Concepción - Chile Marcela Varas Universidad de Concepción Chile

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

Download "Concepción - Chile Marcela Varas Universidad de Concepción Chile - 2012"

Transcripción

1

2

3 Presentación

4 Concepción - Chile

5 Universidad de Concepción - Chile

6 Estudiantes Universidad de Concepción

7 Departamento de Ingeniería Informática y Ciencias de la Computación Facultad de Ingeniería Programas Pregrado: Ingeniería Civil Informática Postgrado: Magister en Ciencias de la Computación Doctorado en Ciencias de la Computación Áreas de Investigación y Desarrollo Sistemas Inteligentes Sistemas de Procesamiento de Información Web:

8 Diseño Conceptual de DW Marcela Varas

9 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

10 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

11 Inteligencia de Negocios Pequeña Introducción

12 Definición Se le llama inteligencia de negocios o Business Intelligence a un conjunto de técnicas que permiten facilitar la toma de decisiones en una empresa, a través del uso de tecnologías de información. Se trata básicamente de analizar información obtenida de distintas fuentes: sistemas de producción, financieros, otros sistemas internos y externos

13 Arquitectura BI Reportes Data marts Data Mining BSC Datawarehouse (almacén de datos) BD 1 BD 2 BD 3 BD 4

14 El centro de la BI: Datawarehouses Colección de datos orientada a un determinado ámbito (empresa, organización, etc.), integrado, no volátil y variable en el tiempo, que ayuda a la toma de decisiones en la entidad en la que se utiliza. Diseñada para favorecer el análisis y la divulgación eficiente de datos. Corresponden a una BD de consulta

15 Objetivos de las BD de Consulta Resolver la problemática del acceso a la información para la toma de decisiones Factores Críticos Tiempo de acceso Integración y Calidad de la Información Se necesita: Conocimiento: Materia prima para toma de decisiones, es lo que se desea construir. Información. Datos.

16 Los datos Materia prima de la información. Generados por procesos que no necesariamente los explotan. Existen No siempre son fáciles de acceder No siempre son explotados

17 La información Materia prima para conocer los fenómenos reales. Un ítem de datos es información según el contexto de toma de decisiones Dependiendo del tipo de decisiones a tomar. Dependiendo de la persona encargada. Dependiendo de su calidad. La información suele ser difícil de obtener: Deben obtenerse los datos: A partir de los cuales se construye la información. Que definen el contexto del mismo.

18 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

19 Almacenes de Datos Qué son?

20 OLTP y OLAP OLTP: Procesamiento de Transacciones On Line Sistemas orientados a la Producción Prioridad: tiempo de respuesta a transacciones read-write. Se manejan datos actuales muy detallados. Estables y de larga vida util. OLAP: Procesamiento Analítico On Line Sistemas Orientados a la Toma de Decisiones Prioridad: expresividad y eficiencia en consultas complejas Datos actuales e históricos, resumidos En constante evolución

21 Almacenes de Datos o DW Bases de datos Operacional Datos Operacionales Orientado a la aplicación Actual Detallada Cambia continuamente Data warehouse Datos del negocio para Información Orientado al sujeto Actual + histórico Detallada + más resumida Estable

22 Datawarehouse y Sistema DW Es un conjunto de datos orientados a temas, integrados, no volátiles e históricos, organizados para soportar un proceso de toma de decisiones. Sistema DW es un sistema informático capaz de ofrecer información para toma de decisiones, y cuya pieza principal es un Data Warehouse.

23 DW: Características Datos Orientados a Temas Los datos se organizan en torno a los temas principales de la organización Datos integrados Heterogeneidad de datos: Diferentes áreas de la organización. Diferentes tipos (tradicionales, geográfico, documentos). Diferentes fuentes Aspectos a resolver en la integración: Unificación de conceptos. Construcción del dato integrado a partir de los fuentes. Disimilaridad esquemática y semántica

24 DW: Características Datos históricos: Se deben manejar los datos con su referencia temporal. El tiempo siempre es una dimensión relevante Datos no volátiles: Una vez que los datos son estables, se pueden ingresar al DW Los datos no se modifican, sólo se incorporan nuevos Los datos deben ser lo suficientemente estables como para permitir análisis largos sin que cambien durante el mismo. Esto se obtiene como consecuencia de: La historización. La planificación de la carga.

25 Data marts Son aplicaciones de análisis de datos en áreas precisas de negocios. Por ejemplo: Adquisiciones, Registro Curricular, Marketing, Producción. Toman sus datos del Data Warehouse. Priorizan la funciones de análisis de datos: Interfaces a usuario. Indicadores específicos al área de negocio. Normalmente basados en OLAP.

26 Arquitectura de un DW

27 DW: Tipos de Datos Datos Detallados Corresponden a los datos insertados desde los sistemas de producción. Diferencia con datos de BD-Fuentes: Están en formato homogéneo (vía ODS: sistema de organización de datos). Pasaron un primer control de calidad. Pueden ya haber pasado un primer proceso de agregación. Generalmente se trata de volúmenes importantes de datos.

