DISEÑO E IMPLEMENTACIÓN DE CUBOS DE DATOS

Transcripción

1 DISEÑO E IMPLEMENTACIÓN DE CUBOS DE DATOS Estructura de contenidos INTRODUCCIÓN ENFOQUES PARA LA CONSTRUCCIÓN DE CUBOS DE DATOS Modelos y metodologías para el diseño y construcción de Bodegas de Datos (Data Warehouses) Metodologías para minería de datos FASES PARA EL DISEÑO E IMPLEMENTACIÓN DE CUBOS DE DATOS FASE DE COMPRENSIÓN DEL MODELO DE NEGOCIO: FASE DE LEVANTAMIENTO DE REQUERIMIENTOS: FASE DE RECOLECCIÓN DE LOS DATOS: FASE DE PREPARACIÓN DE DATOS: FASE DE MODELADO DEL CUBO DE DATOS: FASE DE IMPLEMENTACIÓN DEL CUBO DE DATOS: FASE DE CONSTRUCCIÓN DEL VISUALIZADOR DEL CUBO DE DATOS:... 16

2 Mapa conceptual DISEÑO E IMPLEMENTACIÓN DE CUBOS DE DATOS 2

3 INTRODUCCIÓN El diseño y construcción de cubos de datos permite a las organizaciones escalar progresivamente hacia una arquitectura de almacenamiento con Bodegas de Datos (Data Warehouse), sobre los que se puede aplicar técnicas de minería de datos con el fin de extraer conocimiento que permita satisfacer las expectativas de los clientes y alcanzar los objetivos estratégicos de la organización. La aplicación de técnicas de minería de datos para identificar y extraer conocimiento de las bases de datos, permite mejorar la estrategia de negocio mediante el diseño de tácticas que generen ventajas competitivas en el mercado. 1. ENFOQUES PARA LA CONSTRUCCIÓN DE CUBOS DE DATOS El diseño y construcción de Bodegas de Datos puede ser abordado desde diferentes enfoques. Una alternativa es construir la Bodega de Datos a partir de la agrupación de los cubos de datos que se generan por cada dependencia de la empresa y utilizar algún modelo o metodología para estructurarlos de manera ordenada. Un segundo enfoque es utilizar una metodología para realizar Minería de Datos y contemplar la construcción de la Bodega de Datos como un proceso que permite la extracción de conocimiento de los datos. 1.1 Modelos y metodologías para el diseño y construcción de Bodegas de Datos (Data Warehouses) Algunos de los modelos y metodologías más usadas para el diseño y construcción de Bodegas de datos son: Modelo de Barry Devlin y Paul Morphy: En este modelo se inicia analizando racionalmente el modelo de negocio con el fin de definir la arquitectura técnica que se requiere para realizar la implementación de la Bodega de Datos; posteriormente se identifican las fuentes de almacenamiento que contienen los datos, con las que se define un simple, completo y consistente sistema de almacenamiento, en el que los datos se agrupan para que los usuarios finales puedan entender y manipular el contexto del negocio. 3

4 Modelo de Ralph Kimball: Es un esquema centrado en la identificación de procesos de la empresa, desde el que se extraen los elementos claves para la definición de la estructura de variables y dimensiones de las que constan los cubos de datos, que al agruparlos componen la Bodega de Datos de la empresa. Modelo de William Bill Inmon: Se fundamenta en la elaboración del modelo de datos corporativo desde un nivel de abstracción muy gerencial, para que con base en esté se derive la estructura del modelo de datos de la Bodega de Datos. Modelo de Golfarelli Matteo, Maio Dario y Rizzi Stefano: es un esquema que parte de los modelos entidad relación (MER) de los sistemas transaccionales de la organización, para luego derivar el MER de la estructura para el diseño de la Bodega de Datos. Metodología HEFESTO: Aborda el proceso de construcción de la Bodega de Datos desde el enfoque de la Inteligencia de Negocios (Business Intelligence - BI), en el cual se identifican los aspectos más relevantes y significativos del modelo del negocio con el objetivo de precisar y detallar los componentes que deben intervenir en la arquitectura de la Bodega Metodologías para minería de datos Las metodologías para realizar minería de datos abarcan los modelos de construcción de una Bodega de Datos como un ítem dentro del proceso de extracción de conocimiento de los datos, por esta razón a continuación mencionamos algunas de las más relevantes: Metodología CRIPS DM (Cross Industry Standard Process for Data Mining) Metodología SEMMA (Sample, Explore, Modify, Model, Assess) Metodología DMAMC (Definir, Medir, Analizar, Mejorar, Controlar) KDD process - (Knowledge Discovery in Databases) 4

