Bases de Datos multidimensionales para datos educacionales

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Bases de Datos multidimensionales para datos educacionales"

Transcripción

1 Bases de Datos multidimensionales para datos educacionales Gabriel Poblete Cuadra Carolina Zambrano Matamala Escuela de Ingeniería Universidad Católica del Norte Coquimbo,Chile. Abstract La mayoría de los artículos y casos de estudio de Inteligencia de Negocios (IN) están relacionados con el impacto o beneficio de aplicar IN a grandes empresas. Sin embargo, aunque existen trabajos relacionados de IN hacia contextos educacionales, la mayoría de estos trabajos sólo se han concentrado en aplicar Data Mining a las bases de datos educacionales (EDM), habiendo un claro sesgo hacia el uso de esta tecnología en otros contextos. En este trabajo se desarrolló un primer avance de Base de Datos multidimensional para datos educacionales de PISA pertenecientes a la OECD. Los resultados de la implementación muestran que Chile y Brazil son los países de Latinoamérica con las mejoras más significativas entre los años 2000 y 2009, además de existir una clara relación entre el nivel socioeconómico de los estudiantes y su rendimiento. Como futuros trabajos se podría volver a analizar la información con los resultados del estudio para la versión 2012, los cuales a la fecha no han sido liberados. Además de incluir nuevas dimensiones de análisis en el estudio. Index Terms - Inteligencia de Negocios BDM, PISA, Educación. I. INTRODUCCIÓN La Inteligencia de Negocios (IN) es el conjunto de metodologías, aplicaciones y tecnologías que permiten entre otras reunir, depurar y transformar datos de los sistemas transaccionales e información desestructurada en información estructurada, para su explotación directa o para su análisis [1]. En general, la mayoría de los artículos y casos de estudio de IN están relacionados con el impacto o beneficio de aplicar ésta a grandes empresas [2]. Si bien, las técnicas y tecnologías de IN nacieron para ayudar a los analistas a descubrir la información oculta en sus sistemas transaccionales, esto no significa que la tecnología no pueda ser aplicada a otros contextos, como por ejemplo el educacional. En ese sentido, existen artículos relacionados de IN hacia contextos educacionales. Sin embargo, la mayoría de estos artículos sólo se han concentrado en aplicar Data Mining o EDM (Educational Data Mining) que es sólo una de las técnicas de IN disponibles [3,14]. Alternativamente a los EDM, el uso de base de datos multidimensionales (BDM) podría ofrecer importantes oportunidades de aplicación en el ámbito educacional. Una BDM es un repositorio de datos que proporciona un entorno integrado para consultas de soporte a las decisiones que requieren de agregaciones, y de enormes cantidades de datos históricos. Las BDM son Data Warehouse relacionales en los que la información se puede organizar según el modelo estrella [4]. Para probar el uso de BDM en educación, en este trabajo se desarrolló una base de datos multidimensional para analizar los datos educacionales de PISA [5]. Ésta es una prueba internacional realizada por la OECD y dirigido a estudiantes de 15 años. PISA, es un estudio comparativo de los sistemas educativos de los países miembro de la OECD. El estudio, mide si los estudiantes tienen la capacidad de reproducir lo que han aprendido, de transferir sus conocimientos y aplicarlos en nuevos contextos académicos y no académicos. Además busca identificar si ellos son capaces de analizar, razonar y comunicar sus ideas efectivamente [5]. La prueba PISA se realiza cada tres años, y en cada ciclo se enfatiza uno de los tres dominios de evaluación (Lectura, Matemáticas y Ciencias), mientras que los otros dos son evaluados con menor profundidad. En el 2000 el principal dominio fue Lectura, en el 2003 Matemáticas, en el 2006 Ciencias y en el 2009 se regresa a Lectura, y así sucesivamente. A continuación el artículo está dividido en cuatro secciones. La primera sección define IN, su arquitectura y describe el modelo lógico y conceptual, así como también los datos para el desarrollo de la BDM. La segunda sección

2 presenta la metodología usada. La tercera sección presenta los principales resultados del estudio. Por último se establecen las principales conclusiones y los trabajos futuros. II. MARCO TEÓRICO A. Inteligencia de Negocios También conocida como Inteligencia Empresarial o por sus siglas en ingles BI (Business Intelligence), se define como el conjunto de tecnologías, aplicaciones y prácticas para la recolección, integración, análisis y presentación de la información empresarial [6]. La Figura 1 muestra una arquitectura general de IN y sus componentes de acuerdo a [1]. Los componentes son: Sistemas fuentes, ETL (Extraction, Transformation and Load), Estructuras multidimensionales y de Análisis, OLAP, Data Mining. de los datos operativos de la empresa. Sin embargo, el desarrollo de un Data Warehouse puede ser una tarea compleja y costosa. Es por ello que se puede implementar un Data Warehouse, construyendo Data Marts que son pequeños Data Warehouse orientados a áreas específicas de la empresa [7,8,13]. Finalmente una base de datos multidimensional es un repositorio de datos que proporciona un entorno integrado para consultas de soporte a las decisiones que requieren de agregaciones, y de enormes cantidades de datos históricos. La Figura 2 muestra el ámbito de aplicación de los conceptos definidos anteriormente. DW BDM DM Figura 2 Ámbito de aplicación de DW, DM y BDM ERP Archivos ETL DW DM BDM OLAP DATA MINING Por último, existen distintas tecnologías que nos permiten analizar la información que reside en un Data Warehouse, pero la más extendida es el OLAP. Figura 1 Arquitectura General de Inteligencia de Negocios La IN puede ser descrita como un proceso que comienza en los sistemas fuentes de información. Éstos básicamente corresponden a los datos de los sistemas operacionales o transaccionales, y que incluyen aplicaciones desarrolladas a medida tales como ERP (Enterprise Resource Planning), CRM y otros. Luego de haber identificado las fuentes de información, el segundo componente corresponde al proceso de ETL (Extraction, Transformation and Load), que permite mover los datos desde múltiples fuentes, reformatearlos, limpiarlos, y cargarlos en otras bases de datos, tales como Data- Mart o Data Warehouse. Estas base de datos son usadas para el análisis [7]. Como tercer componente, sigue la creación de las estructuras multidimensionales en las que podemos encontrar Data Warehouse, Data Marts y BDM. Un Data Warehouse es una base de datos que centraliza todos los datos de la empresa creada para soportar las aplicaciones de toma de decisiones [7]. Esta base de datos se carga a partir Los usuarios necesitan analizar información a distintos niveles de agregación y sobre múltiples dimensiones. Por ejemplo, ventas de productos por zona de ventas, por tiempo, por clientes o tipo de cliente y por región geográfica. Los usuarios pueden hacer este análisis al máximo nivel de agregación o al máximo nivel de detalle. OLAP provee de estas funcionalidades y algunas más, con la flexibilidad necesaria para descubrir las relaciones y las tendencias que otras herramientas menos flexibles no pueden aportar. A estos tipos de análisis se les llama multidimensionales, porque facilitan el estudio de un hecho desde distintas perspectivas o dimensiones [9]. Finalmente otra herramienta de análisis es Data Mining o minería de datos. Data Mining es el proceso de analizar de manera "semi-automática" grandes bases de datos para buscar patrones útiles. Similar al descubrimiento de conocimiento en inteligencia artificial. En otras palabras, la minería de datos encuentra reglas y patrones [15]. La tecnología Data Mining trata con volúmenes de datos almacenados principalmente en disco. Es

