Inteligencia de Negocios

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Inteligencia de Negocios"

María Mercedes Farías Iglesias
hace 5 años
Vistas:

1 Inteligencia de Negocios T E C N O L O G Í A S D E A P O Y O Claudio Henríquez Berroeta

2 Modelamiento de la toma de decisión y sus procesos Temario Introducción Data Warehouse Data Mining Modelamiento del Conocimiento Proceso KDD

3 Tecnologías de Apoyo Introducción Una vez definido el modelo de toma de decisión se debe seguir algún procedimiento para obtener los resultados deseados: sistema de apoyo a la toma de decisiones En Inteligencia de Negocios el paradigma es: utilizar conocimiento basados en hechos. Hay dos aspectos fundamentales: Hechos Conocimiento

4 Tecnologías de Apoyo Introducción Hechos Desde el punto de vista BI corresponden a situaciones de negocios sucedidas y reales Importante: almacenar y organizar los hechos, que son todos los datos e información de negocios de una organización Procedimiento: Data Warehouse

5 Tecnologías de Apoyo Conocimiento Definición: percepción de la verdad proposiciones acerca de cosas o hechos de El conocimiento se obtiene mediante procesos inteligentes: experiencia, raciocinio, deducción, descubrimiento, etc. Procedimientos y Tecnologías conocimiento de los datos: para generar Data Mining Modelamiento del conocimiento Proceso KDD

6 Data WareHouse (DW) Definición Es una colección de integrada de bases de datos, diseñadas para apoyar la toma de decisiones (DSS), donde cada unidad de datos no es volátil (mantiene la historia) y es o fue relevante en tiempo. Es una colección físicamente independiente de otros repositorios Almacena datos agregados y operacionales particularmente separados de los ocupados en los procesos transaccionales (en línea) Algunos conceptos o entidades Almacén de datos operacional: alimentar el DW con datos actuales Data Marts: versión especializada de DW Metadatos: definición de que es cada dato

7 Data Mining (DM) Definición Es un conjunto de actividades ocupadas para encontrar patrones nuevos, ocultos o inesperados en los datos. Es decir generar conocimiento a partir de los datos A las técnicas organizadas de data mining tendientes a obtener un resultado concreto se denomina Descubrimiento de Conocimiento desde los Datos (KDD) Requerimientos Disponer de un conjunto organizado de datos: Data Warehouse o Data Marts Como define el conocimiento: técnicas de modelamiento Disponer de un procedimiento claro y definido para generar el conocimiento: KDD

8 Modelamiento del Conocimiento Introducción Existen una gran variedad de esquemas ocupados para modelar el conocimiento. La elección de un modelo específico dependerá de diversos factores: Como de extrae o se arma el conocimiento Área del conocimiento específico Capacidad del modelo de retener conocimiento (precisión) Capacidad que tiene el modelo de explicar: cajas negras, grises, etc. Como se va a ocupar el conocimiento (DSS)

9 Modelamiento del Conocimiento Categorización Los algoritmos para generar conocimiento se pueden clasificar según las siguientes categorías Clasificación: la idea es descubrir las reglas que definen si un objeto particular pertenece o no a un determinado conjunto o clase definida Asociación: es el descubrimiento de correlaciones entre datos de entrada y las salidas producidas: generación de funciones Secuencia: se ocupa para relacionar eventos en el tiempo, como predicción de valores, tasas de intereses: análisis de series de tiempo Conglomerados (cluster): la idea es crear particiones en los datos, agrupando elementos según similaridad y generando clases (inducidas)

10 Metodologías Principales Modelamiento Estadístico Es el modelo más maduro y asentado Fácil de entender Se basa principalmente de el manejo y definición de Probabilidades Objetivas Dispone de un base teórica bastante sólida, que otorga una seguridad a los resultados obtenidos como: rangos de significancia de los parámetros, se conoce la precisión de los resultados, etc. Modelos pueden ser algo limitados: principalmente relaciones lineales y definición de pocos parámetros

11 Metodologías Principales Modelamiento Neuronal Las redes neuronales artificiales surgen del análisis de los modelos neuronales reales: se acercan más a los procesos inteligentes naturales Desarrollan capacidades análogas: Aprendizaje a partir de los datos Modelamiento patrones complejos Modelos no lineales y de muchas variables Algunos inconvenientes : Dificultad de entender los modelos Una base teórica no completamente asentada

12 Metodologías Principales Arboles de Decisión Modelo conceptualmente simple que surge del proceso de toma de decisión Fácil de entender y apropiado para sistemas de toma de decisión Asume la toma de decisiones secuenciales sobre una variable específica Tiende naturalmente a crecer de manera exponencial, reduciendo la efectividad del manejo de muchas variables simultáneas La capacidad de modelamiento algo más limitada que otros esquemas (como el neuronal) Se dispone de procesos simples para construir árboles (inducción de árboles)

13 Metodologías Principales Modelos específicos Existen muchos modelos que se ajustan a una situación particular Se obtiene mucho mayor eficiencia en el proceso de modelar conocimiento disponible Ejemplos: Modelo de series de tiempo Modelos fenomenológicos: por ejemplo, modelos meteorológicos

14 Metodologías Principales Modelos híbridos Las metodologías principales se pueden combinar convenientemente para generar modelos híbridos de distintos tipos, y aprovechar las ventajas de cada uno Arboles de decisión + redes neuronales Modelos fenomenológicos + redes neuronales Modelos fenomenológicos + estadísticos

Documentos relacionados

Bodegas de Datos y OLAP. Introducción a la Bodegas de Datos

Bodegas de Datos y OLAP. Introducción a la Bodegas de Datos Bodegas de Datos y OLAP Introducción a la Bodegas de Datos Contenido SI-Definición y Clasificación MIS Vs DSS DSS-Definición y Características DW-Definición, Elementos, Características, Arquitectura, OLTP