Grandes de Bases de Datos. Almacenes de Datos (DW) e Inteligencia de negocios IN (BI)
|
|
- Emilio Lozano Palma
- hace 7 años
- Vistas:
Transcripción
1 Grandes de Bases de Datos Almacenes de Datos (DW) e Inteligencia de negocios IN (BI)
2 Qué es Inteligencia de Negocios? Las TI permiten la toma de decisiones basadas en procesos de análisis sobre datos simples o complejos Administración de BD Consultas y reportes Análisis de datos y simulaciones Paneles Minería de datos
3 Por qué IN (BI)? Proyectar la dirección de las organizaciones a un nivel de administración superior Toma de decisiones con mejor información Análisis competitivos Estrategias de publicidad enfocadas Escenarios y predicciones de negocios Optimización en operación Cumplimiento con regulaciones
4 Se usa la BI realmente? Desde 2009 Existen sistemas que integran procesos de toma de decisiones de manera colaborativa dentro de plataformas BI Desde el 2010 El 20% de las organizaciones contaba con una aplicación analítica específica de la industria, entregada a través de software como servicio (SaaS) como un componente estándar de su cartera de BI
5 Se usa la BI realmente? Para 2012 Más del 35% de las empresas globales no toman decisiones adecuadas sobre cambios significativos en sus negocios y mercados (o hacen decisiones no adecuadas). Las unidades de negocio controlarán al menos el 40% del presupuesto total de BI Una tercera parte de aplicaciones analíticas aplicadas a procesos de negocio se entregarán mediante aplicaciones genéricas (no desarrollos específicos)
6 Conocimientos y habilidades Conocimiento de BD y almacenes de datos (DWH) Administrar, integrar y probar sistemas de BD Administrar sistemas de reportes Implementar políticas, requerimientos de seguridad y regulaciones
7 Elementos de BI Almacenamiento Almacenes de datos Análisis Estadística Minería de datos Presentación Visualización
8 Almacenes de datos Conceptos básicos Arquitecturas Data Marts Estructuras de datos y flujo de datos Modelado dimensional Extracción, limpieza, congregación y entrega de datos Generación y entrega de reportes Monitoreo y verificación de desempeño
9 Almacenes de datos Un Data Warehouse (DW - almacén de datos), generaliza y consolida datos en espacios de múltiples dimensiones.
10 Almacenes de datos La construcción de un DW incluye limpieza, transformación e integración de los datos
11 Almacenes de datos Proveen herramientas de proceso analítico en línea (OLAP) para el análisis interactivo de datos de múltiples dimensiones en varias granularidades. Facilita la generalización efectiva de los datos y la minería de datos. En conjunto con operaciones OLAP, tenemos funciones de minería de datos como clasificación, predicción, asociación y cúmulos.
12 Almacenes de datos Uso de datos concentrados según área
13 Definición El término de Data Warehouse se dio a conocer en el artículo "An architecture for a business and information system" en El término que se empleo en tal artículo fue "Business Data Warehouse" el cuál propone un repositorio de datos y herramientas para su uso.
14 Definición Base de datos de soporte de decisiones que se mantiene separada de las bases de datos operacionales de la organización en cuestión. Un almacén de datos es una colección de datos Orientada a un objetivo Integrada Variante en el tiempo No volátil utilizada principalmente en la organización para la toma de decisiones [1] [1] William H. Inmon
15 Orientado a Objetivo Organización de los datos en objetos mejor definidos. Exclusión de los datos que no son útiles en el proceso. Enfoque en el modelado y análisis de datos para los encargados de decisiones. $
16 Integrados Múltiples fuentes de datos heterogéneas. Pre-procesamiento de datos
17 Variante en tiempo El horizonte de datos es mayor que una BD operacional Cada elemento contiene una referencia al tiempo, explicita o implícitamente. (aunque no necesariamente el elemento principal)
18 Almacenamiento físico distinto del ambiente operacional Actualizaciones operacionales no se reflejan en el ambiente del DW Procesamiento de transacciones? Recuperación? Concurrencia? Dos actividades: Carga inicial Acceso a datos No volátil
19 Diferencias entre Sistemas Operacionales de Bases de Datos y Data Warehouse Transacción y procesamiento de consultas. Esos sistemas son conocidos como sistemas de procesamiento de transacciones en línea (OLTP). Cubren la mayor parte de las operaciones diarias de una organización, tales como venta, inventario, etc.