5 2. FASES PARA EL DISEÑO E IMPLEMENTACIÓN DE CUBOS DE DATOS A continuación se realiza la descripción de cada una de las fases que tiene el proceso de diseño e implementación de un cubo de datos; adicionalmente, para realizar la práctica se describirán las actividades a realizar como Caso Práctico utilizando para ello la base de datos AdventureWorks.sql que es suministrada en el archivo BaseDatosEjemplo.zip y sobre la cual se aplicarán cada una de las fases FASE DE COMPRENSIÓN DEL MODELO DE NEGOCIO: En esta fase se recolecta la información corporativa e institucional que permita comprender el modelo de negocios e identificar los objetivos estratégicos de la organización. Se consultan fuentes como el organigrama empresarial, el diagrama de procesos, el manual de procedimientos, el portafolio de servicios y todas aquellas que suministren información que permita comprender la estructura y el funcionamiento de los procesos que tiene la organización. El conocimiento que se adquiere del funcionamiento de la organización debe permitir identificar claramente los objetivos estratégicos del negocio, para que el diseño del cubo de datos se oriente hacia el alcance de estos. El análisis obtenido en esta fase se consolida en un documento llamado Dominio del negocio de la organización donde se realiza la descripción del modelo de negocio, se establecen los objetivos estratégicos de la organización y se explica la estructura de la organización. Caso Práctico En esta primera actividad debe tener en cuenta que la base de datos AdventureWorks con la cual realizará la práctica, no corresponde a una empresa u organización real por cuanto que los registros de los productos, personas, lugares y eventos que se describen aquí son ficticios. En esta Fase lo que se pretende es establecer un escenario donde se pueda inferir la estructura y funcionamiento real de una empresa, por lo tanto debe tener en cuenta la siguiente información que corresponde al dominio del negocio de la organización: 5

6 Adventure Works Cycles, es una empresa multinacional que fabrica y vende bicicletas en los mercados de Norteamérica, Europa y Asia. Su sede central de operaciones se encuentra en Bothell, Washington, con 290 empleados, su mercado está compuesto por varios equipos regionales de ventas. En el año 2000, la empresa compró una pequeña planta de fabricación, Importadores Neptuno, situada en México la cual fabrica varios subcomponentes para la línea de productos de Adventure Works Cycles. Estos subcomponentes se envían a la sede de Bothell para el ensamblado final del producto. En el año 2001, Importadores Neptuno pasó a ser el único fabricante y distribuidor del grupo de productos de bicicletas de paseo FASE DE LEVANTAMIENTO DE REQUERIMIENTOS: En esta fase se recolectan datos y se someten a análisis con el fin de transformarlos en información que permita identificar las necesidades del modelo de negocio de la organización, esto implica estudiar las interacciones que se dan entre los datos y los procesos que se llevan a cabo en cada una de las áreas de la organización. Para el levantamiento de la información se pueden aplicar algunas de las siguientes técnicas: Introspección u observación directa. Entrevistas y cuestionarios. Lluvia o tormenta de ideas. Storyboards. Etnografía o análisis organizacional. La información obtenida durante el levantamiento de requerimientos debe permitir identificar los interrogantes que el cubo de datos debe solucionar para cada área de negocio que desea utilizarlo, esto permitirá recolectar los datos correctos e interpretar adecuadamente los resultados. El análisis obtenido en esta fase se consolida en un documento llamado Requerimientos del cubo de datos en donde se consignan las preguntas 6