28 DW: Tipos de datos Datos Agregados Resultantes de aplicar funciones de totalización sobre datos detallados. Por ejemplo: total mensual de ventas por producto. Información significativa para analizar. Permiten reducir volúmenes de datos. Cálculo interactivo plantea problemas de rendimiento

29 DW: Tipos de datos Datos Historizados Datos (base o agregados) a los cuales se les agrega una marca de tiempo. Generan volúmenes importantes de datos

30 DW: Tipos de datos Metadatos Consiste en información sobre los datos del DW. Incluye información sobre: Semántica de los datos y su localización en el DW. Localización de los datos en los sistemas de producción y reglas de transformación. Especificación de fórmulas de cálculo de agregados. Información sobre frecuencias de carga, mecanismo de historización, etc. Constituye una pieza clave para el control de calidad de los datos y la explotación eficaz del DW.

31 DW: Tipos de Operaciones/ Transformaciones Extracción de datos. Consiste en extraer los datos de la BD fuente y cargarlo en el ODS o DW. Filtrado. Consiste en filtrar datos no admisibles en el DW. Modificación de formato o valores. Consiste en adaptar formatos o valores para que cumpla pautas definidas en el DW. Integración. Consiste en integrar datos provenientes de dos fuentes.

32 DW: Tipos de Operaciones/ Transformaciones Cálculos y Consolidaciones (Agregaciones). Consiste en calcular indicadores a partir de datos base. Pueden implicar consolidaciones. Generación de datos históricos (historización). Consiste en agregar marcas de tiempo a datos. Generación de versiones. Consiste en agregar atributos diferenciadores de diferentes versiones de un objeto base. La historización permite hacer esto marcando la versión con un valor temporal.

33 DW: propiedades deseables Mantener una relación adecuada con BD Fuentes: Acceso a BDs heterogéneas y multiplataforma. Independiente de los Sistemas de Producción. Permitir acceso efectivo a usuarios finales: Soportar múltiples tipos de usuarios. Ofrecer Interfaces a usuario avanzadas. Funcionar en arquitecturas de varios niveles. Interactuar con ambientes de Metadata.

34 Acceso a BD heterogéneas Diferentes modelos de datos: Relacional. Archivos legados (legacy). Geográficos. Documentos electrónicos. Fuentes externas de datos (P.ej: cotizaciones bolsa). Diferentes formatos: Diferentes modelizaciones de información similar. Claves diferentes para los mismos objetos. Disimilaridad Semántica Disimilaridad Esquemática

35 Independencia de los Sistemas de Producción Coordinación: El DW se alimenta a partir de datos de Sistemas de Producción Independencia: Razones de performance: Un SDW "pesado" no debe acceder on-line a BD de Producción. Recargaría el Sistema Transaccional La performance de los dos se degradaría. Razones de independencia lógica. Los SDW suelen ver los datos de producción con una perspectiva histórica. No siempre es deseable una coordinación fuerte.

36 Soportar diferentes tipos de usuarios Diferentes niveles jerárquicos: Directivos. Gerentes de área. Mandos técnicos. Diferentes funciones: Planificación. Control. Análisis.

37 Interfaces Avanzadas de Usuario Interfaces de usuario especializadas: optimización de la tarea Cada usuario con su interfaz más adecuada

38 Herramientas de Acceso y Uso Herramientas de Inteligencia de Negocio (Business Intelligence Tools, BIT) y están situadas conceptualmente sobre el Data Warehouse. Cada usuario final debe seleccionar la herramienta que mejor se ajusta a sus necesidades y a su Data Warehouse. Consultas SQL (Structured Query Language), las Herramientas MDA (Multidimensional Analysis), OLAP (On-Line Analytical Processing) y las herramientas Data Mining. Este bloque también incluye el hardware y software involucrados en mostrar la información en pantalla y emitir reportes de impresión, hojas de cálculo, gráficos y diagramas para el análisis y presentación

39 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

40 Modelos de Datos Multidimensionales Qué se representa?

41 Objetivos de los MMD: Representar los datos en forma cercana a la intuición del usuario. Resolver problemas planteados en sistemas relacionales.

42 Características Se representan los datos como una matriz. En los ejes están los criterios de análisis. En los cruces están los valores a analizar. A esta estructura se le llama Cubo o Hipercubo.

43 Características Agregando una 3a. dimensión:

44 Características Agregando una 4a. dimensión:

45 Estructuras básicas Los Cubos o Hipercubos constan de: Dimensiones: Criterios de análisis de los datos. Macro-objetos del problema. Variables independientes. Ejes en el hipercubo. Medidas Valores o indicadores a analizar. Datos asociados a relaciones entre los objetos del problema. Variables dependientes. Variables en la intersección de las dimensiones.

46 Medidas Aditivas, pueden ser sumarizadas a lo largo de cualquier dimensión. Ej: temperatura, que puede estar dada por las dimensiones estación, región y fecha. Semi aditivas, pueden no ser sumarizadas a lo largo de una o más dimensiones. Ej: nómina que puede estar dada por las dimensiones empleados y tiempo, pero no producto. No aditivas, no pueden sumarizarse a lo largo de ninguna dimensión. Ej: cantidad de producto, que únicamente puede estar dada por la dimensión producto.

47 Estructuras básicas En el ejemplo anterior: Dimensiones: Modelo Color Vendedor Fecha Medida: Cantidad Vendida

48 Dimensiones Jerarquías: Los valores se organizan en jerarquías (categorías). Por ejemplo: Dimensión: Vendedores

49 Dimensiones Jerarquías alternativas: Pueden haber varias jerarquías para una misma dimensión. Por ejemplo: Dimensión Vendedores: Región / Ciudad / Vendedor. Sexo / Rango_Edad / Vendedor.

