SlideShare ist ein Scribd-Unternehmen logo
1 von 104
Grupo Nº 5-6 Integrantes: Bajaña Dian Guamán Ernesto Pino Jefferson Rodas Jonathan John Sánchez Robinson Ortiz Andrés Reyes Profesor: Ing. Patricio Vicuña
[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
DIMENSIONES PARA  << slice and dice >> Una dimensión es una vista de los datos categóricamente consistente. Todos los miembros dentro de una dimensión , tales como productos pertenecen juntos a un grupo. Hay dos ejemplos sencillos para esto:  ,[object Object],[object Object],Slice  (rebana) y dice(cubo) : hacen particiones de los datos en una base de datos multidimensional de acuerdo a los valores de ciertas dimensiones, como por ejemplo, podríamos rebanar y hacer cubos de un tomate.
En resumen, los sistemas OLAP organizan los datos por intersecciones multidimensionales. Esta organización, acompañada por una herramienta de interfaz para rotar y anidar dimensiones, permite a los usuarios visualizar rápidamente los valores en detalle, patrones, variaciones y anomalías de los datos que estarían de otra manera ocultos por un análisis dimensional simple. A mayor número de dimensiones, mayor es la profundidad del análisis.
El miembro cerezas de la dimensión producto atraviesa todas las intersecciones de las dimensiones de tiempo y mercado. Una vez mas,  slice-and-dice  en el mundo OLAP está identificando un subconjunto de celdas, que el usuario ha seleccionado para visualizar, desde el cubo maestro OLAP almacenado en un servidor de datos. Cerezas Uvas Manzanas Dimensión Tiempo 1º 2º 3º 4º Trimestres Atlanta Chicago Denver Detroit Melones
JERARQUIAS PARA HACER drill down Un sistema OLAP permite organizar los datos en jerarquías que se agregan desde el detalle hasta los niveles altos. Por ejemplo, los datos mensuales puede ser resumido o totalizados por  trimestres o años, los distritos totalizados por regiones, los productos totalizados por líneas de productos y grupos de productos, así sucesivamente. ,[object Object],[object Object]
Dimensión Tiempo Año Trimestre Meses TIEMPO 2001 Q1 Enero Febrero Marzo Q2 Abril Mayo Junio Q3 Julio Agosto Septiembre Q4 Octubre Noviembre Diciembre
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
MODO DE ALMACENAMIENTO OLAP El concepto  << a la velocidad del pensamiento >>  que tanto hemos usado se evidencia en el sistema OLAP (análisis multidimensional) porque los datos encuentran almacenados en estructuras que está optimizadas para permitir la rápida recuperación de la información. Definición de los tres paradigmas de almacenamiento para dar apoyo al análisis multidimensional. Desktop file:  Conocido como  DOLAP (desktop online analytical processing). Los datos son almacenados en máquinas individuales de sobremesa, este tipo de almacenamiento es útil cuando se deseen desarrollar aplicaciones de pequeña escala donde no existe la necesidad de que múltiples usuarios tengan que acceder a los datos como si fuera un servidor central.
Servidores de base de datos relacionales:  Es conocido como  ROLAP (relational omline analytical processing). Almacena datos en una base de datos relacional permite tomar ventaja de uno de sus más grandes beneficios, el almacenamiento de inmensas cantidades de datos. Lo que suele ocurrir es que el rendimiento de recuperación de la información para  ROLAP  frecuentemente no es tan rápido como otras opciones de almacenamiento. Servidores de base de datos multidimensionales:  Es conocido como  MOLAP (Multidimensional online analytical processing). Los datos son colocados en estructuras especiales que se encuentran en un servidor central.  MOLAP  ofrecen mayor rendimiento de recuperación de información.  Un cuarto modo de almacenamiento es  HOLAP  (Hybryd online analytical processing) no es realmente un modo diferente de almacenamiento de datos. Más bien es la habilidad para diseminar los datos a través de la base de datos relacionales y multidimensionales con la finalidad de obtener lo mejor de ambos sistemas.
CUALES SON LAS TECNOLOGIAS DE BUSINESS INTELLIGENCE ? Cuando una compañía decide implementar una plataforma Business Intelligence, existen consideraciones que necesitan ser tomadas en cuenta relativas al tipo de plataformas en la que será construida, las herramientas y tecnologías que será usada para convertir los datos originales o  << crudos>> en información útil. LA VISION MACRO El proceso que utiliza las plataformas de Business Intelligence para capturar datos y convertirlos en información útil puede ser simple o muy complicada.
¿dónde están los datos almacenados? Conociendo las limitaciones de los sistemas operacionales, muchas compañías consiguen cubrir sus necesidades de análisis e información de negocios acumulando los mismos en un repositorio colectivo. Este repositorio no sólo tienen nombre especial que podría ser bastante familiar: el data warehouse, sino que también identifica lugar donde los datos son almacenados en la plataforma de Business Intelligence. ¿cómo se obtienen los datos para los usuarios de negocio? Una vez descarga la información en el data warehouse, los procesos de análisis e información de negocio son responsables de tomar los datos desde el data warehouse, ensamblar los datos, presentarlos en formatos amigables para el usuario (tales como hojas de cálculo y gráficos) y entregar esta información a los usuarios de negocio.
Para llevar a cabo los procesos de análisis y presentación de informes, de las herramientas de front-end recogen los datos de data warehouse y presentan estos a los usuarios en forma de informes. HERRAMIENTAS DE front -end DATA MINING Puede ser utilizado para analizar las relaciones detalladas de los datos; por ejemplo, data mining puede responder preguntas relacionadas sobre qué cliente deben atacarse para un nuevo producto.
DATA WAREHOUSE El objetivo primario de data warehouse es apoyar a los procesos de análisis y presentación de informes, los requirimientos de los usuarios tienen influencia en su diseño y contenido. En la práctica esto tiene doble significado, uno de los usuarios definen la información que les ayudará a ellos a tomar las mejores decisiones rápidamente y dos para que los profesionales de tecnología puedan construir un data warehouse para alcanzar sus necesidades. Esta práctica es más exitosa cuando los usuarios y los especialistas en tecnologías comparten los mismos lineamientos sobre cuáles son las necesidades de la organización y como un data warehouse cumple con estos requerimientos.
[object Object]
[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
GRUPO Nº 6 INTEGRANTES : ROBINSON ORTIZ V. JOHN SANCHEZ V. ANDRES REYES C.
 