3 semi-automática porque requiere de intervención manual, un pre-proceso proceso (qué patrón buscar) y un post-proceso proceso (encontrar nuevos patrones novedosos). B. Modelo Multidimensional Conceptual CMDM Existen variadas metodologías [13] y modelos conceptuales para modelar una BDM [8,10]. Para realizar el modelado multidimensional se escogió el modelo CMDM (Conceptual MultiDimensional Model) por su simplicidad. Éste presenta tres estructuras básicas: niveles, dimensiones y relaciones multidimensionales. Los niveles representan un conjunto de objetos que son del mismo tipo. Para representar un nivel el modelo utiliza un rectángulo que contiene el nombre y la estructura del tipo de ese nivel. Los niveles se organizan en jerarquías y cada jerarquía está compuesta por uno o varios niveles. En cada jerarquía se tiene una relación 1-n entre objetos de nivel superior e inferior [8]. En la Figura 3 se muestra un ejemplo de un nivel en el modelo CMDM. Vendedor Nombre: String Apellido: String Cedula: String Figura 3 - Ejemplo de Nivel en CMDM Las dimensiones están determinadas por una jerarquía de niveles. En el modelo una dimensión se representa por un rectángulo dentro del cual aparece un nombre para la dimensión y un grafo dirigido en donde los nodos son los niveles que participan de esa dimensión [8]. En la Figura 4 se muestra un ejemplo de dimensión en el modelo CMDM. Geografía Región Ciudad Figura 4 - Ejemplo de Dimensión en CMDM Una relación dimensional representa un conjunto de cubos, tomado del conjunto de todos los cubos que se pueden construir a partir de los niveles de un conjunto dado de dimensiones. Por lo tanto, el esquema de una relación dimensional está dado por un grafo en forma de estrella. El nodo central es de forma oval y tiene el nombre de la relación dimensional y los nodos satélite son rectangulares y tienen el nombre de cada una de las dimensiones que participan de la relación [8]. En la Figura 5 se muestra un ejemplo del modelo CMDM. Figura 5 - Ejemplo del modelo CMDM C. Modelo Multidimensional Lógico Estrella El esquema estrella consiste en una o más tablas centrales denominadas tablas de hechos rodeadas por una serie de tablas de dimensiones que forman una especie de estrella. Cada tabla de hecho corresponde con cada hecho definido en el modelo conceptual así como cada tabla de dimensión se corresponde con cada dimensión definida. La tabla de hechos representa una relación muchos a muchos entre todas las tablas de dimensiones que relaciona. Sin embargo, representa una relación muchos a uno con cada tabla de dimensión por separado. Por lo tanto, la clave primaria de la tabla de hechos está compuesta por las claves de las tablas de dimensiones con las que se relaciona [7]. En algunas ocasiones puede suceder que la clave primaria compuesta descrita anteriormente no sea suficiente para identificar a las instancias de la tabla a de hecho. En estos casos se introduce una componente más en la clave primaria de la tabla de hechos según el dominio que se modele para identificar dichas instancias. Por otro lado el esquema estrella utiliza la desnormalización para definir las tablas de hechos y de dimensiones por dos razones fundamentales. La primera se debe a que es mucho más intuitivo para el análisis multidimensional al estar muy próximo al proceso cognitivo seguido al llevar a

4 cabo este tipo de análisis: hechos y dimensiones. La segunda razón es porque al existir un número mínimo de relaciones entre tablas, la recuperación de los datos es más rápida, más aun debido al gran volumen de datos manejados por las aplicaciones OLAP. En la Figura 6 se muestra un ejemplo del esquema estrella [7]. Figura 6 - Ejemplo de Esquema Estrella Por otro lado, se puede observar en la Figura 6 que en el esquema estrella no se soporta explícitamente la definición de jerarquías de clasificación de los elementos de dimensión. Sin embargo, las jerarquías son expresadas en la implementación de dicho esquema a través de los denominados atributos de nivel definidos en cada una de las dimensiones. Este atributo contendrá números arbitrarios que identificarán a cada nivel de la jerarquía [7]. D. Análisis de los datos de PISA. El siguiente apartado ado tiene como objetivo comprender la naturaleza de los datos para poder definir los indicadores dentro del esquema conceptual multidimensional. El proceso de análisis de los datos comprende una primera parte, que es la recolección de los distintos manuales de las bases de datos de la prueba PISA. Estos documentos se encuentran en la página oficial de la OECD y se encuentran bajo el nombre de Manual for the PISA database [5]. Cada uno de estos documentos proporciona toda la información relacionada con las bases de datos para cada una de las versiones del estudio. En ellos se puede destacar: la estructura e información disponible del estudio, la estructura de los cuestionarios, los estimadores de rendimiento y los índices derivados. La segunda parte del análisis de los datos comprendió la comprensión de la estructura de los mismos. Cada versión del estudio de PISA consta de una tabla de 400 a 450 atributos por alumno. Éstos se dividen en cuatro categorías principales: atributos de identificación del alumno, atributos de los cuestionarios, atributos de los índices calculados y atributos de estimadores de rendimiento. Los atributos de identificación permiten individualizar de manera única a un alumno dentro del estudio. La identificación de un alumno del estudio consiste básicamente de tres atributos que juntos forman de manera única un identificador para cada alumno. Los atributos de los cuestionarios contienen las respuestas de los alumnos a cada una de las preguntas de los distintos cuestionarios. Los nombres que son usados para identificar estos atributos en la base de datos internacional están directamente relacionados con la versión internacional de los cuestionarios. Cada nombre de atributo consiste de siete caracteres. Los atributos de los índices calculados, son índices calculados a partir de las respuestas de los alumnos en los cuestionarios. La nomenclatura que utilizan estos atributos para ser identificados dentro del estudio es solamente una abreviación del significado del índice. Por ejemplo, HISEI corresponde a Highest International Socio- Economic Index. Para este estudio solamente fueron seleccionados dos índices calculados. Los índices fueron HISEI que corresponde al mayor índice socioeconómico de los padres (calculado a partir de las posesiones e ingresos estimados de los padres) y HISCED que corresponde a Highest International Standard Classification of Education que corresponde al mayor grado de educación alcanzado por los padres del alumno. Estos índices, fueron seleccionados debido a que están presentes en todas las versiones del estudio y además por mantener su forma de cálculo. El estudio proporciona un estimador de rendimiento conocido como valores plausibles que permiten determinar estadísticas de rendimiento a nivel de población. Los valores plausibles fueron desarrollados para el análisis de los datos de la NAEP de (Evaluación Nacional del Progreso Educativo), por Mislevy, Sheehan, Beaton y Johnson [11], basado en la teoría de la imputación de valores ausentes o perdidos de Rubin. Los valores plausibles se utilizaron en