50 Dimensiones Jerarquías Arbitrariamente Complejas Vendedor Año Fecha Región Semestre Trimestre Ciudad Mes Semana Vendedor Día

51 Medidas Propiedades: Se ubican en la intersección de algunos valores de las dimensiones. Dado un valor para cada dimensión se puede determinar un valor para la medida.

52 Medidas

53 Cubos La realidad se modela como un conjunto de cubos. Cada cubo, esta formado por: Un conjunto de Dimensiones organizadas en jerarquías. Un conjunto de Medidas asociadas a cada Coordenada. Es posible moverse en las jerarquías de las dimensiones y observar de esa forma, diferentes visiones de las medidas.

54 Ejemplo

55 Operaciones Principales operaciones en modelos MD: Slice. Dice. Rotación. Drill-down. Drill-up. Roll-up. Drill-across. Drill-through. Se implementan vía MDX, pero las mayoría de las herramientas de manejo de BI tienen facilidades tipo drag&drop para evitar la codificación

56 Operaciones: Slice Seleccionar Dimensiones (Slice) Se define un subconjunto del hipercubo especificando sobre qué dimensiones interesa analizar qué medida. Dimensión Medidas Colores Ventas Color Cantidad Modelos Modelo

57 Operaciones: Slice

58 Operaciones: Dice Filtrado (DICE) Se fijan valores para algunas dimensiones.

59 Operaciones: Rotación Rotación. Selecciona el orden de visualización de las dimensiones.

60 Operaciones: Drill-up, drill-down Movimientos en la Jerarquía de una Dimensión (Drillup,Drill-down)

61 Operaciones: Drill-up, drill-down Drill-Up o Drill-Down pueden verse como ajuste en las escalas de los ejes. Son agrupamientos y des-agrupamientos.

62 Operaciones: Roll-up Consolidación (Roll-Up). Calcula las medidas en función de agrupamientos. Realiza el re-cálculo de la medida de acuerdo a los ajustes de escala.

63 Operaciones: Roll-up Propiedades: Se debe especificar cuál es la operación que calcula el nuevo valor de la medida. Esta operación puede ser: suma, promedio, etc. Pueden haber medidas con comportamientos diferentes. Por ejemplo: Cantidades de productos vendidos se acumulan. Notas en exámenes se promedian.

64 Operaciones: Roll-up En general cualquier operación de navegación en un cubo implica un nuevo cálculo de la medida. Hay dos momentos posibles: Se asocia a la medida una operación por defecto. En el momento de hacer un movimiento en la dimensión se especifica cómo se hacen los cálculos.

65 Operaciones: Drill-Across Drill-Across Relaciona dos cubos.

66 Operaciones: Drill-Through Drill-Through. Accede a datos descriptivos

67 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

68 Desarrollo de un DW Cómo se hace?

69 Proceso de Desarrollo de un DW Componentes a desarrollar: Mecanismo de Adquisición de Datos Almacenamiento del DW Mecanismos de acceso para usuarios finales Para el DW Elegir Estrategia de Desarrollo Identificar Datos Fuentes a considerar Diseñar el DW a nivel Conceptual Diseñar el DW a nivel Lógico Implementar Planificar la Carga de Datos Operar

70 Desarrollo de un DW Integración Necesidades de Usuarios Bases de Datos Fuentes Esquema Integrado BD Fuentes E T L DW Esquema Lógico DW Esquema Conceptual del DW

71 El DW Tipo/s de DBMS. Relacional, Multidimensional, o ambos. Concepción del DW. Diseño e implementación de la carga. Administración del DW: Cómo describir y documentar los datos? Qué información hay que monitorear? Cómo organizar y realizar la administración del DW? Mediante qué tipo de herramientas?

72 DBMS para el Data Warehouse DBMSs Relacionales: Solución "universal". Soportan el grueso de las aplicaciones DW. Dificultades para resolver eficientemente consultas dimensionales. DBMSs Multi-Dimensionales: Representan los datos del problema en términos de dimensiones. Estructuras de almacenamiento están diseñadas para optimizar consultas dimensionales.

73 Diseño del Data Warehouse Elementos base: Las operaciones principales son consultas. La carga/actualización no es transaccional. Importancia de la calidad y facilidad de acceso. Por lo tanto El DW se construye en capas asignando propiedades a las tablas de cada una. Se suele des normalizar y materializar cálculos. En cuanto a complejidad El diseño del DW y programación de la carga constituyen las tareas más costosos y complejas.

74 El proceso de ETL BD Fuente ODS Data Warehouse Corporativo Data Marts Indicadores Agregados Históricos Datos Detallados Transformaci ones Datos preparados Datos homogeneizados Datos sin preparar Describen los otros datos Datos homogeneizados, integrados, preparar METADATA Datos más preparados y especializados

75 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

76 Diseño Lógico Cómo nos acercamos a la implementación?

77 Tablas de Hecho La tabla de hechos es la tabla primaria dentro de un modelo multidimensional, contiene los valores de las medidas de negocios, por ejemplo: ventas promedio, número de unidades vendidas, etc.

78 Tablas de Dimensiones Las tablas de dimensiones contienen el detalle de los valores que se encuentran asociados a la tabla de hechos. Generalmente tienen muchas columnas o atributos.