CompUSA Inc. ha pasado por varias transformaciones en su funcionamiento. Inicialmente la compañía vendía directamente a clientes de empresas, pero luego abrió sus ventas al mercado minorista. Cabe señalar que desde su inicio hasta  el presente esta empresa ha crecido mediante expansión de adquisiciones hasta convertirse en el mayor minorista informático de Norteamérica.
El equipo de gestión de operaciones abarca toda la organización e incluye al Director General de cada tienda, Directores regionales, directores de división y ejecutivos corporativos. La empresa no podía realizar comparaciones entre venta en bruto y rentabilidad entre tiendas y regiones; y de la misma manera no podía ofrecer una información que reflejara las ventas en relación a las visitas de los clientes  en el día. La idea que hay detrás del Bussines Analytics Data Warehouse era ofrecer una solución ideal para todas las necesidades mediante un solo repositorio centralizado de información y proporcionar los informes para obtener vistas distintas de la misma.
La primera fase antes de construir el diseño de datos consistía la recopilación y consolidación de los datos (Análisis de Requerimientos) Una vez incorporada en el diseño la información recibida, se tomó un enfoque iterativo para construir el almacén de datos. Poco a poco se fue añadiendo la información de todos los puntos de venta existentes lo que resultó en una satisfactoria consolidación  de los datos. Una vez hecho esto, se podía realizar el estudio del comportamiento de cada uno de los puntos de venta de la empresa y así identificar cuales son las que necesitan una mejora.
La aplicación del Bussines Analytics Data Warehouse ayudó en gran parte a la mejora en la toma de decisiones para el buen desempeño de la compañía. En cada tienda, hasta cuatro directores tienen acceso a la información a través de la intranet corporativa obteniendo información de las ventas, margen bruto y servicios que ofrece cada tienda.
Otro beneficio, es que permite la recolección de información que puede ser muy importante para identificar el desempeño de cada miembro de una organización o de la actividad de los clientes. El tercer beneficio importante es que se pudo mejorar la productividad  y evitar pérdidas  manteniendo un almacén de datos que recolecte todos los datos del negocio y colocar estos en hojas de cálculos consolidándolos de una reforma que resulten utilizables.
Era muy importante tener en consideración que los datos podían crecer en altas magnitudes por lo que Microsoft SQL-Server fue de gran utilidad para el manejo de estos datos de forma regular Este era un problema común ya que los datos se encontraban en distintos sistemas de origen. Para esto fue necesario validar los datos de los diversos sistemas antes de integrarlos.
Muchas veces se solía perder datos durante el sistema de conversión debido a la interfaz del software. Para esto se hizo necesario revisar periódicamente la calidad de datos que se estaban almacenando y si fuere necesario realizar nuevos procesos que permitan mejorar la recolección de datos de los diferentes sistemas. Se puede decir que clave del éxito del almacén de datos dependió mucho del estudio que se realizó en cuanto a las necesidades de la empresa y así almacenar los datos realmente necesarios de manera que se pudiera entregar la información en tiempo casi real para obtener una imagen completa de la actividad diaria del negocio.
 