7 que responderá el cubo de datos junto con los aspectos positivos y negativos que este tendrá en cada área de negocio. Caso Práctico Construya el documento Requerimientos del cubo de datos, teniendo en cuenta la siguiente información: Adventure Works Cycles desea ampliar su cuota de mercado dirigiendo sus ventas a sus mejores clientes, para lograr esto ha comenzado por realizar un análisis sobre los datos que tiene de sus clientes con el fin de identificar que productos y qué cantidad de estos se venden por cada región. Adventure Works Cycles tiene los siguientes tipos de cliente: Individuos: clientes que compran productos de la tienda en línea de Adventure Works Cycles. Tiendas: almacenes que compran los productos a los representantes de ventas para revenderlos al por menor o al por mayor FASE DE RECOLECCIÓN DE LOS DATOS: En esta fase se recolectan los datos desde los sistemas fuentes para realizar sobre ellos una descripción cualitativa y cuantitativa, posteriormente se procede a determinar sus propiedades y verificar la calidad de los mismos. Esta fase consta de las siguientes etapas: 1. Identificación de las fuentes de los datos: se identifican los sistemas fuentes que contienen los datos y se extraen para posteriormente adecuarlos, es importante tener en cuenta que los datos pueden residir en diversos tipos de sistemas, a continuación mencionamos algunos de los más típicos dentro de las organizaciones: Hojas de cálculo Bases de datos Archivos estadísticos Sistemas de información empresarial (ERP, ERP, FRM, HRM, MRP, SCM) Archivos documentales físicos y digitales 7

8 Luego de extraer los datos se elabora un informe que se denomina reporte de recolección de datos el cual contiene la lista de los datos extraídos, su localización, las técnicas utilizadas para su recolección y los problemas que se presentaron durante este proceso, así como la forma en que fueron resueltos. 2. Descripción de los datos: se realiza la descripción de los datos extraídos desde los sistemas fuentes con el fin de establecer sus características y métricas de la siguiente forma: Descripción cualitativa: se refiere a las cualidades relevantes de los datos que pueden ser descritas utilizando: Significado de la tabla que contiene los datos, descripción de la campo que contiene el dato y descripción del tipo de campo. Descripción cuantitativa: se refiere a las métricas que pueden ser calculadas u obtenidas del volumen de datos, como: Número de campos por tabla, número de registros por tabla y número de relaciones. La información recolectada de los datos se consigna en un informe denominado reporte de la descripción de datos 3. Exploración de los datos: Se procede a explorar los datos que han sido extraídos desde los sistemas fuentes, con el fin de encontrar una estructura general para los datos homogeneidad y de identificar problemas datos paralizantes que puedan ocurrir durante las fases siguientes. Las novedades encontradas en esta fase se registran en un documento denominado Reporte de exploración de datos. 4. Verificación de la calidad y consistencia de los datos: Se efectúan verificaciones sobre los datos, que permitan asegurar la consistencia de los valores individuales de los campos, la cantidad y distribución de los valores nulos y la corrección de valores fuera de rango que puedan constituirse en elementos que alteren el resultado del proceso. Los resultados de esta fase se consignan en un documento que lleva por nombre Reporte de calidad de datos 8

9 Caso Práctico: Para realizar la fase de recolección de datos con cada una de sus etapas deberá tener en cuenta que los datos de la empresa Adventure Works Cycles están dentro del archivo BaseDatosEjemplo.zip, allí se encuentra una base de datos relacional que está construida sobre el sistema manejador de bases de datos SQL Server Para la descripción de los datos debe consultar el diccionario de datos de las siguientes tablas con el fin de identificar los metadatos que contiene cada una de ellas: Tabla Nº de registros Nº campos Nº relaciones Customer Product SalesOrderHeader SalesOrderDetail SalesTerriory Customer: Contiene la información de los clientes actuales. Los clientes se clasifican por tipo: cliente individual o tienda de venta al por menor. Product: Información sobre cada producto vendido por Adventure Works Cycles o utilizado para fabricar bicicletas y componentes de bicicletas. SalesOrderHeader: Contiene información general, o padre, del pedido de compra. SalesOrderDetail: Contiene productos individuales asociados con un pedido de venta específico. Un pedido de venta puede incluir pedidos para varios productos. SalesTerriory: Tabla de búsqueda que contiene los territorios de ventas cubiertos por los equipos de ventas de Adventure Works Cycles. 9