20 Diferencias entre Sistemas Operacionales de Bases de Datos y Data Warehouse Sirven a los usuarios o trabajadores del conocimiento en el papel de análisis de datos y toma de decisiones. Pueden organizar y presentar los datos en varios formatos de tal forma que se acomoden a las necesidades de los diferentes usuarios. Estos sistemas son conocidos como sistemas de procesamiento analítico en línea (OLAP).
21 OLTP vs OLAP Característica OLTP OLAP Funcionalidad Operación diaria Diseño Datos Orientado a la aplicación - Relacional Actualizados, aislados, no repetidos Soporte de Decisiones Orientado a objetivos - Estrella, copo de nieve Históricos, consolidados Vista Detallada, plana relacional Resumida, múltiples dimensiones Uso Estructurado, repetitivo Ad Hoc Unidad Transacciones simples Consultas complejas Acceso Lectura/Escritura Lectura Registros Millones Billones Tamaño BD 100GB/1000GB 1TB/1000TB Métrica "Throughput" de transacciones "Response" de consultas
22 Dónde debe encontrarse?
23 Dónde debe encontrarse?
24 Dónde debe encontrarse?
25 Dónde debe encontrarse? Desempeño BD operaciones diseñadas y optimizadas para cargas de trabajo distintas Consultas OLAP complejas degradan el desempeño (bloqueos, etcétera) Organización de datos especial que permite: Métodos de acceso y de implementación para datos de múltiples dimensiones Vistas y consultas de datos de múltiples dimensiones
26 Dónde debe encontrarse? Funcionalidad Datos faltantes: Requieren datos históricos, que generalmente no mantienen las BD operacionales Consolidación de datos: Requieren consolidación (agregación, resúmenes) de datos - múltiples fuentes de datos externas Calidad de Datos: Necesidad de procesamiento previo a los datos
27 DW y herramientas OLAP están basadas en un modelo de datos multidimensional tiendaweb: Modelo de datos de múltiples Se han vendido $120,000 dimensiones Se han vendido $120,000 durante el último trimestre Se han vendido $120,000 en DVD s durante el último trimestre Se han vendido $120,000 en DVD s durante el último trimestre en la ciudad de Monterrey Cada elemento, agrega valor al contexto de enunciado inicial
28 Modelo de datos de múltiples DW y herramientas OLAP están basadas en un modelo de datos multidimensional TABLA DE HECHOS dimensiones Nombres de hechos, medidas, llaves a otras tablas de dimensión Medidas numéricas: Unidades vendidas, dinero, etcétera. Modelo más común en DW
29 Modelo de datos de múltiples DW y herramientas OLAP están basadas en un modelo de datos multidimensional TABLA DE DIMENSION dimensiones Representa información contextual al hecho y agrega significado Ayuda al análisis desde distintos puntos de vista sobre los hechos Se organiza en forma de atributos y jerarquías
30 Modelo de datos de múltiples dimensiones Los datos se encuentran organizados en múltiples dimensiones y cada dimensión contiene múltiples niveles de abstracción definidos por jerarquías de conceptos. Ejemplo?
31 Modelo de datos de múltiples dimensiones Los datos se encuentran organizados en múltiples dimensiones y cada dimensión contiene múltiples niveles de abstracción definidos por jerarquías de conceptos. Ejemplo?
32 Modelo de datos de múltiples dimensiones Los datos se encuentran organizados en múltiples dimensiones y cada dimensión contiene múltiples niveles de abstracción definidos por jerarquías de conceptos. Esta organización provee a los usuarios de la flexibilidad de analizar los datos desde distintas perspectivas. Existen un número de operaciones de cubo OLAP para materializar esas diferentes vistas, permitiendo consultas interactivas y análisis de los datos.
33 De tablas a cubos tiendaweb Venta de varios productos Según clasificación de producto Según el color, tamaño o el peso del producto. Venta durante varios años Por años, meses, días Venta hacia clientes en distintos lugares Por Zona, País, Ciudad, Localidad. Venta mediante varios tipos de formas de pago Venta por detalles del cliente Según su grado escolar, numero de hijos, etcétera.