A pesar de tener un Programa denominado DiscoPlus, los usuarios dependían del departamento de tecnología para conocer la información proveniente de los sistemas transaccionales. Los informes podían ser actualizados con nuevos datos en intervalos semanales  y además producir un nuevo informe tomaba varias horas y se requería de la gente de tecnología. Por ello el departamento de tecnología sugirió la implementación de un Data Warehouse y de esta manera se solucionarían los problemas de acceso a la información.
Evaluar la funcionalidad de OLAP y de data mining. El equipo llegó a la conclusión que la tecnología OLAP era la mejor opción ya que permitiría el acceso a información detallada y consolidada. Los datos genéricos fueron recopilados desde los puntos de venta para ser almacenados en el data warehouse diariamente. El equipo de Data warehouse utilizó combinaciones de técnicas descriptivas: la segmentación y el clustering. La segmentación consistía en agrupar a los clientes de acuerdo a la frecuencia de compra, tamaño de la compra que luego sería combinada con la información de los clientes inscritos en el DiscoPlus. El clustering evalúa cada grupo segmentado de los clientes para localizar características comunes de cada grupo.
Después de almacenar los datos en el data warehouse  se creó un cubo OLAP que proporcionaría a los usuarios finales una rápida vista multidimensional de los datos de ventas a clientes. Rápido y fácil acceso a la información por haber aplicado técnicas correctas de análisis para los problemas del negocio. Con las técnicas  de segmentación y clustering ha sido creado un perfil para grupos específicos de clientes. Cabe recalcar que el éxito del data mining depende mucho de la calidad de los datos que se almacenan. Por ello esta es la fase más larga y compleja de este proyecto.
Producto Uvas Manzanas Melones Cerezas Peras T4 Tiempo T1 T2 T3 Localidad Guayaquil Salinas Milagro
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],Prestar especial atención a su primer paso Su primer data mart es el mas importante por las criticas de soluciones BI y por que afectará a proyectos futuro.
[object Object],Data Mart Departamental Data Mart Empresarial
[object Object],[object Object],[object Object],[object Object]
[object Object],Las decisiones fundamentales La segunda parte incluye consejos prácticos  para la toma de decisiones que también incluye la selección del equipo de implementación.
[object Object],[object Object],[object Object]
Escalabilidad Ambas bases de datos deben tener la capacidad de manejar el número de usuarios y volúmenes de datos que usted tiene en la actualidad y los que prevé tener en el futuro. Ambas bases de datos deben mantener sus objetivos de rendimiento. Estos objetivos pueden ser divididos en dos categorías:  Rendimiento Velocidad de procesamiento de datos Velocidad de recuperación de los datos.
En combinación con el rendimiento, las bases de datos relacionales y las OLAP deben tener un mecanismo para gestionar y optimizar los motores de bases de datos como sea necesario. Ambas bases de datos deben tener un mecanismo para administrar la seguridad con la finalidad de tener la garantía  de que los usuarios adecuados tienen acceso a los datos correctos. Manejabilidad Seguridad
Ambas bases de datos deben cubrir las necesidades  de disponibilidad o accesibilidad necesarias para garantizar que el sistema siempre este en funcionamiento y con la posibilidad de ser respaldados o restaurados cuando algo funcione de forma inadecuada. Ambas bases de datos deben permitir a los programadores configurar y adaptar las mismas, tanto como sea necesario para mantener almacenamiento de datos específicos y necesidades de administración. Disponibilidad Adaptación
las bases de datos relacionales proporcionan grandes capacidades para introducir actualizaciones. Es importante resaltar que muchas bases de datos OLAP son muy débiles en este aspecto. Las bases de datos relacionales proporcionan un gran soporte para tener acceso a  la última información esencialmente en tiempo real. Write Back Tiempo Real
 
[object Object],[object Object]
[object Object],[object Object]
[object Object]
[object Object]
PRUEBA DE DISEÑO DE DIMENSIONES: AÑOS Y PRODUCTOS PRUEBA DE DISEÑO DE DIMENSIONES: PRODUCTOS Y CATEGORIA DE PRODUCTOS Tiene   sentido No  tiene   sentido
 

Weitere ähnliche Inhalte

Was ist angesagt?

Inteligencia De Negocios (Business Intelligence)
Inteligencia De Negocios (Business Intelligence)Inteligencia De Negocios (Business Intelligence)
Inteligencia De Negocios (Business Intelligence)Hugo Céspedes A.
 
Sistema de soporte de decisiones (dss) grupo-6
Sistema de soporte de decisiones (dss)  grupo-6Sistema de soporte de decisiones (dss)  grupo-6
Sistema de soporte de decisiones (dss) grupo-6Kervin Perche
 
La arquitectura empresarial y el análisis de negocios
La arquitectura empresarial y el análisis de negociosLa arquitectura empresarial y el análisis de negocios
La arquitectura empresarial y el análisis de negociosSergio Salimbeni
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligencegrupo nkjr
 
ISO 22301 Seguridad de las sociedades- Continuidad del negocio
ISO 22301 Seguridad de las sociedades- Continuidad del negocioISO 22301 Seguridad de las sociedades- Continuidad del negocio
ISO 22301 Seguridad de las sociedades- Continuidad del negocioMaricarmen García de Ureña
 
Gestión de información y del conocimiento
Gestión de información y del conocimiento Gestión de información y del conocimiento
Gestión de información y del conocimiento Rafael Duin
 
Unidad 5. inteligencia de negocios
Unidad 5. inteligencia de negociosUnidad 5. inteligencia de negocios
Unidad 5. inteligencia de negociosLupita Eguia
 
Primera clase práctica profesional, trata sobre la estructura organizacional,...
Primera clase práctica profesional, trata sobre la estructura organizacional,...Primera clase práctica profesional, trata sobre la estructura organizacional,...
Primera clase práctica profesional, trata sobre la estructura organizacional,...Fer Nardi
 
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajo
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajoARQUITECTURA DE NEGOCIO componentes de la ruta de trabajo
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajoKRUGER SARAPURA YUPANQUI
 

Was ist angesagt? (20)

