have out there today – what sizes do they need in this store versus what sizes do they need in that store? Forecasting demand. So that you don’t have a lot of things left over. So that you don’t run short. So that you supply just enough and maximize your inventory. Build 7 … Predictive modeling. “What will happen next?” I have 10 million customers. I want to do a campaign. Who’s most likely to respond? How do I segment that group? How do I determine who’s most likely to leave my organization? This is where predictive modeling comes into play. Build 8 … And then finally, in true support of innovation, we have optimization. “How do we do things better?” How do we make sure that we really trim all the fat around a particular activity, get that activity taken care of and allow us more time to support innovation with our remaining funds and focus? So look at this thing in terms of a spectrum of offerings. Ask yourself, what are the problems that you’re facing within your industry, and say, “What do I need to apply to fix that problem or to satisfy that issue?”
- 10