34 De tablas a cubos Dimensiones: Tiempo, Producto
35 Cubos de datos en 3D Italia Mexico Francia China Dimensiones: Tiempo, Producto, Localidad
36 Cubos de datos en 3D Italia Mexico Francia China Dimensiones: Tiempo, Producto, Localidad
37 Cubos de datos en 3D Dimensiones: Tiempo, Producto, Localidad
38 Cubos de datos en 4D Forma de Pago Visa MasterCard American Express Dimensiones: Tiempo, Producto, Localidad, Forma de Pago
39 Modelo multidimensional Conjunto de HECHOS en un espacio de múltiples dimensiones. Un hecho, contiene: Una dimensión de métrica Un conjunto de dimensiones en las cuales se analizan los datos. Conforman un sistema de coordenadas y cada dimensión tiene un conjunto de atributos. Los atributos de una dimensión se encuentran relacionados por un orden parcial Jerárquico.
40 Modelo multidimensional Un modelo relacional no-normalizado Compuesto de tablas con atributos. Relaciones definidas por llaves foráneas. Organizado para su comprensión y facilidad para hacer análisis, en lugar de actualizaciones. Consultado y mantenido por SQL o herramientas administrativas de propósito especial
41 ER vs Modelo multidimensional Una tabla por entidad Minimizar redundancia de datos Optimizado para la actualización Modelo de procesamiento de transacciones Una tabla de hechos para organizar los datos Maximizar comprensión Optimizado para acceso Modelo de almacenes de datos
42 Tabla de hechos Contiene varias llaves foráneas Tiende a contener bastantes registros Hechos útiles tienden a ser numéricos y aditivos Atributos No-llave (Los atributos en las tablas de dimensión son constantes. Los hechos varían con la granularidad de la tabla de hechos). Lo que se mide
43 Tablas de dimensión Contienen texto e información descriptiva Una tabla (o jerarquía de tablas) conectada(s) con una tabla de hechos mediante llaves y llaves foráneas. Valores univaluados para cada registro de la tabla de hechos (1 en una relación 1-M). Generalmente, la fuente de restricciones de interés. Las características
44 Medida La información contenida en la tabla de hechos, debe ser ponderada Una medida es cualquier valor o cantidad que representa un métrica alienada a la organización Se utilizan intercambiablemente hecho, medida o métrica Un grupo de medidas es una colección de medidas asociadas a una tabla de hechos
45 Los tipos básicos son: Hechos totalmente aditivos Se pueden calcular para todas las dimensiones asociadas Ejemplo: Total de ventas para clientes, localidades y fechas Hechos semi aditivos Medida Se pueden calcular para algunas de las dimensiones asociadas. Ejemplo: El balance bancario de un cliente NO se puede calcular en la dimensión de fecha de manera aditiva
46 Los tipos básicos son: Hechos no aditivos No se pueden calcular para ninguna de las dimensiones asociadas (se carece de sentido) Ejemplo: Ganancia porcentual del producto no se puede adicionar en la dimensión de tiempo Hechos derivados Medida Se calculan a base de otros hechos Generalmente no se almacenan en el cubo, se calculan al vuelo Ejemplo: Impuestos sobre ventas para dimensión de tiempo
47 Los tipos básicos son: Hechos sin métrica No infieren información que modificar en la tabla de hechos, pero se requieren para su análisis Ejemplo: Solicitar un balance de cuenta en cajero automático Hechos textuales Medida Es información no numérica que no es medible pero se requiere para el análisis Ejemplo: Códigos de productos, banderas de estatus, etc.
48 Qué hacer desde el modelo Relacional? En la mayoría de los casos, se crean múltiples índices y tablas de resumen para evitar recorridos constantes (el costo de E/S) sobre grandes tablas. La proliferación de estos elementos para mejorar el desempeño de consultas y agregaciones que los usuarios realizan, no hace sino incrementar el tiempo de creación y espacio en disco utilizado para ello. Generalmente requiriendo más tiempo y espacio que los datos originales.
49 Identificar la estructura de los datos, atributos y restricciones para el ambiente que manejaran los clientes dentro del almacén de datos Estable Optimizado para consultar Flexible Desventajas Desempeño Complejo Inflexible Modelo de negocio
50 Proceso de diseño Elección del "Data Mart. Definición de la granularidad. Elección de las dimensiones. Elección de los hechos.