79 Esquemas de Representación Esquema Estrella Esquema Copo de Nieve

80 Esquema Estrella Compuesto de una tabla central con una clave primaria compuesta, denominada tabla de hechos, y un conjunto de dimensiones. Cada una de las tablas de dimensiones tiene una clave primaria que corresponde exactamente con uno de los componentes de la clave compuesta de la tabla de hechos. Las tablas de hechos, además de sus campos clave, contienen una o más medidas, indicadores o hechos. Las medidas más útiles en una tabla de hechos son numéricas y aditivas. En el modelo estrella las dimensiones no se normalizan. Con ello se logra minimizar el número de uniones y, por consiguiente, incrementar el rendimiento de las consultas.

81 Esquema Estrella

82 Esquema Copo de Nieve Derivado del esquema en estrella, en el que las tablas de dimensión se normalizan en múltiples tablas. La tabla de hechos deja de ser la única tabla del esquema que se relaciona con otras tablas, y aparecen nuevos joins gracias a que las dimensiones de análisis se representan ahora en tablas de dimensión normalizadas. En la estructura dimensional normalizada, la tabla que representa el nivel base de la dimensión es la que hace join directamente con la tabla de hechos. La diferencia entre ambos esquemas (estrella y copo de nieve) reside entonces en la estructura de las tablas de dimensión.

83 Esquema Copo de Nieve

84 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

85 Enfoques Diseño Conceptual Cómo podemos diseñar conceptualmente un DW?

86 Enfoques de Diseño Conceptual Análisis desde requerimientos: Los requerimientos son el universo de información. Las bases fuente se relacionarán luego. Aplicable cuando se tienen Bases Fuentes complejas. (Se analizan con los requerimientos en mente). Análisis desde datos: Datos fuentes son el universo de información. El DW se obtiene transformando las fuentes. Aplicable cuando los requerimientos están poco claros. Enfoque MDA Ortogonal a los enfoques previos Se basa en la transformación de modelos, ya sea desde los requerimientos o los datos fuentes Aún en desarrollo Alineamiento Estratégico

87 Estrategia Basada en Datos Método propuesto por Matteo Golfarelli Parte desde el MER y entrega un modelo de los cubos a implementar. Tiene un fuerte uso de los grafos y sus propiedades.

88 MER CAUSAL BECA (1,1) CRÉDITO (1,1) (1,1) tiene tiene tiene RAMO (1,n) Ramo_toma (0,n) (1,n) (0,n) ALUMNO (0,n) (1,1) tiene (1,1) INGRESO (1,n) (1,1) (0,1) pertenece Viene de tiene (1,n) (1,n) (1,1) MALLA COLEGIO TITULACIÓN

89 Cubo para una medida Medida o hecho de interés: Cantidad de años promedios que los alumnos demoran en salir de la Universidad. Dimensiones: Sexo, Colegio de procedencia, Zona de procedencia.

90 Construcción del árbol de atributos % BECA Año Créd. Especiales Créd. Electivos Id_Sem Sección Profesor Fecha vencimiento Cuidad Origen Genéro CRÉDITO Carrera Ptje. RAMO INGRESO Id. Sem MALLA ALUMNO RAMO Alumno Créd. Obligatorio Créditos Nota Individuo TITULACIÓN Id_sem CAUSAL COLEGIO Año Nota Estado Nombre Articulo Detalle Financiamiento Tipo Educ.

91 Poda y repoblación del árbol Promedio de años necesarios para Titularse Id_sem Puntaje Nota TITULACION Carrera INGRESO ALUMNO Id_sem Ciudad Género Género Titulación Nota de Titulación - Cantidad promedio de Años Puntaje de Entrada

92 Visión General MER Promedio de años necesarios para Titularse CAUSAL Puntaje Id_sem Carrera RAMO pertenece (1,1) (1,n) INGRESO (1,n) tiene Ramo_toma ALUMNO (0,n) (1,n) Género BECA tiene (0,n) ALUMNO (1,1) Viene de (1,1) Nota TITULACION (0,n) (1,1) (0,1) Id_sem Nota de Titulación tiene tiene tiene (1,1) Ciudad (1,1) CRÉDITO Género Titulación INGRESO - Cantidad promedio de Años MALLA (1,n) (1,n) COLEGIO Puntaje de Entrada (1,1) TITULACIÓN

93 Implementación Se eligió SQLServer + Analysis Services SQLServer tiene las tablas fuentes. Analysis Services tiene los cubos. Los cubos pueden ser exportados a aplicaciones de ofimática tales como Word o Excel.

94 El cubo en Analysis Services Promedio de años necesarios para Titularse Id_sem Puntaje Nota TITULACION Carrera INGRESO ALUMNO Id_sem Ciudad Género Género Titulación Nota de Titulación - Cantidad promedio de Años Puntaje de Entrada

95 Una visión de los datos

96 Centrada en los Requerimientos Metodología basada en el ciclo de desarrollo de software y BD tipico Lenguaje de Modelación CMDM (Carpani) Se centra en identificar qué se requiere, luego identifica dónde se encuentra la información necesaria. Si no está disponible, se deben desarrollar los sistemas OLTP que la gestionen.