Inteligencia De Negocios (Business Intelligence)
Inteligencia De Negocios (Business Intelligence)Inteligencia De Negocios (Business Intelligence)
Inteligencia De Negocios (Business Intelligence)
 
Sistema de soporte de decisiones (dss) grupo-6
Sistema de soporte de decisiones (dss)  grupo-6Sistema de soporte de decisiones (dss)  grupo-6
Sistema de soporte de decisiones (dss) grupo-6
 
Empresas que trabajan con inteligencia de negocios mercadotecnia electronica
Empresas que trabajan con inteligencia de negocios mercadotecnia electronicaEmpresas que trabajan con inteligencia de negocios mercadotecnia electronica
Empresas que trabajan con inteligencia de negocios mercadotecnia electronica
 
Capacitación sap ppt
Capacitación sap pptCapacitación sap ppt
Capacitación sap ppt
 
La arquitectura empresarial y el análisis de negocios
La arquitectura empresarial y el análisis de negociosLa arquitectura empresarial y el análisis de negocios
La arquitectura empresarial y el análisis de negocios
 
Erp presentacion
Erp presentacionErp presentacion
Erp presentacion
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
ISO 22301 Seguridad de las sociedades- Continuidad del negocio
ISO 22301 Seguridad de las sociedades- Continuidad del negocioISO 22301 Seguridad de las sociedades- Continuidad del negocio
ISO 22301 Seguridad de las sociedades- Continuidad del negocio
 
Gestión de información y del conocimiento
Gestión de información y del conocimiento Gestión de información y del conocimiento
Gestión de información y del conocimiento
 
Unidad 5. inteligencia de negocios
Unidad 5. inteligencia de negociosUnidad 5. inteligencia de negocios
Unidad 5. inteligencia de negocios
 
La Propuesta De Sistemas
La Propuesta De SistemasLa Propuesta De Sistemas
La Propuesta De Sistemas
 
Primera clase práctica profesional, trata sobre la estructura organizacional,...
Primera clase práctica profesional, trata sobre la estructura organizacional,...Primera clase práctica profesional, trata sobre la estructura organizacional,...
Primera clase práctica profesional, trata sobre la estructura organizacional,...
 
Data mart
Data martData mart
Data mart
 
Benchmarking
Benchmarking Benchmarking
Benchmarking
 
Diseño Organizacional
Diseño OrganizacionalDiseño Organizacional
Diseño Organizacional
 
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajo
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajoARQUITECTURA DE NEGOCIO componentes de la ruta de trabajo
ARQUITECTURA DE NEGOCIO componentes de la ruta de trabajo
 
Proyecto de Minería de Datos
Proyecto de Minería de DatosProyecto de Minería de Datos
Proyecto de Minería de Datos
 
Hoshin Kanri
Hoshin KanriHoshin Kanri
Hoshin Kanri
 
BEA LORENA Y MIGUEL A
BEA LORENA Y MIGUEL ABEA LORENA Y MIGUEL A
BEA LORENA Y MIGUEL A
 

Andere mochten auch

Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)saanett
 
Business Intelligence Exposición
Business Intelligence ExposiciónBusiness Intelligence Exposición
Business Intelligence Exposicióntereunisur7610
 
Business intelligence-
Business intelligence-Business intelligence-
Business intelligence-cassram
 
Cómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresaCómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresaEvaluandoSoftware
 
La inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentosLa inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentosdeysiyarilka
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negociosTiberth Garcia
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligenceVDanielrs
 
Marlabs- ISMNY Deck
Marlabs- ISMNY DeckMarlabs- ISMNY Deck
Marlabs- ISMNY DeckMarlabs
 
Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1hfrancob
 
BI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business IntelligenceBI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business IntelligenceMario Guedes de Rezende
 
Introduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data ScienceIntroduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data ScienceIMC Institute
 
Seguridad Electronica
Seguridad ElectronicaSeguridad Electronica
Seguridad Electronicalocaltlv
 
Business intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lakeBusiness intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lakeData Science Thailand
 
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)DANIEL VENTURA
 
Que Es Seguridad ElectróNica
Que Es Seguridad ElectróNicaQue Es Seguridad ElectróNica
Que Es Seguridad ElectróNicaGUstavo
 
Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)Daniel Espinar
 

Andere mochten auch (19)

Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)
 
Business Intelligence Exposición
Business Intelligence ExposiciónBusiness Intelligence Exposición
Business Intelligence Exposición
 
Business intelligence-
Business intelligence-Business intelligence-
Business intelligence-
 
Cómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresaCómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresa
 
La inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentosLa inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentos
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
U3 clase-01
U3 clase-01U3 clase-01
U3 clase-01
 
Marlabs- ISMNY Deck
Marlabs- ISMNY DeckMarlabs- ISMNY Deck
Marlabs- ISMNY Deck
 
Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1
 
BI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business IntelligenceBI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business Intelligence
 
Introduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data ScienceIntroduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data Science
 
Seguridad Electronica
Seguridad ElectronicaSeguridad Electronica
Seguridad Electronica
 
Business intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lakeBusiness intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lake
 
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
 
Que Es Seguridad ElectróNica
Que Es Seguridad ElectróNicaQue Es Seguridad ElectróNica
Que Es Seguridad ElectróNica
 