5 todos los estudios posteriores NAEP, TIMSS y posteriormente PISA. La manera más simple de describir los valores plausibles, es decir, que éstos sean una representación de la gama de capacidades de un alumno que pueden suponerse razonablemente. En lugar de estimar directamente la capacidad de un alumno, se estima una distribución de probabilidad para.. Es decir, en lugar de obtener una estimación puntual para de un alumno, un abanico de valores posibles para la magnitud de un alumno, con una probabilidad asociada para cada uno es estimado. Los valores plausibles son valores aleatorios de esta distribución de para un alumno [5]. Por ultimo si es el estadístico poblacional y el estadístico de interés calculado sobre un valor plausible, entonces:. (1) Siendo M el número de valores plausibles. Para este estudio se utilizaron los valores plausibles para estimar el rendimiento a nivel poblacional de los alumnos por país. III. METODOLOGÍA DE DISEÑO El proceso de desarrollo de la implementación estuvo determinado por el desarrollo iterativo de cubos. Éste tuvo como propósito crear cada vez una versión más completa de la implementación. El primer cubo tuvo como objetivo probar el rendimiento de la herramienta SQL Server 2008 y sus características de diseño de cubos, medidas, medidas calculadas, dimensiones entre otros. El segundo cubo tuvo como objetivo aumentar la funcionalidad del mismo, agregando una nueva dimensión y medida. También buscaba analizar la influencia de las características socioeconómicas en el desempeño de los alumnos. Esto a través de la inclusión ión de una dimensión con estos datos. Por último, el tercer cubo tuvo como objetivo determinar la relevancia de la inclusión de la dimensión, tiempo dentro del análisis de los datos, así como el nivel de escolaridad alcanzado por los padres. El diseño de cada cubo estuvo definido por una metodología en común. Ésta permitió definir los procedimientos para alcanzar nuestros objetivos. Cabe destacar que existen muchas metodologías para a el diseño de un Data Warehouse [13] sin embargo, este trabajo no tiene como objetivo demostrar el uso de una de ellas en el ámbito de datos educacionales. A continuación se describen cada uno de los procesos necesarios para implementar una Base de Datos Multidimensional [12]. Proceso de Modelado Conceptual: Este proceso permitió capturar los requerimientos de información necesarios para poder generar los indicadores de gestión. El esquema resultante, que contempló las dimensiones, medidas y relaciones multidimensionales fue independiente del motor utilizado para generar el cubo resultante. Proceso de Modelado Lógico y Físico: Este proceso tuvo como entrada un esquema conceptual multidimensional y generó un esquema lógico y físico. La principal dificultad de este proceso radicó en generar un modelo lógico que satisficiera no sólo los requerimientos funcionales de información, sino también las restricciones. Proceso de ETL: Este proceso considerado uno de los más largos dentro del desarrollo, constó básicamente de extraer los datos desde los sistemas s fuentes, transformarlos y posteriormente cargarlos en la Base de Datos Multidimensional. Proceso de Análisis ROLAP: Proceso mediante el cual los usuarios exploraron la información mediante las distintas operaciones ROLAP. IV. RESULTADOS Como primera etapa del proceso de desarrollo se diseñó el esquema conceptual el cual presentó las dimensiones, medidas y relaciones multidimensionales es como se muestra en la Figura 7. El modelo conceptual utilizado para desarrollar el esquema resultante se basó en el modelo CMDM de Carpani [8]. Figura 7 - Esquema de la implementación

6 El esquema tuvo seis dimensiones, que fueron las diferentes perspectivas desde la cuales se analizó la información: Alumno: Contuvo los datos de los alumnos como lo son año de nacimiento, sexo, entre otros datos. País: Contempló los países de los cuales provienen los alumnos. Tipo de Prueba: Describió las pruebas que rinden los alumnos. Socioeconómica: Describió el nivel socioeconómico al cual un alumno pertenecía. Tiempo: Informaba de las fechas de las pruebas. Padres: Esta dimensión contuvo información acerca de los niveles de escolaridad alcanzados por los padres de los alumnos que rinden las pruebas. Por otro lado las medidas resultantes como cantidad de alumnos y promedio pueden agregarse o desagregarse a través de las dimensiones. Luego de haber diseñado el esquema conceptual multidimensional para la implementación, la siguiente etapa dentro del proceso de desarrollo fue elaborar el diseño del esquema lógico de la implementación. Para ello se utilizó el esquema en estrella de forma de simplificar las uniones entre las dimensiones y la tabla de hecho. Cabe destacar que el esquema, correspondió a uno desnormalizado. La Figura 8 ilustra el esquema multidimensional lógico de la implementación. La última etapa dentro del proceso de desarrollo fue la exploración de la información mediante las distintas operaciones ROLAP. En esta etapa, de forma casi intuitiva exploro la información buscando tendencias y patrones que resultaran de interés. Figura 9 - Etapas del proceso ETL A continuación se muestran una serie de reportes generados a través de la implementación. El Gráfico 1 muestra la evolución de los puntajes promedios para los países participantes de Latinoamérica desde el año 2000 al La tendencia muestra un crecimiento sostenido en Chile y Brasil logrando una mejora por sobre los 30 puntos cada uno. Gráfico 1 - Puntajes Promedios Latinoamerica El Gráfico 2 muestra los puntajes promedios agrupados por nivel socioeconómico en Chile desde el año 2000 al Existe una diferencia de más de 100 puntos entre los niveles socioeconómicos más bajos y los más altos. Figura 8 - Esquema Lógico de la implementación Dentro de la etapa del proceso de ETL, la implementación consideró los siguientes pasos mostrados en la Figura 9:

7 Gráfico 2 - Puntajes Promedios por Nivel Socioeconómico El Gráfico 3 muestra los puntajes promedios agrupados por el nivel de escolaridad alcanzado por los padres de los alumnos. Los niveles son: Nivel 0: Sin Educación. Nivel 1: Primaria. Nivel 2: Primer ciclo de Secundaria. Nivel 3: Secundaria Humanista. Nivel 4: Secundaria Nivel Técnico. Nivel 5: Pregrado. Nivel 6: Postgrado. Gráfico 4 - Puntajes Promedios por Prueba El Gráfico 5 muestra la evolucion de los puntajes promedios para la prueba de lenguaje por género entre los años 2000 y 2009 en Chile. Las mujeres mostraron una clara tendencia en alza en esta prueba, mientras que los hombres matuvieron sus resultados entre el 2006 y el Gráfico 5 - Puntajes Promedios de Lenguaje por Género Gráfico 3 - Puntajes Promedios por Nivel de Escolaridad de los Padres El Gráfico 4 muestra la evolución de los puntajes promedios de las distintas pruebas desde el año 2000 al 2009 en Chile. Como se observa la prueba de lenguaje ha sido aquella que presenta el mejor progreso con una diferencia de 60 puntos entre el 2000 y el 2009, seguida de ciencias con una mejora de 30 puntos. El Gráfico 6 muestra la evolucion de los puntajes promedios para la prueba de ciencias por género entre los años 2000 y 2009 en Chile. Tanto mujeres como hombres mostraron una tendencia positiva. Sin embargo, los hombres en promedio obtuvieron mejores resultados en esta prueba. Gráfico 6 - Puntajes Promedios en Ciencias por Género