97 Indicadores Para una Universidad

98 Diseño Lógico

99 Cruce de Dimensión

100 Observaciones En este caso se implementaron un conjunto de dashboards y otros reportes de gestión con indicadores relevantes para la gestión universitaria (se utilizó el software CorVu)

101 Agenda Inteligencia de Negocios: Pequeña Introducción Almacenes de Datos: Qué son? Modelos de Datos Multidimensionales: Qué se representa? Desarrollo de un DW: Cómo se hace? Diseño Lógico: Cómo nos acercamos a la implementación? Enfoques Diseño Conceptual: Cómo podemos diseñar conceptualmente un DW? Conclusiones

102 Conclusiones

103 Conclusiones DW es un elemento clave de cualquier sistema de análisis (BI) Es necesario comprender bien el negocio para desarrollar aplicaciones que sean útiles Perfil altamente demandado en Chile La implementación aún es inmadura Complejidades asociadas a la falta de metoldologías ampliamente aceptadas de diseño (ni lenguajes) Grandes volúmenes de información Costo alto Relevancia de procesos ETL

104 Desafíos Mejorar el proceso de desarrollo (MDA con UML?) Manejar información cualitativa en las medidas (FuzzyDW) Operar en un FuzzyDW Manejar información hetereogénea Proveer sistemas realmente usables, confiables y flexibles Mejorar los lenguajes de consulta (MDX)

105 Referencias

106 Referencias Kimball, R. (1997). The Data Warehouse Toolkit: Practical Techniques for Building Dimensional Data Warehouses. New York: John Wiley and Sons. Livingston, G. R. (1997). Database Design for Data Warehouses: The Basic Requirements. En H. E. R. Barquin, Planning and Designing the Data Warehouse. New Jersey: Prentice Hall. F. Carpani. CMDM: Un Modelo Conceptual para la Especificación de Bases de Datos Multidimensionales, Tesis para optar al grado de Maestría. Universidad de la República Uruguay URL:http://www.fing.edu.uy/inco/pedeciba/bibliote/te sis/tesis-carpani.pdf.

107 S. Chaudhuri, U. Dayal. An Overview of Data Warehousing and OLAP Technology SIGMOD Record, Vol. 26, pp , Pearson ISBN M. Golfarelli, D. Maio, S. Rizzi, The dimensional fact model: A conceptual model for data warehouses. International Journal of Cooperative Information Systems, Vol.7, Issue 3, pp , W. Inmon, Building the Data Warehouse. John Wiley & Sons, J-N. Mazón, J. Trujillo, An MDA approach for the development of data warehouses. Decision Support Systems Vol. 45, pp , 2008.

108 J-N. Mazón, J. Lechtenbörger, J. Trujillo: A survey on summarizability issues in multidimensional modeling. Data Knowl. Eng. Vol. 68. Issue 12, pp J. Trujillo, M. Palomar, J. Gómez., Il-Yeol Song, Designing Data Warehouses with OO Conceptual Models. IEEE Computer. Vol. 34, pp , 2001.

109 Muchas Gracias por su Atención

110

111

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

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

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

Modelos de Datos Multidimensionales. Qué se representa?

Modelos de Datos Multidimensionales. Qué se representa? Modelos de Datos Multidimensionales Qué se representa? Objetivos de los MMD: Representar los datos en forma cercana a la intuición del usuario. Resolver problemas planteados en sistemas relacionales. Características

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

Sistemas de Data Warehousing

Sistemas de Data Warehousing Federación Médica del Interior (FEMI) Sociedad Uruguaya de Informática en la Salud (SUIS) Información en Salud Edición 2009 Sistemas de Data Warehousing Dr. Ing. Adriana Marotta (In.Co - F.Ing - UDELAR)

Más detalles

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

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

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

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

Capítulo 2 Tecnología data warehouse

Capítulo 2 Tecnología data warehouse Capítulo 2 Tecnología data warehouse El objetivo de éste capítulo es mostrar la tecnología data warehouse (DW) como una herramienta para analizar la información. Este capítulo se encuentra organizado de

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

Fundamentos de la Inteligencia de Negocios

Fundamentos de la Inteligencia de Negocios Universidad Nacional de Salta Facultad de Ciencias Económicas, Jurídicas y Sociales Sistemas de Información para la Gestión Fundamentos de la Inteligencia de Negocios Administración de Bases de Datos e

Más detalles

Fundamentos de la Inteligencia de Negocios

Fundamentos de la Inteligencia de Negocios Sistemas de Información para la Gestión UNIDAD 2: Infraestructura de Tecnología de la Información Unidad 2 Infraestructura de Tecnología de la Información Estructura de TI y tecnologías emergentes. Estructura

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

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

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

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia Señor(a): CLIENTE Presente.- Santa Cruz, 14 Noviembre del 2012 REF.: COTIZACION ESPECIALISTA EN ANALISIS DE DATOS & INTELIGENCIA DE NEGOCIOS EN EXCEL 2007-2010 Distinguido Señores: Consultores en Tecnologías

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

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones 1. La Información: Propiedades de la Información. Sistemas de Información. Bases de Datos. 2. Administración

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

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

www.itconsulting.com.bo

www.itconsulting.com.bo Señor(a): Cliente Presente.- Santa Cruz, 23 de octubre del 2012 Distinguido Señores: REF.: COTIZACION CURSO BUSINESS INTELLIGENCE & DATAWAREHOUSE & CUBOS OLAP EN EXCEL 2010 Consultores en Tecnologías de