BUSINESS INTELLIGENCE
BUSINESS INTELLIGENCEBUSINESS INTELLIGENCE
BUSINESS INTELLIGENCE
 
Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 

Ähnlich wie Exposicion Business Intelligence

BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCEUNEMIGrupo6
 
BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCEUNEMIGrupo6
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negociosromangm
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De NegociosUJAP
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligencebrobelo
 
Primer parcial wilmer satuquinga
Primer parcial wilmer satuquingaPrimer parcial wilmer satuquinga
Primer parcial wilmer satuquingaJorge Alvarez
 
Introduccion Inteligencia De Negocios
Introduccion Inteligencia De NegociosIntroduccion Inteligencia De Negocios
Introduccion Inteligencia De NegociosUJAP
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negociosFlor Loera
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negociosJazmin Lopez
 
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOSFUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOSCristian Lopez
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negociosDavidAcurio2
 
conceptos de inteligencia de negocios
conceptos de inteligencia de negociosconceptos de inteligencia de negocios
conceptos de inteligencia de negociosmascorroale
 
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)Sandrita Rafael Estela
 

Ähnlich wie Exposicion Business Intelligence (20)

BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
 
BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
 
Trabajo final
Trabajo finalTrabajo final
Trabajo final
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligence
 
Primer parcial wilmer satuquinga
Primer parcial wilmer satuquingaPrimer parcial wilmer satuquinga
Primer parcial wilmer satuquinga
 
Introduccion Inteligencia De Negocios
Introduccion Inteligencia De NegociosIntroduccion Inteligencia De Negocios
Introduccion Inteligencia De Negocios
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Sistemas de información
Sistemas de informaciónSistemas de información
Sistemas de información
 
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOSFUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Sistema de información
Sistema de informaciónSistema de información
Sistema de información
 
Seminario De Tecnologia
Seminario De TecnologiaSeminario De Tecnologia
Seminario De Tecnologia
 
conceptos de inteligencia de negocios
conceptos de inteligencia de negociosconceptos de inteligencia de negocios
conceptos de inteligencia de negocios
 
Informatica
InformaticaInformatica
Informatica
 
BUSSINESS INTELLIGENT
BUSSINESS INTELLIGENTBUSSINESS INTELLIGENT
BUSSINESS INTELLIGENT
 
Bisness inteligent
Bisness inteligentBisness inteligent
Bisness inteligent
 
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
 

Kürzlich hochgeladen

plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfplande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfenelcielosiempre
 
Cuaderno de trabajo Matemática 3 tercer grado.pdf
Cuaderno de trabajo Matemática 3 tercer grado.pdfCuaderno de trabajo Matemática 3 tercer grado.pdf
Cuaderno de trabajo Matemática 3 tercer grado.pdfNancyLoaa
 
Sesión de aprendizaje Planifica Textos argumentativo.docx
Sesión de aprendizaje Planifica Textos argumentativo.docxSesión de aprendizaje Planifica Textos argumentativo.docx
Sesión de aprendizaje Planifica Textos argumentativo.docxMaritzaRetamozoVera
 
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...JAVIER SOLIS NOYOLA
 
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfSELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfAngélica Soledad Vega Ramírez
 
Registro Auxiliar - Primaria 2024 (1).pptx
Registro Auxiliar - Primaria  2024 (1).pptxRegistro Auxiliar - Primaria  2024 (1).pptx
Registro Auxiliar - Primaria 2024 (1).pptxFelicitasAsuncionDia
 
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Alejandrino Halire Ccahuana
 
Dinámica florecillas a María en el mes d
Dinámica florecillas a María en el mes dDinámica florecillas a María en el mes d
Dinámica florecillas a María en el mes dstEphaniiie
 
Caja de herramientas de inteligencia artificial para la academia y la investi...
Caja de herramientas de inteligencia artificial para la academia y la investi...Caja de herramientas de inteligencia artificial para la academia y la investi...
Caja de herramientas de inteligencia artificial para la academia y la investi...Lourdes Feria
 
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Carlos Muñoz
 
Neurociencias para Educadores NE24 Ccesa007.pdf
Neurociencias para Educadores  NE24  Ccesa007.pdfNeurociencias para Educadores  NE24  Ccesa007.pdf
Neurociencias para Educadores NE24 Ccesa007.pdfDemetrio Ccesa Rayme
 
plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente  AIP 2024          clllll.pdfplan de capacitacion docente  AIP 2024          clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdfenelcielosiempre
 
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxSEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxYadi Campos
 
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptx
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptxTECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptx
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptxKarlaMassielMartinez
 
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularLey 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularMooPandrea
 
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdf
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdfCurso = Metodos Tecnicas y Modelos de Enseñanza.pdf
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdfFrancisco158360
 
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónEstrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónLourdes Feria
 
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURA
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURAFORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURA
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURAEl Fortí
 
PLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxPLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxlupitavic
 

Kürzlich hochgeladen (20)

plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdfplande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdf
 
Cuaderno de trabajo Matemática 3 tercer grado.pdf
Cuaderno de trabajo Matemática 3 tercer grado.pdfCuaderno de trabajo Matemática 3 tercer grado.pdf
Cuaderno de trabajo Matemática 3 tercer grado.pdf
 
Sesión de aprendizaje Planifica Textos argumentativo.docx
Sesión de aprendizaje Planifica Textos argumentativo.docxSesión de aprendizaje Planifica Textos argumentativo.docx
Sesión de aprendizaje Planifica Textos argumentativo.docx
 
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...
ACERTIJO DE LA BANDERA OLÍMPICA CON ECUACIONES DE LA CIRCUNFERENCIA. Por JAVI...
 