8 El Gráfico 7 muestra la evolución de los puntajes promedios para la prueba de matemáticas por género entre los años 2000 y 2009 en Chile. En esta prueba los puntajes de los hombres presentó una clara tendencia positiva, mientras que las mujeres tienen un comportamiento más anómalo. Gráfico 9 - Nivel de Escolaridad de los Padres en los países latinoamericanos Gráfico 7 - Puntajes Promedios en Matemáticas por Genero El Gráfico 8 muestra los puntajes promedios de Chile y algunos países miembros de la OECD. Como se observa algunos países miembros de la OECD tuvieron una clara tendencia a la baja. Mientras que otros mantuvieron niveles de rendimiento. Es interesante observar que Chile se encontraba a 30 puntos de los países miembros de la OECD, siendo uno de los países con los mejores progresos académicos. Gráfico 8 - Chile VS Países OECD El Gráfico 9 muestra el nivel de escolaridad de los padres para los países de Latinoamérica entre el año 2000 y Se observa que Chile junto con Uruguay muestran los niveles de escolaridad más altos. CONCLUSIONES En el artículo, se ha presentado el diseño inicial e implementación de una base de datos multidimensional para datos educacionales con el objetivo de mostrar la utilidad de la técnica de bases de datos multidimensionales. El haber aplicado BDM a los datos educacionales de PISA, dio la posibilidad de buscar los patrones y tendencias de mayor interés, y de cruzar estas tendencias con las variables más relevantes (como sexo, grupo socioeconómico, nivel educacional de los padres, etc). Para lo cual fue necesario analizar previamente la información que entrega la OECD a través de los resultados de la prueba PISA. Los resultados de la implementación mostraron que Chile fue el país con los mejores puntajes promedios de Latinoamérica, y que junto con Brasil lograron las mejoras más significativas entre los años 2000 y También se mostró una relación directa entre el nivel socioeconómico de los alumnos y su puntaje alcanzado. Esto es, a medida que aumentó el nivel socioeconómico del alumno también lo hizo su puntaje promedio. Una tendencia que existe en todos los países de Latinoamérica. Por otro lado los resultados mostraron que algunos países desarrollados dos han paulatinamente disminuido sus puntajes promedios en las diferentes pruebas. A diferencia de Chile que ha significativamente mejorado sus puntajes. Un punto clave dentro del proceso de desarrollo e implementación fue el análisis de los datos proporcionados por el estudio de PISA, que permitió la generación de aquellas medidas de mayor interés. Cabe destacar que en esta etapa también se descartaron otras posibles medidas de interés por no tener la continuidad necesaria de datos dentro de todas las versiones del estudio.

9 El desarrollo iterativo permitió entre otras cosas ir ajustando el proceso de desarrollo a las capacidades técnicas operativas a las cuales se estaba sujeto. Por otro lado, permitió también generar una retroalimentación de la información que se iba generando dando pautas, de cuáles eran los tipos de datos que podían aportar más al análisis de la información y, finalmente, ir desarrollando y perfeccionando los esquemas multidimensionales lógico y conceptuales. Además, la reportabilidad generada superó las expectativas. Eso se debió principalmente a la incorporación de la dimensión tiempo que permitió darle toda una nueva arista o perspectiva a la información disponible. Si bien, el estudio se centró en el análisis de la información de Chile, los esquemas lógicos y conceptuales son aplicables a cualquier país o región del estudio. A la fecha las bases de datos para el estudio correspondiente al año 2012 todavía no habían sido liberadas para su uso, por lo que podría ser interesante volver a analizar la información con otro año más de estudio. Además de mejorar la metodología de diseño aplicada usando alguna de las metodologías propuestas para el diseño de data warehouse. REFERENCIAS [1] S. Chaudhuri, U. Dayal, and V. Narasayya, An overview of business intelligence technology, Communications of the ACM, vol. 54, no. 8, pp , Aug [2] L. Calzada and J. L. Abreu, El impacto de las herramientas de inteligencia de negocios en la toma de decisiones de los ejecutivos, International Journal Of Good Conscience, vol. 4, no. 2, pp , [3] R. Baker and K. Yacef, The State of Educational Data Mining in 2009 : A Review and Future Visions, Journal of Educational Data Mining, vol. 1, no. 1, pp. 3 17, [4] E. Baralis, S. Paraboschi, and E. Teniente, Materialized View Selection in a Multidimensional Database, VLDB, vol. 97, pp , [5] OECD, PISA Data Analysis Manual. pp. 478, [6] H. P. Luhn, A Business Intelligence System, IBM Journal of Research and Development, vol. 2, no. 4, pp , Oct [7] R. Kimball and M. Ross, The Data Warehouse Toolkit. pp. 449, [8] F. Carpani, CMDM : Un Modelo Conceptual para la Especificación de Bases, [9] S. Chaudhuri and D. Umeshwar, An overview of data warehousing and OLAP technology, vol. 26, no. 1. pp , [10] J. C. Trujilo, El modelo GOLD: modelo conceptual orientado a objetos para el diseño de aplicaciones OLAP, [11] R. Carstens and D. Hastedt, The effect of not using plausible values when they should be : An illustration using TIMSS 2007 grade 8 mathematics data. pp. 12, [12] C. Zambrano, D. Rojas, K. Carvajal, and G. Acuña, Análisis de rendimiento académico estudiantil usando data warehouse y redes neuronales, Revista chilena de Ingenieria, vol. 19, no. 3, pp , [13] A. Cravero and S. Sepúlveda, "A chronological study of paradigms for datawarehouse design". INGENIERÍA E INVESTIGACIÓN VOL. 32 No. 2, pp , [14] M. A. Pinninghoff, P. Salcedo and R. Contreras, "Neural Networks to Predict Schooling Failure/Sucess". Lecture Notes Computer Science. Vol [15] A.Berson, S J. Smith "Data Warehousing, Data Mining, and Olap" McGraw- Hill.1997.

Data Warehousing - Marco Conceptual

Data Warehousing - Marco Conceptual Data Warehousing - Marco Conceptual Carlos Espinoza C.* Introducción Los data warehouses se presentan como herramientas de alta tecnología que permiten a los usuarios de negocios entender las relaciones

Más detalles

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Inteligencia de Negocios Introducción Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Agenda 1.Introducción 2.Definición 3.ETL 4.Bodega de Datos 5.Data Mart

Más detalles

Botón menú Objetivo de la Minería de datos.