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

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

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

Business Intelligence. Octubre 2007 1

Business Intelligence. Octubre 2007 1 Business Intelligence 1 1. Introducción al Business intelligence Qué es? En qué nivel de negocio se aplica? 2. Componentes del BI Esquema de una solución BI DataWarehouse Query & Reporting OLAP Cuadro

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

Business Information Warehouse Manual SAP BW Business Information Warehouse

Business Information Warehouse Manual SAP BW Business Information Warehouse Manual SAP BW Business Information Warehouse Manual SAP BW / BI Business Information Warehouse Página 1 Confidencialidad Este documento es propiedad de E-SAP (CVOSOFT) por lo tanto, no podrá ser publicado

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

Comparing the MOLAP the ROLAP storage models

Comparing the MOLAP the ROLAP storage models REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 26 No.3, DICIEMBRE DE 2006 (135-142) Análisis del modelo de almacenamiento MOLAP frente al modelo de almacenamiento ROLAP Comparing the MOLAP the ROLAP storage models

Más detalles

UNIVERSIDAD NACIONAL DE INGENIERÍA CENTRO DE EXTENSIÓN Y PROYECCIÓN SOCIAL

UNIVERSIDAD NACIONAL DE INGENIERÍA CENTRO DE EXTENSIÓN Y PROYECCIÓN SOCIAL UNIVERSIDAD NACIONAL DE INGENIERÍA CENTRO DE EXTENSIÓN Y PROYECCIÓN SOCIAL AREA DE CURSOS DE ESPECIALIZACIÓN EN TECNOLOGÍAS DE LA INFORMACIÓN TALLER DE INVESTIGACION EN INTELIGENCIA DE NEGOCIOS CON LA

Más detalles

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE PRESENTACIÓN Ramón Díaz Hernández Gerente (1.990) Nuestro Perfil Inversión permanente en formación y nuevas tecnologías. Experiencia en plataforma tecnológica IBM (Sistema Operativo

Más detalles

SolucionesAnalíticas con Pentaho.

SolucionesAnalíticas con Pentaho. SolucionesAnalíticas con Pentaho. Objetivo Obtener experiencia práctica con los siguientes componentes de la plataforma Pentaho: Pentaho Data Integration (Kettle) Pentaho Analysis Services (Mondrian) Pentaho

Más detalles

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas para la Gestión Unidad 3 Aplicaciones de Sistemas U.N.Sa. Facultad de Cs.Económicas SIG 2010 UNIDAD 3: APLICACIONES DE SISTEMAS Aplicaciones empresariales: Sistemas empresariales. Sistemas de administración

Más detalles

Propuesta de un método para el diseño y modelado de una bodega de datos

Propuesta de un método para el diseño y modelado de una bodega de datos Propuesta de un método para el diseño y modelado de una bodega de datos José Hernando Bahamón L. Universidad Icesi jbahamon@icesi.edu.co Fecha de recepción: 15-4-2003 Fecha de aceptación: 25-8-2003 RESUMEN

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

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

BASES DE DATOS, MODELOS DE DATOS Y DBMS

BASES DE DATOS, MODELOS DE DATOS Y DBMS BASES DE DATOS, MODELOS DE DATOS Y DBMS Maestría en Bioinformática Marzo 2010 Bases de Datos Algunas definiciones: Bases de Datos y DBMS Procesos y Actores Involucrados Por qué usar DBMSs? Cuándo no usar

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

Operational Data Store (ODS)

Operational Data Store (ODS) Operational Data Store (ODS) Rosa María Castillo Div. de Servicios de Redes de Datos Telefónica I+D 28037 Madrid rmcc@tid.es Jesús Morata Div. DataWareHouse para Telefónica de España Telefónica I+D 28037

Más detalles

La metodología de Kimball para el diseño de almacenes de datos (Data warehouses)

La metodología de Kimball para el diseño de almacenes de datos (Data warehouses) Rivadera: La Metodología de Kimball para el Diseño de almacenes La metodología de Kimball para el diseño de almacenes de datos (Data warehouses) Gustavo R. Rivadera * grivadera@ucasal.net Resumen Los almacenes

Más detalles

BUSINESS INTELLIGENCE SYSTEMS (BIS)

BUSINESS INTELLIGENCE SYSTEMS (BIS) SEMINARIO BUSINESS INTELLIGENCE SYSTEMS (BIS) Una nueva filosofía de Management cuyo objetivo consiste en... Capturar, diseminar y reusar el conocimiento disperso que poseen las organizaciones y que junto

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

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

Estos documentos estarán dirigidos a todas las personas que pertenezcan a equipos de implementación de Oracle BI, incluyendo a:

Estos documentos estarán dirigidos a todas las personas que pertenezcan a equipos de implementación de Oracle BI, incluyendo a: Oracle Business Intelligence Enterprise Edition 11g. A lo largo de los siguientes documentos trataré de brindar a los interesados un nivel de habilidades básicas requeridas para implementar efectivamente

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

RECURSOS DE TI Aplicaciones - Bibliografía FUNDAMENTOS DE LA INTELIGENCIA DE NEGOCIOS

RECURSOS DE TI Aplicaciones - Bibliografía FUNDAMENTOS DE LA INTELIGENCIA DE NEGOCIOS Sistemas de Información para la Gestión UNIDAD 3: RECURSOS DE TECNOLOGÍA DE INFORMACIÓN Aplicaciones UNIDAD 2: RECURSOS DE TI Aplicaciones 1. Administración de bases de datos e información: Sistemas de