51 Proceso de diseño Enfoque de arriba abajo Los problemas a ser resueltos están claros y bien entendidos, tecnología disponible Enfoque de abajo arriba El desarrollo de la tecnología en curso con uso de prototipos Combinación de ambos Utiliza el enfoque de arriba abajo y el uso oportunista de abajo - arriba
52 En un inicio: Instalación Despliegue Entrenamiento Orientación Proceso de diseño
53 En la administración Proceso de diseño Refresco Sincronización Recuperación de desastres Control de acceso y seguridad Crecimiento Mejoramiento
54 Construir un DW a partir de un BD Desarrollar un modelo E/R del DW. Trasladarlo a un modelo de múltiples dimensiones. (Este paso refleja las características analíticas y la información del DW. Trasladar a un modelo físico (Esto refleja los cambios necesarios para alcanzar los objetivos de desempeño)
55 Modelado multidimensional Seleccionar una entidad asociativa como tabla de hechos. Determinar la granularidad. Remplazar llaves con llaves generadas. Promover las llaves de todas las jerarquías hacia la tabla de hechos.
56 Modelado multidimensional Tomar la intersección de las entidades como tablas de hechos y construir las relaciones llaves foráneas llaves primarias, como dimensiones. Agregar datos de dimensión. Dividir todos los atributos compuestos. Agregar dimensiones categóricas necesarias Hechos (Varían con el tiempo) / Atributos (Constante)
57 Granularidad La granularidad <- -> nivel de detalle. Por ejemplo: Transacciones individuales. Instantáneas (puntos en el tiempo). Elementos en un documento Generalmente mejor enfocar en granularidad pequeña.
58 Ejemplo
59 Ejemplo
60 Esquema en estrella Estrella Tabla central llamada tabla de hechos, sin redundancias Un juego de tablas mas pequeñas llamadas tablas de dimensión Cada dimensión esta representada por una sola tabla con atributos propios
61 Esquema en estrella
62 Esquema en copo de nieve Copo de nieve Algunas tablas de dimensión están normalizadas, permitiendo la división en tablas adicionales Tablas de dimensión normalizadas que evitan redundancia y ahorran espacio Más reuniones (JOIN) para encontrar los datos
63 Esquema en copo de nieve
64 Detalles del diseño Llaves primarias y subrogadas?
65 Detalles del diseño Primaria: Identifica un registro y tiene un significado dentro del contexto del negocio Ejemplo: Número de incidente, número de seguridad social, correo electrónico, etcétera. Puede ser numérica, cadena o combinación, pero las reuniones son más lentas
66 Detalles del diseño Primaria: Ocupa más espacio No permite el mantenimiento de un historial Qué sucede si un cambio en los datos del cliente se realiza? La fusión de varias fuentes es más compleja
67 Detalles del diseño Subrogada: Identifica un registro y NO tiene un significado dentro del contexto del negocio Ejemplo: nidalgo, Unique identifier, secalgo, etcétera. Es numérica y las reuniones son más rápidas
68 Detalles del diseño Subrogada : Ocupa menos espacio Permite el mantenimiento de un historial La fusión de varias fuentes es más sencilla
69 Ejemplos
70 Almacenamiento OLAP A. OLAP Relacional (ROLAP) SMBDR especializado para almacenar y administrar datos de DW B. OLAP Multidimensional (MOLAP) Estructuras basadas en arreglos y cubos C. OLAP Hibrido (HOLAP) Almacenamiento detallado en SMBDR Almacenamiento de agregaciones en SMBDM Acceso vía herramientas MOLAP
71 ROLAP: Modelado multidimensional usando un SMBDR Esquemas especiales: star, snowflake Índices especiales: bitmap, columnas Tecnología probada, supera en rendimiento a sistemas especializados con grandes conjuntos de datos
72 Puntos sobre ROLAP Define modelado complejo usando conceptos sencillos Reduce el numero de reuniones necesarias Permite evolucionar al DW con poco mantenimiento Contiene datos de resumen y detallados. ROLAP se basa en tecnologías probadas y con una fuerte base.
73 Puntos sobre ROLAP Pero!!! Usa SQL para manipulaciones de múltiples dimensiones. GROUP BY WITH CUBE, WITH ROLLUP GROUPING SETS
74 MOLAP: Modelo multidimensional puro Modelo de datos especifico Los hechos se almacenan en arreglos multidimensionales Dimensiones usadas en índices Generalmente sobre BD relacionales
75 Puntos sobre MOLAP Consolidar los datos de transacciones mejora la velocidad. PERO Requiere una sobrecarga enorme la consolidación de todos los datos entrantes. En procesamiento como en almacenamiento Si los datos son menores a 50GB, es buen modelo de datos. Rolling up y Drilling down se realiza sobre los datos agregados.