Botón menú Objetivo de la Minería de datos. Titulo de Tutorial: Minería de Datos N2 Botón menú: Introducción. Las instituciones y empresas privadas coleccionan bastante información (ventas, clientes, cobros, pacientes, tratamientos, estudiantes,

Más detalles

CAPÍTULO 2 DATA WAREHOUSES

CAPÍTULO 2 DATA WAREHOUSES CAPÍTULO 2 DATA WAREHOUSES Un Data Warehouse (DW) es un gran repositorio lógico de datos que permite el acceso y la manipulación flexible de grandes volúmenes de información provenientes tanto de transacciones

Más detalles

Tecnologías de Información y Comunicación II.

Tecnologías de Información y Comunicación II. INGENIERÍA EN INFORMÁTICA Tecnologías de Información y Comunicación II. INFORME: ETL y Modelo Estrella. NOMBRE : Ruben Chura, Andony Pavez. CARRERA : Ingeniería en Informática. ASIGNATURA : Tecnologías

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Es un conjunto de conceptos y metodologías para mejorar la toma de decisiones.

Más detalles

FACULTAD DE INGENIERÍA. Bases de Datos Avanzadas

FACULTAD DE INGENIERÍA. Bases de Datos Avanzadas FACULTAD DE INGENIERÍA Ingeniería en Computación Bases de Datos Avanzadas Datawarehouse Elaborado por: MARÍA DE LOURDES RIVAS ARZALUZ Septiembre 2015 Propósito Actualmente las empresas necesitan contar

Más detalles

Definición. Data Warehousing: almacenamiento, transformación y distribución de datos útiles para los responsables de tomar decisiones 9/29/2006 4

Definición. Data Warehousing: almacenamiento, transformación y distribución de datos útiles para los responsables de tomar decisiones 9/29/2006 4 Definición Data Warehousing: almacenamiento, transformación y distribución de datos útiles para los responsables de tomar decisiones 9/29/2006 4 Definición (cont.) Un Data Warehouse es una colección de

Más detalles

Business Intelligence

Business Intelligence 2012 Business Intelligence Agenda Programas Diferencias de OLTP vs OLAP Arquitectura de una solución de BI Tecnologías Microsoft para BI Diferencias entre OLTP v/s OLAP Alineación de Datos OLTP Datos organizados

Más detalles

Concepción - Chile Marcela Varas Universidad de Concepción Chile - 2012

Concepción - Chile Marcela Varas Universidad de Concepción Chile - 2012 Presentación Concepción - Chile www.udec.cl Universidad de Concepción - Chile Estudiantes Universidad de Concepción Departamento de Ingeniería Informática y Ciencias de la Computación Facultad de Ingeniería

Más detalles

Cuadrante Mágico de Gartner para BI 2013 vs. 2014

Cuadrante Mágico de Gartner para BI 2013 vs. 2014 Cuadrante Mágico de Gartner para BI 2013 vs. 2014 Challengers Leaders Challengers Leaders Niche Players Visionaries Niche Players Visionaries Cuadrante Mágico de Gartner SGBD y Sistemas de Data WareHouse

Más detalles

Sistema de análisis de información. Resumen de metodología técnica

Sistema de análisis de información. Resumen de metodología técnica Sistema de análisis de información Resumen de metodología técnica Tabla de Contenidos 1Arquitectura general de una solución de BI y DW...4 2Orígenes y extracción de datos...5 2.1Procesos de extracción...5

Más detalles

Bases de Datos Otoño 2012 Maestría en Ingeniería de Software L.I Yessica Sugeidy Morales Mateo. 22/09/2012 Bases de Datos

Bases de Datos Otoño 2012 Maestría en Ingeniería de Software L.I Yessica Sugeidy Morales Mateo. 22/09/2012 Bases de Datos Bases de Datos Otoño 2012 Maestría en Ingeniería de Software L.I Yessica Sugeidy Morales Mateo 22/09/2012 Bases de Datos 1 Antecedentes A principios de la década de los sesenta, el software de acceso a

Más detalles

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

IMPLEMENTACIÓN DE UN DATA MART PARA UN SERVICIO DE DOSIMETRÍA EXTERNA.

IMPLEMENTACIÓN DE UN DATA MART PARA UN SERVICIO DE DOSIMETRÍA EXTERNA. X Congreso Regional Latinoamericano IRPA de Protección y Seguridad Radiológica Radioprotección: Nuevos Desafíos para un Mundo en Evolución Buenos Aires, 12 al 17 de abril, 2015 SOCIEDAD ARGENTINA DE RADIOPROTECCIÓN

Más detalles

TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN. Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres

TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN. Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres TECNOLOGÍA SOFTWARE PARA EL DESARROLLO DE SISTEMAS DE INFORMACIÓN Sistemas Informacionales (BI Business Intelligence) Sonia Marrero Cáceres Sistemas Informacionales Sistemas informacionales: Sistemas de

Más detalles

El almacén de indicadores de proceso de negocio en ejecución

El almacén de indicadores de proceso de negocio en ejecución X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez

Más detalles

DATA WAREHOUSE DATA WAREHOUSE

DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE Autor: Roberto Abajo Alonso Asignatura: Sistemas Inteligentes, 5º Curso Profesor: José Carlos González Dep. Ing. Sistemas Telemáticos, E.T.S.I. Telecomunicación Universidad

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 5 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 5 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 5 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Data Warehouse Modelo multidimensional Diagrama

Más detalles

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012.

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012 programa Plan 2008 Área Complementaria Carga horaria semanal Anual/ cuatrimestral Coordinador de Cátedra Objetivos

Más detalles

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento Servicio Business Intellingence integrado con & Big Del dato al conocimiento Servicio BI integral: Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento,

Más detalles

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA ANÁLISIS DE DATOS USANDO MODELOS ESTADÍSTICOS SOBRE UN DATAWAREHOUSE ACADÉMICO PARA

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

Tecnologías de la Información en la Gestión Empresarial

Tecnologías de la Información en la Gestión Empresarial Tecnologías de la Información en la Gestión Empresarial 1 Sesión No.8 Nombre: Procesos de Negocio y Gestión en Business Intelligence Objetivo: Al término de la sesión, el alumno ilustrará un proceso de

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

Más detalles

VENTAJAS DEL USO DE HERRAMIENTAS DE ETL SOBRE ANSI SQL

VENTAJAS DEL USO DE HERRAMIENTAS DE ETL SOBRE ANSI SQL VENTAJAS DEL USO DE HERRAMIENTAS DE ETL SOBRE ANSI SQL LIC. DIEGO KRAUTHAMER PROFESO R ADJUNTO INTERINO UNIVERSIDAD ABIERTA INTERMERICANA (UAI) SEDE BUENOS AIRES COMISION DE INVESTIGACION Abstract El presente

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM? Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining

Más detalles

Sistemas de Información 12/13 La organización de datos e información

Sistemas de Información 12/13 La organización de datos e información 12/13 La organización de datos e información Departamento Informática e Ingeniería de Sistemas Universidad de Zaragoza (raqueltl@unizar.es) " Guión Introducción: Data Warehouses Características: entornos