Más detalles

Presentación. Introducción. Carmen Gloria Wolff

Presentación. Introducción. Carmen Gloria Wolff Carmen Gloria Wolff Presentación En la edición anterior de Ingeniería Informática se comenzó una serie de artículos relacionados con la tecnología Datawarehousing, el primero de ellos "Tecnología Datawarehousing"

Más detalles

TECNOLÓGICAS EMPRESAS

TECNOLÓGICAS EMPRESAS SOLUCIONES TECNOLÓGICAS INTEGRALES PARA LAS EMPRESAS Por: Ivonne Rodríguez CONTENIDO 1. Problemas actuales en las empresas 2. Bussines Intelligence 3. Capa: Data Warehouse 4. Capa: BI en el campo empresarial

Más detalles

Capacitación SAP BW Plataforma Tecnológica Única

Capacitación SAP BW Plataforma Tecnológica Única Capacitación SAP BW Plataforma Tecnológica Única Noviembre, 2011 Agenda Presentación del Instructor e Integración Grupal Objetivos del Taller Qué es un Datawarehouse? Qué es SAP BW? Estructura / Capas

Más detalles

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS I. INFORMACIÓN GENERAL 1.1. Facultad : Ingeniería 1.2. Carrera Profesional : Ingeniería en Sistemas Computacionales 1.3. Departamento ------------------------------

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

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

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

SpagoBI Open Source Business Intelligence

SpagoBI Open Source Business Intelligence SpagoBI Open Source Business Intelligence La plataforma SpagoBI Open Source Business Intelligence Conceptos Inteligencia empresarial (Business Intelligence) es un agregado de aplicaciones y herramientas

Más detalles

Modelado dimensional de datos

Modelado dimensional de datos MODELADO DE DATOS DATA WAREHOUSE Ana María Bisbé York a.bisbe@danysoft.com, Servicios Profesionales sp@danysoft.com www.danysoft.com 18.04.2013 Temario Datawarehouse vs Transaccional Modelado dimensional

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

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

Bases de Datos multidimensionales para datos educacionales

Bases de Datos multidimensionales para datos educacionales Bases de Datos multidimensionales para datos educacionales Gabriel Poblete Cuadra poblete.cuadra@live.cl Carolina Zambrano Matamala Escuela de Ingeniería Universidad Católica del Norte Coquimbo,Chile.

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

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

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

Business Intelligence y Cuadro de Mando Integral: Herramientas para la Dirección Estratégica de las Organizaciones

Business Intelligence y Cuadro de Mando Integral: Herramientas para la Dirección Estratégica de las Organizaciones Business Intelligence y Cuadro de Mando Integral: Herramientas para la Dirección Estratégica de las Organizaciones Facultad de Ingeniería 2005 Cra. Isabel Rodríguez Ramos Ideasoft AGENDA: 1. Business Intelligence,

Más detalles

Título: Data Mart de Gestión Económico - Financiera de la Empresa de Proyectos de Arquitectura e Ingeniería (EMPAI).

Título: Data Mart de Gestión Económico - Financiera de la Empresa de Proyectos de Arquitectura e Ingeniería (EMPAI). Título: Data Mart de Gestión Económico - Financiera de la Empresa de Proyectos de Arquitectura e Ingeniería (EMPAI). Autoras: Ing. Gisel González Hidalgo-Gato. MSc Emma Rizo Rizo. Introducción La EMPAI,

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

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

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

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

Implementando un DataWarehouse.

Implementando un DataWarehouse. Página 1 de 8 Implementando un DataWarehouse. Carmen Wolff Comenzando A Construir Un DW. Para llevar a cabo con éxito un proyecto Datawarehouse, es vital considerar al inicio de su construcción tres factores

Más detalles

Por qué DW y DM? Data Warehouse and Data Mining. Información en las empresas. Data Warehouse

Por qué DW y DM? Data Warehouse and Data Mining. Información en las empresas. Data Warehouse Data Warehouse and Data Mining José A. Royo http://www.cps.unizar.es/~jaroyo email: joalroyo@unizar.es Departamento de Informática e Ingeniería de Sistemas Por qué DW y DM? Mayor poder de procesamiento

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

Tecnologías de Información y Comunicación II CLASE 10

Tecnologías de Información y Comunicación II CLASE 10 Tecnologías de Información y Comunicación II CLASE 10 Medidas Una medida es un tipo de dato cuya información es usada por los analistas (usuarios) en sus consultas para medir la perfomance del comportamiento

Más detalles

SQL Server 2014 Implementación de una solución de Business Intelligence (SQL Server, Analysis Services, Power BI...)