10 2.4. FASE DE PREPARACIÓN DE DATOS: Finalizada la fase de recolección de los datos, se procede al alistamiento de los datos para la posterior construcción del cubo de datos. La fase de preparación de datos consta de las siguientes etapas: 1. Selección de datos: se seleccionan los datos de la fase anterior, utilizando como criterio de selección la calidad de los datos en cuanto a completitud y consistencia. 2. Limpieza de los datos: se optimiza la calidad de los datos mediante la aplicación de técnicas que eliminen datos paralizantes, valores fuera de rango y caracteres extraños; algunas de estas técnicas son: normalización de datos, discretización de campos numéricos y tratamiento de valores ausentes. 3. Estructuración de los datos: se realizan operaciones de alistamiento sobre los datos, las cuales generan nuevos atributos a partir de los ya existentes y transforman los valores de los ya existentes. 4. Integración de los datos: se crean nuevas estructuras que unifican los datos, para esto se fusionan tablas que contengan atributos diferentes de un mismo objeto y se generan nuevos campos y registros que resuman los actuales. 5. Formateo de los datos: se realizan transformaciones sintácticas de los datos sin modificar su significado, esto se consigue mediante la reordenación o ajuste de los campos y registros de las tablas; también se eliminan comas, tabuladores, caracteres especiales, máximos y mínimos para las cadenas de caracteres. Caso Práctico El archivo AdventureWorks.sql es un script para SQL Server 2008 que contiene las tablas fuentes desde donde se extraerán los datos para la construcción del cubo de datos, este archivo puede ser abierto con un editor de textos; se recomienda usar uno que reconozca la sintaxis del SQL. De dicho archivo debe extraer las siguientes tablas junto con sus datos: 10

11 Customer Product SalesOrderHeader SalesOrderDetail SalesTerriory 2.5. FASE DE MODELADO DEL CUBO DE DATOS: En esta fase se identifican las dimensiones, métricas y tablas de hecho que constituirán el cubo de datos. Algunos de los aspectos para identificar los atributos de estos elementos son: Atributos de métrica: son aquellos atributos que permiten establecer un valor cuantitativo sobre los datos. Atributos de dimensión: son todos los atributos que aportan cualidades a los datos. Datos multidimencionales: son los datos que no pueden modelarse como atributos de dimensión o de medida. Atributos de la(s) tabla(s) de Hecho(s): Para identificar estos atributos hay que prestar especial atención a las tabulaciones cruzadas puesto que estas son sumatorias que no están guardas directamente en las tablas del modelo relacional, si no que son el resultado de operaciones aritméticas que se obtienen de disponer de distintas formas los atributos de métrica y de dimensión. Se debe construir el cubo de datos, teniendo en cuenta el número de dimensiones y de tablas de hecho que se hayan identificado. Para esto hay que seleccionar entre los siguientes modelos de datos el más adecuado para construir el cubo: Modelo estrella, Modelo copo de nieve o Modelo constelación. La estructura dimensional propuesta para el cubo de datos debe resolver las preguntas que se han planteado en el documento de requerimientos. No hay un modelo mejor que otro, cada uno responde a un análisis particular del cual depende su precisión y validez. 11