Más detalles

PROGRAMA FORMATIVO Administración de Business Intelligence y Datawarehousing

PROGRAMA FORMATIVO Administración de Business Intelligence y Datawarehousing PROGRAMA FORMATIVO Administración de Business Intelligence y Datawarehousing Julio 2014 DATOS GENERALES DE LA ESPECIALIDAD 1. Familia Profesional: INFORMÁTICA Y COMUNICACIONES Área Profesional: DESARROLLO

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

Licencia GNU FDL. Detalle del cambio. Ing. Bernabeu Ricardo Dario, Ing. García Mattío Mariano Alberto. Versión incial. 05/11/2009

Licencia GNU FDL. Detalle del cambio. Ing. Bernabeu Ricardo Dario, Ing. García Mattío Mariano Alberto. Versión incial. 05/11/2009 Licencia GNU FDL Copyright 2009 Ing. Bernabeu Ricardo Dario, Ing. García Mattío Mariano Alberto. Se otorga permiso para copiar, distribuir y/o modificar este documento bajo los términos de la Licencia

Más detalles

Business Intelligence (Inteligencia de Negocios) Bases de Datos Masivas (11088) Universidad Nacional de Luján

Business Intelligence (Inteligencia de Negocios) Bases de Datos Masivas (11088) Universidad Nacional de Luján Business Intelligence (Inteligencia de Negocios) Bases de Datos Masivas (11088) Universidad Nacional de Luján Qué es Business Intelligence (BI)? Se entiende por Business Intelligence al conjunto de metodologías,

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012

DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012 DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012 FLUJO DE CAPACITACIÓN Prerrequisitos Fundamentos de Programación Sentencias SQL Server 2012 Duración: 12 horas 1. DESCRIPCIÓN

Más detalles

Módulo Minería de Datos

Módulo Minería de Datos Módulo Minería de Datos Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Análsis Dimensional OLAP On-Line Analytical Processing Estructura del Proceso

Más detalles

FUNDAMENTOS DE DATA WAREHOUSE

FUNDAMENTOS DE DATA WAREHOUSE FUNDAMENTOS DE DATA WAREHOUSE 1. Qué es Data Warehouse? El Data Warehouse es una tecnología para el manejo de la información construido sobre la base de optimizar el uso y análisis de la misma utilizado

Más detalles

6.5. Programa de estudio. Nombre del documento: Programa de estudio de Asignatura de Especialidad.

6.5. Programa de estudio. Nombre del documento: Programa de estudio de Asignatura de Especialidad. 126 6.5. Programa de estudio Nombre del documento: Programa de estudio de Asignatura de Especialidad. Código: ITVH- AC-PO-011-02 Revisión: O Referencia a la Norma ISO 9001:2008 7.3 Página 1 de 10 1.- DATOS

Más detalles

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM Sergio Bauz Olvera 1, Washington Jama 2 1 Ingeniero en Estadística e Informática 2003 2 Director de Tesis de Grado, Ing. Washington Jama.

Más detalles

2796 Designing an Analysis Solution Architecture Using Microsoft SQL Server 2005 Analysis Services

2796 Designing an Analysis Solution Architecture Using Microsoft SQL Server 2005 Analysis Services 2796 Designing an Analysis Solution Architecture Using Microsoft SQL Server 2005 Analysis Services Introducción El propósito de este curso de tres días impartido por instructor es de enseñar profesionales

Más detalles

Revista Cubana de Ciencias Informáticas ISSN: 1994-1536 rcci@uci.cu Universidad de las Ciencias Informáticas Cuba

Revista Cubana de Ciencias Informáticas ISSN: 1994-1536 rcci@uci.cu Universidad de las Ciencias Informáticas Cuba ISSN: 1994-1536 Universidad de las Ciencias Informáticas Cuba García Izquierdo, Malena; Macías Martínez, Manuel Diseño del repositorio de datos para la sala situacional de un sistema de gestión penitenciaria

Más detalles

ARQUITECTURA DE UNA BODEGA DE DATOS

ARQUITECTURA DE UNA BODEGA DE DATOS ARQUITECTURA DE UNA BODEGA DE DATOS Estructura de contenidos INTRODUCCIÓN... 3 1. ARQUITECTURA DE UNA BODEGA DE DATOS... 3 1.1 PROPIEDADES... 3 1.2 ARQUITECTURA DE UNA CAPA... 4 1.3 ARQUITECTURA DE DOS

Más detalles

Data Warehousing. Introducción. Facultad de Ingeniería Escuela de Ingeniería de Sistemas y Computación

Data Warehousing. Introducción. Facultad de Ingeniería Escuela de Ingeniería de Sistemas y Computación Data Warehousing Introducción Introducción Indice (I) Propiedades de un dw Arquitectura de procesos en un sistema de data warehousing Puntos clave Diseño de la base de datos de un data warehouse Indice

Más detalles

CREACIÓN DE PROYECTOS DE BUSINESS INTELLIGENCE CON SQL SERVER. 40 horas 60 días

CREACIÓN DE PROYECTOS DE BUSINESS INTELLIGENCE CON SQL SERVER. 40 horas 60 días CREACIÓN DE PROYECTOS DE BUSINESS INTELLIGENCE CON SQL SERVER DURACIÓN DÍAS DE CONEXIÓN 40 horas 60 días CONTACTO: formacion@fgulem.es El Campus Virtual ha sido concebido con una metodología dinámica e

Más detalles

Inteligencia de Negocios

Inteligencia de Negocios Inteligencia de Negocios El warehouse, data mart y ETL Clase 4 La arquitectura de la solución Fuentes de datos Sistema operacional A Extracción Área del warehouse Transformación Area de trabajo Herramientas

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos.

Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos. Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos. Ing. Corso Cynthia, Ing. Luque Claudio, Ing. Ciceri Leonardo, Sr Donnet Matías Grupo

Más detalles

UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN

UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS COORDINACIÓN DE EXTENSIÓN PROPUESTA PARA INTRODUCIR CURSOS DE EXTENSIÓN, DIPLOMADOS, SERVICIOS Y ACTUALIZACIONES TÉCNICAS Y PROFESIONALES Nombre (s)

Más detalles

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA ESCUELA DE SISTEMAS DISERTACIÓN DE TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO EN SISTEMAS GUÍA PARA IMPLEMENTAR UNA SOLUCION

Más detalles

ASIGNATURA: Tecnologías de Información y Comunicación II

ASIGNATURA: Tecnologías de Información y Comunicación II ASIGNATURA: Tecnologías de Información y Comunicación II 53 HORAS DESCRIPCIÓN DE LA ASIGNATURA: Esta asignatura proporciona al alumno las competencias y herramientas teóricas necesarias para la aplicación

Más detalles

Inteligencia de Negocios. & Microsoft Excel 2013

Inteligencia de Negocios. & Microsoft Excel 2013 Inteligencia de Negocios (Business Intelligence - BI) & Microsoft Excel 2013 Instructor: Germán Zelada Contenido del Curso Fundamentos de Data Warehousing y BI Qué es Business Intelligence? Definiendo

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

SQL Server Business Intelligence parte 1

SQL Server Business Intelligence parte 1 SQL Server Business Intelligence parte 1 Business Intelligence es una de las tecnologías de base de datos más llamativas de los últimos años y un campo donde Microsoft ha formado su camino a través de

Más detalles

Primeros pasos hacia la Inteligencia de Negocios: Almacenes de datos (DataWareHouse), Herramientas ETL(PDI), Procesamiento analítico en línea.