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdfSELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
 
Registro Auxiliar - Primaria 2024 (1).pptx
Registro Auxiliar - Primaria  2024 (1).pptxRegistro Auxiliar - Primaria  2024 (1).pptx
Registro Auxiliar - Primaria 2024 (1).pptx
 
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
Lecciones 05 Esc. Sabática. Fe contra todo pronóstico.
 
Dinámica florecillas a María en el mes d
Dinámica florecillas a María en el mes dDinámica florecillas a María en el mes d
Dinámica florecillas a María en el mes d
 
Caja de herramientas de inteligencia artificial para la academia y la investi...
Caja de herramientas de inteligencia artificial para la academia y la investi...Caja de herramientas de inteligencia artificial para la academia y la investi...
Caja de herramientas de inteligencia artificial para la academia y la investi...
 
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
 
Neurociencias para Educadores NE24 Ccesa007.pdf
Neurociencias para Educadores  NE24  Ccesa007.pdfNeurociencias para Educadores  NE24  Ccesa007.pdf
Neurociencias para Educadores NE24 Ccesa007.pdf
 
plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente  AIP 2024          clllll.pdfplan de capacitacion docente  AIP 2024          clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdf
 
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxSEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
 
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptx
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptxTECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptx
TECNOLOGÍA FARMACEUTICA OPERACIONES UNITARIAS.pptx
 
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circularLey 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circular
 
Unidad 3 | Metodología de la Investigación
Unidad 3 | Metodología de la InvestigaciónUnidad 3 | Metodología de la Investigación
Unidad 3 | Metodología de la Investigación
 
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdf
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdfCurso = Metodos Tecnicas y Modelos de Enseñanza.pdf
Curso = Metodos Tecnicas y Modelos de Enseñanza.pdf
 
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcciónEstrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcción
 
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURA
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURAFORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURA
FORTI-MAYO 2024.pdf.CIENCIA,EDUCACION,CULTURA
 
PLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docxPLAN DE REFUERZO ESCOLAR primaria (1).docx
PLAN DE REFUERZO ESCOLAR primaria (1).docx
 