12 Caso práctico En esta fase se deben identificar los campos, metadatos y datos que se requieren para construir las dimensiones del cubo de datos. Para esto se toman como referencia las cinco (5) tablas creadas en el SMBD, de la siguiente forma: Dimensión Tablas fuentes Campos extraídos de tablas fuentes d_customer d_product d_shipdate Customer SalesOrderHeader Product SalesOrderDetail SalesOrderHeader Customerid, AccountNumber ProductID, ProductNumber, Name Shipdate d_salesteritory SalesOrderHeader TerritoryID, Name Identificados los campos que se requieren para la construcción de cada una de las dimensiones del cubo, para el caso que se está desarrollando se recomienda seleccionar el modelo estrella para el diseño del cubo. En el gráfico puede ver el modelo estrella del cubo de datos construido a partir de la base de datos AdventureWorks. d_customer f_sales d_salesterritory customerid INTEGER accountnumber CHARACTER Properties d_product idf_sales NUMERIC d_salesterritory_salesterritoryid INTEGER d_shipdate_idd_shipdate INTEGER d_customer_customerid INTEGER d_product_productid INTEGER taxtamt INTEGER totaldue NUMERIC orderqty INTEGER freight DOUBLE linetotal DOUBLE sales Territory ID INTEGER name CHARACTER Indexes productid INTEGER productnumber CHARACTER name CHARACTER Indexes Indexes PRIMARY fk_f_sales_d_customer1 fk_f_sales_d_product1 fk_f_sales_d_sales Territory1 fk_f_sales_d_shipdate1 d_product idd_shipdate INTEGER myear INTEGER mounth INTEGER mdate DATE Indexes 12

13 2.6. FASE DE IMPLEMENTACIÓN DEL CUBO DE DATOS: En esta la fase se construye el modelo físico del cubo de datos el cual se realiza de la siguiente forma: 1. Crear las tablas de cada una de las dimensiones del cubo con sus respectivos atributos y llaves primarias. 2. Después se construye(n) la(s) tabla(s) de hecho(s) con sus campos, llaves primarias y relaciones que se han identificado en el modelo seleccionado. Caso práctico: Se procede a la construcción física del cubo de datos a partir del modelo estrella desarrollado para la base de datos AdventureWorks, para esto se realizan los siguientes pasos: 1. Creación de las dimensiones: Se crean las tablas que corresponden a cada una de las dimensiones del cubo de datos. Consulte el script SQL CrearTablasDimensiones.sql y ejecútelo en el SMBD. CREATE TABLE d_customer ( CUSTOMERID INTEGER NOT NULL, ACCOUNTNUMBER CHARACTER VARYING(10) NULL, PRIMARY KEY(CUSTOMERID) ); CREATE UNIQUE INDEX d_customer_account ON d_customer (ACCOUNTNUMBER); CREATE TABLE d_product ( PRODUCTID INTEGER NOT NULL, PRODUCTNUMBER CHARACTER VARYING(25) NULL, NAME CHARACTER VARYING(50) NULL, PRIMARY KEY(PRODUCTID) ); CREATE UNIQUE INDEX d_product_number ON d_product (PRODUCTNUMBER); 13

14 CREATE TABLE d_salesterritory ( SALESTERRITORYID INTEGER NOT NULL, NAME CHARACTER VARYING(50) NULL, PRIMARY KEY(SALESTERRITORYID) ); CREATE TABLE d_shipdate ( idd_shipdate SERIAL NOT NULL, MYEAR INTEGER NULL, MOUNTH INTEGER NULL, MDATE DATE NULL, PRIMARY KEY(idd_shipdate) ); 2. Llenado de las dimensiones desde las tablas fuentes: Se recuperan los datos desde los sistemas fuentes del nivel (OLTP), se transforman y se cargan en cada una de las tablas que conforman las dimensiones del cubo de datos. Consulte el script SQL LlenarDimensiones. sql y ejecútelo en el SMBD. INSERT INTO d_shipdate (myear, mounth, mdate) SELECT DISTINCT EXTRACT (year FROM shipdate), EXTRACT (month FROM shipdate), shipdate FROM salesorderheader INSERT INTO d_customer SELECT DISTINCT c.customerid, c.accountnumber FROM salesorderheader sh JOIN customer c USING (customerid) INSERT INTO d_product SELECT DISTINCT p.productid, p.productnumber, p.name FROM salesorderdetail sd JOIN product p USING (productid) INSERT INTO d_salesterritory SELECT DISTINCT st.territoryid,st.name FROM salesorderheader sh JOIN salesterritory st USING (TerritoryID) 14