Primeros pasos hacia la Inteligencia de Negocios: Almacenes de datos (DataWareHouse), Herramientas ETL(PDI), Procesamiento analítico en línea. Primeros pasos hacia la Inteligencia de Negocios: Almacenes de datos (DataWareHouse), Herramientas ETL(PDI), Procesamiento analítico en línea. Introducción Una solución de Business Intelligence parte de

Más detalles

Facultad de Ciencias Económicas. Departamento de Sistemas. Asignatura: INTELIGENCIA DE NEGOCIOS. Plan 1997

Facultad de Ciencias Económicas. Departamento de Sistemas. Asignatura: INTELIGENCIA DE NEGOCIOS. Plan 1997 UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Económicas Departamento de Sistemas Asignatura: INTELIGENCIA DE NEGOCIOS Código: 715 Plan 1997 Cátedra: DEPARTAMENTO DE SISTEMAS Carrera: Licenciado en

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

ANEXO A - Plan de Proyecto. 1. - EDT de la solución EDT GENERAL DEL PROYECTO1

ANEXO A - Plan de Proyecto. 1. - EDT de la solución EDT GENERAL DEL PROYECTO1 ANEXO A - Plan de Proyecto 1. - EDT de la solución EDT GENERAL DEL PROYECTO1 2.- Diagrama de Gantt de la Solución DIAGRAMA DE GANTT- FASE INICIAL DOCUMENTACION Y ANALISIS2 DIAGRAMA DE GANTT- FASE FINAL

Más detalles

Programa Internacional Business Intelligence

Programa Internacional Business Intelligence Fecha de inicio: 18 de junio de 2012 Programa Internacional Business Intelligence En un ambiente globalizado y de alta competitividad entre las empresas, la adecuada administración del capital intelectual

Más detalles

Introducción a la Minería de Datos y el Data Warehousing

Introducción a la Minería de Datos y el Data Warehousing Introducción a la Minería de Datos y el Data Warehousing Sergio R. Coria E-mail: sergio@mineriadedatos.com.mx Resumen. Para hallar patrones significativos en grandes volúmenes de datos se ha usado inicialmente

Más detalles

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS 1. RESEÑA HISTORICA Las exigencias competitivas del mercado hacen que las organizaciones busquen mecanismos

Más detalles

Resultados Nacionales

Resultados Nacionales Resultados Nacionales SIMCE Educación 4 Básica Educación 2 Media 4 3 Media Educación 2010 4 Abraham Lincoln School 67-1 San Martín 471 Arica Región Arica - Parinacota Resultados Nacionales SIMCE Educación

Más detalles

Facultad de Ingeniería y Tecnología Informática Licenciatura en Sistemas de Información Plan: 2012 Ciclo: 2014 Programa Analítico Base de Datos II

Facultad de Ingeniería y Tecnología Informática Licenciatura en Sistemas de Información Plan: 2012 Ciclo: 2014 Programa Analítico Base de Datos II 1. OBJETIVOS: Lograr que los alumnos conozcan los componentes y la arquitectura de las bases de datos relacionales. Brindar un curso internacionalmente actualizado respecto del ámbito académico, así como

Más detalles

Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team

Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team Rafael Rodríguez-Puente 1, Eliana B. Ril-Valentin 2 1 Departamento de Técnicas de

Más detalles

BUSINESS INTELLIGENCE. www.sbi-technology.com

BUSINESS INTELLIGENCE. www.sbi-technology.com BUSINESS INTELLIGENCE www.sbi-technology.com SBI Technology SRL Maipú 1492 Piso 2 S2000CGT - Rosario Rep. Argentina Tel: (54 341) 530 0815 www.sbi-technology.com Copyright - SBI Technology SRL - Todos

Más detalles

Instituto de Estadística Universidad de Puerto Rico Recinto de Río Piedras PRONTUARIO

Instituto de Estadística Universidad de Puerto Rico Recinto de Río Piedras PRONTUARIO Instituto de Estadística Universidad de Puerto Rico Recinto de Río Piedras PRONTUARIO I. Título del Curso SICI 4215 Inteligencia Analítica de Negocios (Business Intelligence and Analytics) II. Descripción

Más detalles

Sesión 8: Inteligencia de Negocios (Business Intelligence)

Sesión 8: Inteligencia de Negocios (Business Intelligence) Universidad Cesar Vallejo Escuela Profesional de Ingeniería de Sistemas Curso de Fundamentos de TI Sesión 8: Inteligencia de Negocios (Business Intelligence) Ing. Ivan Crispin Sanchez 1 Agenda 1. Introducción

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Metodología > 1 Implantación tecnológica de un balanced scorecard Precio 1.000 Este curso introduce al alumno en la metodología de BSC y su implantación tecnológica para el seguimiento

Más detalles

SISTEMAS DE INTELIGENCIA DE NEGOCIOS

SISTEMAS DE INTELIGENCIA DE NEGOCIOS Estructura de contenidos INTRODUCCIÓN...3 1. BODEGA DE DATOS (DATA WAREHOUSE)...3 1.1. Componentes...3 1.1.1. Orígenes de datos...4 1.1.1.1. Sistemas propios...4 1.1.1.2. Origen externos...4 1.1.2. Área

Más detalles

DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM

DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM DATAMART PASO A PASO WWW.RUEDATECNOLOGICA.COM Historial de revisiones Versión Fecha Autor: Descripción del cambio 1.0 31/08/2007 Rayner Huamantumba. Manual para diseño y desarrollo de Datamart INDICE 1-

Más detalles

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de

Más detalles

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS Integrante: Profesor: Maximiliano Heise Luis Ríos Fecha de entrega: miércoles 18 de abril de 2012

Más detalles

MOLAP REALIZADO POR: JOSE E. TABOADA RENNA

MOLAP REALIZADO POR: JOSE E. TABOADA RENNA MOLAP REALIZADO POR: JOSE E. TABOADA RENNA BASE DE DATOS Conjunto de datos estructurados, fiables y homogéneos organizados independientemente en máquina, m accesibles en tiempo real, compatible por usuarios

Más detalles

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable : Inteligencia de negocio y gestión del rendimiento potente y escalable Puntos destacados Dota a los usuarios de su organización de las capacidades de business intelligence y de gestión del rendimiento

Más detalles

Análisis del proceso de carga del Sistema de Data Warehousing de Enseñanza de la Facultad de Ingeniería