SQL Server 2014 Implementación de una solución de Business Intelligence (SQL Server, Analysis Services, Power BI...) Prólogo 1. A quién se dirige este libro? 15 2. Requisitos previos 15 3. Objetivos del libro 16 4. Notación 17 Introducción al Business Intelligence 1. Del sistema transaccional al sistema de soporte a

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

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

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

Dirección General de Educación Superior Tecnológica

Dirección General de Educación Superior Tecnológica Dirección General de Educación Superior Tecnológica 1. Datos Generales de la asignatura Nombre de la asignatura: Clave de la asignatura: Créditos (Ht-Hp_ créditos): Carrera: Tópicos avanzados de bases

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

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

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

UNIVERSIDAD SIMÓN BOLÍVAR

UNIVERSIDAD SIMÓN BOLÍVAR UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS PROFESIONALES COORDINACIÓN DE INGENIERÍA DE COMPUTACIÓN DISEÑO Y DESARROLLO DE SISTEMA DE INTELIGENCIA DE NEGOCIOS EN EL SECTOR FINANCIERO Por: Daniel Alejandro

Más detalles

Diseño de un Almacén de datos basado en Data Warehouse Engineering Process (DWEP) y HEFESTO

Diseño de un Almacén de datos basado en Data Warehouse Engineering Process (DWEP) y HEFESTO Diseño de un Almacén de datos basado en Data Warehouse Engineering Process (DWEP) y HEFESTO Castelán García Leopoldo, Ocharán Hernández Jorge Octavio Maestría en Ingeniería de Software, Facultad de Estadística

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

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

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

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

MODELO DIMENSIONAL DE BODEGAS DE DATOS ADAPTABLE A EMPRESAS MIPYMES DE VENTAS AL DETAL

MODELO DIMENSIONAL DE BODEGAS DE DATOS ADAPTABLE A EMPRESAS MIPYMES DE VENTAS AL DETAL MODELO DIMENSIONAL DE BODEGAS DE DATOS ADAPTABLE A EMPRESAS MIPYMES DE VENTAS AL DETAL 1 Ing. Ingrid Paola Solano Benítez¹ Mg. Martha Eliana Mendoza Becerra² ¹ Docente Tiempo Completo, Facultad de Ingeniería,

Más detalles

IWG-101: Introducción a la Ingeniería. Departamento de Informática, UTFSM 1

IWG-101: Introducción a la Ingeniería. Departamento de Informática, UTFSM 1 IWG-101: Introducción a la Ingeniería Departamento de Informática, UTFSM 1 Gestión de Bases de Datos Gestión de Bases de Datos Base de datos una colección de datos relacionados organizados de manera de

Más detalles

DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España

DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España DATATUR Almacén de Datos para el Análisis y Difusión de la Información Estadística del Turismo en España Jorge Rubio Navarro 1 José Manuel Salinas 2 1. Subdirector General Adjunto de Promoción Turística

Más detalles

APOYO PARA LA TOMA DE DECISIONES

APOYO PARA LA TOMA DE DECISIONES APOYO PARA LA TOMA DE DECISIONES Cátedra: Gestión de Datos Profesor: Santiago Pérez Año: 2006 Bibliografía: Introducción a las Bases de Datos. DATE - 1 - 1. INTRODUCCION APOYO PARA LA TOMA DE DECISIONES

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

Fundamentos de Data Warehouse

Fundamentos de Data Warehouse Mendez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R. Centro de Actualización Permanente en Ingeniería del Software Escuela de Postgrado Instituto Tecnológico de Buenos Aires Av. Eduardo Madero 399

Más detalles

Monitoreo de la estrategia de una casa de empeño utilizando una herramienta de inteligencia de negocios

Monitoreo de la estrategia de una casa de empeño utilizando una herramienta de inteligencia de negocios Monitoreo de la estrategia de una casa de empeño utilizando una herramienta de inteligencia de negocios Marcelo Mejía, Alejandra Barrera, Mario Ríos, Carlos Piedra Instituto Tecnológico Autónomo de México,

Más detalles

ALMACENES PARA GESTIÓN MASIVOS.... ALMACENES PARA GESTIÓN MASIVOS 1 ALMACENES PARA GESTIÓN MASIVOS 2 EL OBJETIVO ES EL ANÁLISIS PARA EL SOPORTE EN LA TOMA DE DECISIONES. GENERALMENTE, LA INFORMACIÓN QUE

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

La Base de Datos OLAP Analysis Services (SSAS) Agenda. Agenda. Construyendo una Solución de BI paso a paso con SQL Server 2005

La Base de Datos OLAP Analysis Services (SSAS) Agenda. Agenda. Construyendo una Solución de BI paso a paso con SQL Server 2005 Construyendo una Solución de BI paso a paso con SQL Server 2005 La Base de Datos OLAP Analysis Services (SSAS) Ing. José Mariano Alvarez Jose.Mariano.Alvarez@SqlTotalConsulting.com Agenda Por qué Analysis

Más detalles

DESARROLLO DE UNA SOLUCIÓN DE INTELIGENCIA DE NEGOCIO PARA EL APOYO A LA TOMA DE DECISIONES EN EL ÁREA VENTAS DE EMPRESAS DEL SECTOR SALUD

DESARROLLO DE UNA SOLUCIÓN DE INTELIGENCIA DE NEGOCIO PARA EL APOYO A LA TOMA DE DECISIONES EN EL ÁREA VENTAS DE EMPRESAS DEL SECTOR SALUD UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE CIENCIAS ESCUELA DE COMPUTACIÓN CENTRO DE INVESTIGACIÓN DE SISTEMAS DE INFORMACIÓN DESARROLLO DE UNA SOLUCIÓN DE INTELIGENCIA DE NEGOCIO PARA EL APOYO A LA

Más detalles

Bases de Datos Masivas

Bases de Datos Masivas Bases de Datos Masivas Data Warehouse Bases de Datos Multidimensionales Banchero, Santiago Septiembre 2015 Concepto de DW. Definición según W. H. Inmon: A data warehouse is a subject-oriented, integrated,

Más detalles