15 3. Construcción de la(s) tabla(s) de hechos del cubo de datos: Se crea la tabla de hechos del cubo de datos. Consulte el script CrearTablaHechos.sql y ejecútelo en el SMBD. CREATE TABLE f_sales ( idf_sales SERIAL NOT NULL, d_salesterritory_salesterritoryid INTEGER NOT NULL, d_shipdate_idd_shipdate INTEGER NOT NULL, d_customer_customerid INTEGER NOT NULL, d_product_productid INTEGER NOT NULL, taxtamt DOUBLE PRECISION NULL, totaldue DOUBLE PRECISION NULL, orderqty INTEGER NULL, freight DOUBLE PRECISION NULL, linetotal DOUBLE PRECISION NULL, PRIMARY KEY(idf_sales) ); CREATE INDEX f_sales_fkindex1 ON f_sales (d_product_productid); CREATE INDEX f_sales_fkindex2 ON f_sales (d_customer_customerid); CREATE INDEX f_sales_fkindex3 ON f_sales (d_shipdate_idd_shipdate); CREATE INDEX f_sales_fkindex4 ON f_sales (d_salesterritory_ SALESTERRITORYID); 4. Llenado de la(s) tabla(s) de hechos del cubo de datos: Se consolidan las métricas realizando los cálculos sobre los datos multidimensionales y se almacena el resultado dentro de la tabla de hechos del cubo de datos. Consulte el script SQL LlenarTablaHecho.sql y ejecútelo en el SMBD. INSERT INTO f_sales (d_salesterritory_salesterritoryid,d_shipdate_idd_shipdate,d_ customer_customerid, d_product_productid, TAXTAMT, TOTALDUE, ORDERQTY, FREIGHT,LINETOTAL) SELECT dst.salesterritoryid,dsd.idd_shipdate,dc.customerid,dp. productid,sum(sh.taxamt),sum(sh.totaldue),sum(sd. orderqty),sum(sh.freight),sum(sd.linetotal) FROM salesorderdetail sd JOIN salesorderheader sh ON sh.salesorderid=sd.salesorderid 15

16 JOIN d_product dp ON dp.productid=sd.productid JOIN d_customer dc ON dc.customerid=sh.customerid JOIN d_salesterritory dst ON dst.salesterritoryid=sh.territoryid JOIN d_shipdate dsd ON dsd.mdate=sh.shipdate GROUP BY dst.salesterritoryid, dsd.idd_shipdate,dc.customerid,dp. productid 2.7. FASE DE CONSTRUCCIÓN DEL VISUALIZADOR DEL CUBO DE DATOS: La fase de construcción del visualizador del cubo de datos puede ser abordada de las siguientes formas: Construcción una vista en la base de datos Desarrollo de una aplicación en un lenguaje de programación específico Utilización de una herramienta de uso específico existente Creación del visualizador en una herramienta de uso general como una hoja de cálculo En esta fase se busca que el usuario obtenga una interpretación más intuitiva y rápida de la información que le puede suministrar el cubo de datos. La forma en que se aborde la construcción del visualizador del cubo de datos depende del tamaño del cubo, el tiempo y los recursos disponibles para ello. Caso práctico: En esta fase final se debe crear una consulta sobre las dimensiones del cubo de datos de manera que proporcione algunos elementos claves que permitan interpretar más fácilmente los datos arrojados por la tabla de hechos. Siga los siguientes pasos: 1. Construir la tabla visualizador en donde se almacena el resultado de la consulta. Revise el script visualizador.sql y ejecútelo en el SMBD. 16