Análisis del proceso de carga del Sistema de Data Warehousing de Enseñanza de la Facultad de Ingeniería Análisis del proceso de carga del Sistema de Data Warehousing de Enseñanza de la Facultad de Ingeniería Lorena Etcheverry, Pablo Gatto, Salvador Tercia CSI, Instituto de Computación, Facultad de Ingeniería

Más detalles

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Programa de Capacitación y Certificación. INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Contenido PERFIL DE UN ESPECIALISTA EN BASES DE DATOS.... 3 6231. MANTENIENDO UNA BASE DE DATOS DE SQL SERVER 2008

Más detalles

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II Carlos A. Olarte Bases de Datos II Contenido 1 Introducción 2 OLAP 3 Data Ware Housing 4 Data Mining Introducción y Motivación Cómo puede analizarse de forma eficiente volúmenes masivos de datos? La consulta,

Más detalles

Business Intelligence: Competir con Información

Business Intelligence: Competir con Información Business Intelligence: Competir con Información Reus, 16 de Noviembre de 2011 Página 1 Página 2 Sumario Sistemas de Información - Introducción Introducción Business Intelligence Datawarehouse OLAP Data

Más detalles

Microsoft SQL Server Conceptos.

Microsoft SQL Server Conceptos. Microsoft Conceptos. Microsoft 2005 es una plataforma de base de datos a gran escala de procesamiento de transacciones en línea (OLTP) y de procesamiento analítico en línea (OLAP). La siguiente tabla muestra

Más detalles

Conciencia Tecnológica ISSN: 1405-5597 contec@mail.ita.mx Instituto Tecnológico de Aguascalientes México

Conciencia Tecnológica ISSN: 1405-5597 contec@mail.ita.mx Instituto Tecnológico de Aguascalientes México Conciencia Tecnológica ISSN: 1405-5597 contec@mail.ita.mx Instituto Tecnológico de Aguascalientes México García Merayo, Félix; Luna Ramírez, Enrique El proceso Data Warehousing y los meta datos Conciencia

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

Más detalles

BI Data Warehouse. Índice UTN FRRO - SISTEMAS DE GESTION II

BI Data Warehouse. Índice UTN FRRO - SISTEMAS DE GESTION II Índice ÍNDICE...2 RESUMEN...3 INTRODUCCIÓN...5 DATOS OPERACIONALES Y DATOS INFORMATIVOS...6 DATA WAREHOUSE...7 SISTEMAS DE SOPORTE DE DECISIONES...8 INTELIGENCIA DE NEGOCIO...8 PROBLEMAS QUE DAN ORIGEN

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Definición Business Intelligence es una aproximación estratégica para identificar, vigilar, comunicar y transformar, sistemáticamente, signos e indicadores en información activa en

Más detalles

Procesamiento analítico en línea con minería de. por separado. La tecnología OLAP facilita la exploración de datos operacionales, es

Procesamiento analítico en línea con minería de. por separado. La tecnología OLAP facilita la exploración de datos operacionales, es Capítulo 3 Procesamiento analítico en línea con minería de datos 3.1 Definición La combinación de las tecnologías de procesamiento analítico en línea con la minería de datos fue propuesta y ha sido estudiada

Más detalles

Oracle Database 11g para Data Warehousing e Inteligencia de Negocios. Informe Ejecutivo de Oracle Julio de 2007

Oracle Database 11g para Data Warehousing e Inteligencia de Negocios. Informe Ejecutivo de Oracle Julio de 2007 Oracle Database 11g para Data Warehousing e Inteligencia de Negocios Informe Ejecutivo de Oracle Julio de 2007 Oracle Database 11g para Data Warehousing e Inteligencia de Negocios Introducción... 3 Integrar...

Más detalles

PROYECTO DE TESIS DIEGO GALLARDO. ESPEL - Diego Gallardo

PROYECTO DE TESIS DIEGO GALLARDO. ESPEL - Diego Gallardo PROYECTO DE TESIS DIEGO GALLARDO TEMA DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE ADMINISTRACIÓN DE TIEMPOS EN PROYECTOS DE DESARROLLO DE SOFTWARE Y CONTROL DE DESEMPEÑO MEDIANTE CUBOS DE INFORMACIÓN PARA

Más detalles

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining 04/11/2008 Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining Business Intelligence Qué es Business Intelligence? Business Intelligence Qué es

Más detalles

Kais Analytics Business Intelligence

Kais Analytics Business Intelligence Analizador de datos Analice toda la información estratégica y mejore la toma de decisiones Con la globalización de la información en los últimos años nace el concepto Business Intelligence. La gran cantidad

Más detalles

PISA Programa Internacional de Evaluación de Estudiantes. Gobierno de Chile Agencia de Calidad de la Educación

PISA Programa Internacional de Evaluación de Estudiantes. Gobierno de Chile Agencia de Calidad de la Educación PISA Programa Internacional de Evaluación de Estudiantes Gobierno de Chile Agencia de Calidad de la Educación 1 Evaluaciones Educativas Internacionales en Chile Desde 1997, Chile participa en diversos

Más detalles

Introducción a la Minería de Datos (Data Mining)

Introducción a la Minería de Datos (Data Mining) a la Minería de Datos (Data Mining) IT-Nova Facultad de Ingeniería Informática y Telecomunicaciones Iván Amón Uribe, MSc Minería de Datos Diapositivas basadas parcialmente en material de Inteligencia Analítica

Más detalles

Oracle vs Oracle por Rodolfo Yglesias Setiembre 2008

Oracle vs Oracle por Rodolfo Yglesias Setiembre 2008 Oracle vs Oracle por Rodolfo Yglesias Setiembre 2008 Introducción Aunque la estrategia de adquisiciones que Oracle ha seguido en los últimos años siempre ha buscado complementar y fortalecer nuestra oferta

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Curso 2012-2013 Departamento de Lenguajes y Sistemas Informáticos II http://www.kybele.es ISI/SI - 1 Introducción Nuestra misión: Hacer inteligente el negocio Buenos días. Soy Negocio.

Más detalles

ANEXO F ARQUITECTURAS DE INTELIGENCIA DE NEGOCIOS

ANEXO F ARQUITECTURAS DE INTELIGENCIA DE NEGOCIOS ANEXO F ARQUITECTURAS DE INTELIGENCIA DE NEGOCIOS 1. Realizado por: Stephanie Herrera Bautista 2. Introducción: 2.1. Propósito: Se busca realizar el planteamiento de las diversas arquitecturas que se pueden

Más detalles

Unidad III Modelamiento Multidimencional. Tecnología DATAWAREHOUSE

Unidad III Modelamiento Multidimencional. Tecnología DATAWAREHOUSE Unidad III Modelamiento Multidimencional Tecnología DATAWAREHOUSE Datawarehouse Colección de datos integrados, variantes en el tiempo, no volátiles, orientados a temas de interés para la gestión de una

Más detalles

Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida.

Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida. Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida. Autores: Carlos Javier Quintero Blanco, Universidad de las Ciencias Informáticas,

Más detalles