Exposicion Business Intelligence

  • 1. Grupo Nº 5-6 Integrantes: Bajaña Dian Guamán Ernesto Pino Jefferson Rodas Jonathan John Sánchez Robinson Ortiz Andrés Reyes Profesor: Ing. Patricio Vicuña
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22. En resumen, los sistemas OLAP organizan los datos por intersecciones multidimensionales. Esta organización, acompañada por una herramienta de interfaz para rotar y anidar dimensiones, permite a los usuarios visualizar rápidamente los valores en detalle, patrones, variaciones y anomalías de los datos que estarían de otra manera ocultos por un análisis dimensional simple. A mayor número de dimensiones, mayor es la profundidad del análisis.
  • 23. El miembro cerezas de la dimensión producto atraviesa todas las intersecciones de las dimensiones de tiempo y mercado. Una vez mas, slice-and-dice en el mundo OLAP está identificando un subconjunto de celdas, que el usuario ha seleccionado para visualizar, desde el cubo maestro OLAP almacenado en un servidor de datos. Cerezas Uvas Manzanas Dimensión Tiempo 1º 2º 3º 4º Trimestres Atlanta Chicago Denver Detroit Melones
  • 24.
  • 25. Dimensión Tiempo Año Trimestre Meses TIEMPO 2001 Q1 Enero Febrero Marzo Q2 Abril Mayo Junio Q3 Julio Agosto Septiembre Q4 Octubre Noviembre Diciembre
  • 26.
  • 27.
  • 28. MODO DE ALMACENAMIENTO OLAP El concepto << a la velocidad del pensamiento >> que tanto hemos usado se evidencia en el sistema OLAP (análisis multidimensional) porque los datos encuentran almacenados en estructuras que está optimizadas para permitir la rápida recuperación de la información. Definición de los tres paradigmas de almacenamiento para dar apoyo al análisis multidimensional. Desktop file: Conocido como DOLAP (desktop online analytical processing). Los datos son almacenados en máquinas individuales de sobremesa, este tipo de almacenamiento es útil cuando se deseen desarrollar aplicaciones de pequeña escala donde no existe la necesidad de que múltiples usuarios tengan que acceder a los datos como si fuera un servidor central.
  • 29. Servidores de base de datos relacionales: Es conocido como ROLAP (relational omline analytical processing). Almacena datos en una base de datos relacional permite tomar ventaja de uno de sus más grandes beneficios, el almacenamiento de inmensas cantidades de datos. Lo que suele ocurrir es que el rendimiento de recuperación de la información para ROLAP frecuentemente no es tan rápido como otras opciones de almacenamiento. Servidores de base de datos multidimensionales: Es conocido como MOLAP (Multidimensional online analytical processing). Los datos son colocados en estructuras especiales que se encuentran en un servidor central. MOLAP ofrecen mayor rendimiento de recuperación de información. Un cuarto modo de almacenamiento es HOLAP (Hybryd online analytical processing) no es realmente un modo diferente de almacenamiento de datos. Más bien es la habilidad para diseminar los datos a través de la base de datos relacionales y multidimensionales con la finalidad de obtener lo mejor de ambos sistemas.
  • 30. CUALES SON LAS TECNOLOGIAS DE BUSINESS INTELLIGENCE ? Cuando una compañía decide implementar una plataforma Business Intelligence, existen consideraciones que necesitan ser tomadas en cuenta relativas al tipo de plataformas en la que será construida, las herramientas y tecnologías que será usada para convertir los datos originales o << crudos>> en información útil. LA VISION MACRO El proceso que utiliza las plataformas de Business Intelligence para capturar datos y convertirlos en información útil puede ser simple o muy complicada.
  • 31. ¿dónde están los datos almacenados? Conociendo las limitaciones de los sistemas operacionales, muchas compañías consiguen cubrir sus necesidades de análisis e información de negocios acumulando los mismos en un repositorio colectivo. Este repositorio no sólo tienen nombre especial que podría ser bastante familiar: el data warehouse, sino que también identifica lugar donde los datos son almacenados en la plataforma de Business Intelligence. ¿cómo se obtienen los datos para los usuarios de negocio? Una vez descarga la información en el data warehouse, los procesos de análisis e información de negocio son responsables de tomar los datos desde el data warehouse, ensamblar los datos, presentarlos en formatos amigables para el usuario (tales como hojas de cálculo y gráficos) y entregar esta información a los usuarios de negocio.
  • 32. Para llevar a cabo los procesos de análisis y presentación de informes, de las herramientas de front-end recogen los datos de data warehouse y presentan estos a los usuarios en forma de informes. HERRAMIENTAS DE front -end DATA MINING Puede ser utilizado para analizar las relaciones detalladas de los datos; por ejemplo, data mining puede responder preguntas relacionadas sobre qué cliente deben atacarse para un nuevo producto.
  • 33. DATA WAREHOUSE El objetivo primario de data warehouse es apoyar a los procesos de análisis y presentación de informes, los requirimientos de los usuarios tienen influencia en su diseño y contenido. En la práctica esto tiene doble significado, uno de los usuarios definen la información que les ayudará a ellos a tomar las mejores decisiones rápidamente y dos para que los profesionales de tecnología puedan construir un data warehouse para alcanzar sus necesidades. Esta práctica es más exitosa cuando los usuarios y los especialistas en tecnologías comparten los mismos lineamientos sobre cuáles son las necesidades de la organización y como un data warehouse cumple con estos requerimientos.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49. GRUPO Nº 6 INTEGRANTES : ROBINSON ORTIZ V. JOHN SANCHEZ V. ANDRES REYES C.
  • 50.  
  • 51. CompUSA Inc. ha pasado por varias transformaciones en su funcionamiento. Inicialmente la compañía vendía directamente a clientes de empresas, pero luego abrió sus ventas al mercado minorista. Cabe señalar que desde su inicio hasta el presente esta empresa ha crecido mediante expansión de adquisiciones hasta convertirse en el mayor minorista informático de Norteamérica.
  • 52. El equipo de gestión de operaciones abarca toda la organización e incluye al Director General de cada tienda, Directores regionales, directores de división y ejecutivos corporativos. La empresa no podía realizar comparaciones entre venta en bruto y rentabilidad entre tiendas y regiones; y de la misma manera no podía ofrecer una información que reflejara las ventas en relación a las visitas de los clientes en el día. La idea que hay detrás del Bussines Analytics Data Warehouse era ofrecer una solución ideal para todas las necesidades mediante un solo repositorio centralizado de información y proporcionar los informes para obtener vistas distintas de la misma.