17 CREATE TABLE visualizador ( territorio CHARACTER VARYING (50)NOT NULL, envio DATE NOT NULL, cliente CHARACTER VARYING (10) NOT NULL, producto CHARACTER VARYING (50) NOT NULL, iva bigint NOT NULL, totales DOUBLE PRECISION NOT NULL, cantidad BIGINT NOT NULL, fletes DOUBLE PRECISION NOT NULL, subtotales DOUBLE PRECISION NOT NULL ); INSERT INTO visualizador (territorio, envio, cliente, producto, iva, totales, cantidad, fletes, subtotales) SELECT dst.name territorio,dsd.mdate envio, dc.accountnumber cliente,dp.name producto,sum(sh.taxamt) iva,sum(sh.totaldue) totales,sum(sd.orderqty) cantidad,sum(sh.freight) fletes,sum(sd. linetotal) subtotales FROM salesorderdetail sd JOIN salesorderheader sh ON sh.salesorderid=sd.salesorderid JOIN d_product dp ON dp.productid=sd.productid JOIN d_customer dc ON dc.customerid=sh.customerid JOIN d_salesterritory dst ON dst.salesterritoryid=sh.territoryid JOIN d_shipdate dsd ON dsd.mdate=sh.shipdate GROUP BY dst.name, dsd.mdate,dc.accountnumber,dp.name 2. Desde la base de datos cubo, exportar a un archivo de texto plano los datos que contiene la tabla de nombre visualizador. Para este caso específico puede consultar el archivo datavisualizador.txt que contiene registros, que son el resultado que debe dar la exportación de datos si se han realizado los pasos correctamente. 3. Para finalizar debe cargar el archivo exportado, datavisualizador. txt, a una hoja de cálculo con el fin de generar una tabla dinámica que permita consultar el cubo de datos. El resultado de este procedimiento puede consultarse en el archivo visualizadorcubo.xlsx. 17

18 GLOSARIO BI: Business Intelligence Inteligencia de negocios CRISP-DM: Cross Industry Standard Process for Data Mining Data mining: Minería de datos DMAMC: Definir, Medir, Analizar, Mejorar, Controlar DW: Data Warehouse - Bodega de datos KDD: Knowledge Discovery in Databases LDAP: Lightweight Directory Access Protocol - Protocolo ligero de acceso a directorios MER: Modelo Entidad Relación OLAP: OnLine Analytical Processing Procesamiento analítico en línea OLTP: OnLine Transaction Processing - Procesamiento de transacciones en línea SEMMA: Sample, Explore, Modify, Model, Assess 18

19 BIBLIOGRAFÍA Date, C.(2001). Introducción a los sistemas de bases de datos (7 Edición). Mexico: Editorial: Pearson Education, Capitulo 21 : Apoyo a la toma de decisiones. Gallardo J. (2009). Metodología para la Definición de Requisitos en Proyectos de Data Mining (ER-DM). Recuperado el 28 de mayo de 2012 desde: Hernández J., Ramírez J.y Ferri R. (2008). Introducción a la minería de datos, Madrid, España: Editorial: Pearson Prentice Hall. Kroenke, D, (2003). Procesamiento de Bases de Datos, Editorial: Prentice Hall. Laudon, C. y Laudon, P. (2008). Sistemas de Informacion Gerencial - Administracion de la empresa digital (10 Edición). Mexico: Editorial Pearson Prentice Hall, Capitulo 6: Fundamentos de la inteligencia de negocios: administración de bases de datos e información. Pérez, César y González D, (2007.) Mineria de datos Técnicas y herramientas, Madrid, España: Editorial:Thomson. Sevilla, E. (2003). Guía metodológica para la definición y desarrollo de un DW. Recuperado el 31 de mayo de 2012 desde: edu.ni/opac_tes/009/ pdf Silberschatz, A. Korth, H. y Sudarshan, S. (2002). Fundamentos de bases de datos (4ta Edición). Madrid, España: Editorial McGraw Hill, Parte 7, Capítulo

20 Control de documento Construcción Objeto de Aprendizaje Diseño e Implementación de Cubos de Datos Desarrollador de contenido Experto temático Asesor pedagógico Producción Multimedia Programadores Líder expertos temáticos Líder línea de producción Alejandro Pinzón Roberto Rafael Neftalí Lizcano Reyes Luis Fernando Botero Mendoza Victor Hugo Tabares Daniel Eduardo Martínez Grateful Dead Montaño Sierra Ana Yaqueline Chavarro Parra Santiago Lozada Garcés 20