  • 53. La primera fase antes de construir el diseño de datos consistía la recopilación y consolidación de los datos (Análisis de Requerimientos) Una vez incorporada en el diseño la información recibida, se tomó un enfoque iterativo para construir el almacén de datos. Poco a poco se fue añadiendo la información de todos los puntos de venta existentes lo que resultó en una satisfactoria consolidación de los datos. Una vez hecho esto, se podía realizar el estudio del comportamiento de cada uno de los puntos de venta de la empresa y así identificar cuales son las que necesitan una mejora.
  • 54. La aplicación del Bussines Analytics Data Warehouse ayudó en gran parte a la mejora en la toma de decisiones para el buen desempeño de la compañía. En cada tienda, hasta cuatro directores tienen acceso a la información a través de la intranet corporativa obteniendo información de las ventas, margen bruto y servicios que ofrece cada tienda.
  • 55. Otro beneficio, es que permite la recolección de información que puede ser muy importante para identificar el desempeño de cada miembro de una organización o de la actividad de los clientes. El tercer beneficio importante es que se pudo mejorar la productividad y evitar pérdidas manteniendo un almacén de datos que recolecte todos los datos del negocio y colocar estos en hojas de cálculos consolidándolos de una reforma que resulten utilizables.
  • 56. Era muy importante tener en consideración que los datos podían crecer en altas magnitudes por lo que Microsoft SQL-Server fue de gran utilidad para el manejo de estos datos de forma regular Este era un problema común ya que los datos se encontraban en distintos sistemas de origen. Para esto fue necesario validar los datos de los diversos sistemas antes de integrarlos.
  • 57. Muchas veces se solía perder datos durante el sistema de conversión debido a la interfaz del software. Para esto se hizo necesario revisar periódicamente la calidad de datos que se estaban almacenando y si fuere necesario realizar nuevos procesos que permitan mejorar la recolección de datos de los diferentes sistemas. Se puede decir que clave del éxito del almacén de datos dependió mucho del estudio que se realizó en cuanto a las necesidades de la empresa y así almacenar los datos realmente necesarios de manera que se pudiera entregar la información en tiempo casi real para obtener una imagen completa de la actividad diaria del negocio.
  • 58.  
  • 59. A pesar de tener un Programa denominado DiscoPlus, los usuarios dependían del departamento de tecnología para conocer la información proveniente de los sistemas transaccionales. Los informes podían ser actualizados con nuevos datos en intervalos semanales y además producir un nuevo informe tomaba varias horas y se requería de la gente de tecnología. Por ello el departamento de tecnología sugirió la implementación de un Data Warehouse y de esta manera se solucionarían los problemas de acceso a la información.
  • 60. Evaluar la funcionalidad de OLAP y de data mining. El equipo llegó a la conclusión que la tecnología OLAP era la mejor opción ya que permitiría el acceso a información detallada y consolidada. Los datos genéricos fueron recopilados desde los puntos de venta para ser almacenados en el data warehouse diariamente. El equipo de Data warehouse utilizó combinaciones de técnicas descriptivas: la segmentación y el clustering. La segmentación consistía en agrupar a los clientes de acuerdo a la frecuencia de compra, tamaño de la compra que luego sería combinada con la información de los clientes inscritos en el DiscoPlus. El clustering evalúa cada grupo segmentado de los clientes para localizar características comunes de cada grupo.
  • 61. Después de almacenar los datos en el data warehouse se creó un cubo OLAP que proporcionaría a los usuarios finales una rápida vista multidimensional de los datos de ventas a clientes. Rápido y fácil acceso a la información por haber aplicado técnicas correctas de análisis para los problemas del negocio. Con las técnicas de segmentación y clustering ha sido creado un perfil para grupos específicos de clientes. Cabe recalcar que el éxito del data mining depende mucho de la calidad de los datos que se almacenan. Por ello esta es la fase más larga y compleja de este proyecto.
  • 62. Producto Uvas Manzanas Melones Cerezas Peras T4 Tiempo T1 T2 T3 Localidad Guayaquil Salinas Milagro
  • 63.
  • 64.
  • 65.
  • 66.
  • 67.
  • 68.
  • 69.
  • 70.
  • 71.
  • 72.
  • 73.
  • 74.
  • 75.
  • 76.
  • 77.
  • 78.
  • 79.
  • 80.
  • 81.
  • 82.
  • 83.
  • 84.
  • 85.
  • 86.
  • 87.
  • 88.
  • 89.
  • 90.
  • 91.
  • 92.
  • 93.
  • 94. Escalabilidad Ambas bases de datos deben tener la capacidad de manejar el número de usuarios y volúmenes de datos que usted tiene en la actualidad y los que prevé tener en el futuro. Ambas bases de datos deben mantener sus objetivos de rendimiento. Estos objetivos pueden ser divididos en dos categorías: Rendimiento Velocidad de procesamiento de datos Velocidad de recuperación de los datos.
  • 95. En combinación con el rendimiento, las bases de datos relacionales y las OLAP deben tener un mecanismo para gestionar y optimizar los motores de bases de datos como sea necesario. Ambas bases de datos deben tener un mecanismo para administrar la seguridad con la finalidad de tener la garantía de que los usuarios adecuados tienen acceso a los datos correctos. Manejabilidad Seguridad
  • 96. Ambas bases de datos deben cubrir las necesidades de disponibilidad o accesibilidad necesarias para garantizar que el sistema siempre este en funcionamiento y con la posibilidad de ser respaldados o restaurados cuando algo funcione de forma inadecuada. Ambas bases de datos deben permitir a los programadores configurar y adaptar las mismas, tanto como sea necesario para mantener almacenamiento de datos específicos y necesidades de administración. Disponibilidad Adaptación
  • 97. las bases de datos relacionales proporcionan grandes capacidades para introducir actualizaciones. Es importante resaltar que muchas bases de datos OLAP son muy débiles en este aspecto. Las bases de datos relacionales proporcionan un gran soporte para tener acceso a la última información esencialmente en tiempo real. Write Back Tiempo Real
  • 98.  
  • 99.
  • 100.
  • 101.
  • 102.
  • 103. PRUEBA DE DISEÑO DE DIMENSIONES: AÑOS Y PRODUCTOS PRUEBA DE DISEÑO DE DIMENSIONES: PRODUCTOS Y CATEGORIA DE PRODUCTOS Tiene sentido No tiene sentido
  • 104.