76 OLAP Hibrido (HOLAP) Almacenamiento detallado en SMBDR Almacenamiento de agregaciones en SMBDM Acceso vía herramientas MOLAP
77 Flujo de datos en HOLAP SMBDR SMBDM Clientes Meta datos Datos calculados SQL
78 Elementos a considerar para elegir Desempeño: Qué tan rápido es necesario? MOLAP se desempeña mejor. Volumen de datos y escalabilidad: MOLAP manejan fácilmente 50GB, pero los SMBDR van hacia gigabytes.
79 Métricas, categorización y computo Es una función que puede ser evaluada en cada punto del espacio del cubo. Distributivas: count() Algebraicas: avg() Estadísticas: median() mode()
80 Operaciones multidimensionales Para qué son útiles las Jerarquías de Concepto en OLAP? Drill-Down Roll-Up Slice & Dice Pivot
81 Operaciones multidimensionales Drill-Down Forma de Pago Visa MasterCard American Express Dimensiones: Tiempo, Producto, Localidad, Forma de Pago
82 Operaciones multidimensionales Roll-Up Forma de Pago Visa MasterCard American Express Dimensiones: Tiempo, Producto, Localidad, Forma de Pago
83 Operaciones multidimensionales Slice & Dice Dimensiones: Tiempo, Producto, Localidad
84 Operaciones multidimensionales Slice & Dice Dimensiones: Tiempo, Producto, Localidad : Localidad = {Verde}
85 Operaciones multidimensionales Slice & Dice Dimensiones: Tiempo, Producto, Localidad : Producto = {BR}
86 Operaciones multidimensionales Slice & Dice Dimensiones: Tiempo, Producto, Localidad : Tiempo = {2000}
87 Operaciones multidimensionales Pivot Dimensiones: Tiempo, Producto, Localidad
88 Arquitectura de un DW Enfoques en la elaboración de DW Top-down Data source Data warehouse Business
89 Arquitectura de un DW A tomar en consideración: Extractores Software de actualización Transformación de datos para la Toma de decisiones Capacidad de búsqueda de patrones y anomalías
90 Arquitectura de un DW
91 Arquitectura de un DW
92 Arquitectura de un DW Ambientes transaccionales que alimentan los repositorios
93 Arquitectura de un DW Servidores intermedios que procesan los datos y posiblemente los limpian
94 Arquitectura de un DW Servidores OLAP a)olap Relacional (ROLAP) b) Multidimensional (MOLAP) c) Híbrido
95 Arquitectura de un DW Herramientas de consulta y de reporte además de herramientas de análisis y/o de minería de datos.
96 Clasificación de tipos de DW Warehouse enterprise: Recolecta toda la información sobre los temas de la organización. Provee de integración de datos a lo largo de la corporación. También incluye datos detallados, datos resumidos y su alcance va de unos cuantos gigabytes hasta terabytes o más.
97 Clasificación de tipos de DW Data mart: Contiene un subconjunto de datos corporativos que es de valor a un grupo específico de usuarios. El alcance es confinado a una selección específica de temas. Los datos tienden a ser resumidos. Dependientes Independientes
98 Clasificación de tipos de DW Virtual Warehouse: es un conjunto de vistas sobre una base de datos operacional.
99 Implementación de un DW
100 Calculo eficiente de cubos Computo eficiente de agregaciones a través de muchos conjuntos de dimensiones. En términos SQL estas agregaciones se llaman group-by s. Cada group-by puede ser representado por un cuboide, donde el conjunto de group-by s forma un enrejado de cuboides, definiendo un cubo de datos. Un cubo de datos es un enrejado de cuboides.
101 La maldición de la dimensionalidad Calcula agregados sobre todos los subconjuntos de las dimensiones especificadas en la operación.
102 Ejemplo: Supongamos que queremos calcular un cubo para tiendaweb con las dimensiones: ciudad, producto, año y el hecho: ventas. Queremos analizar los datos con consultas como: Calcular la suma de ventas, agrupando por ciudad y producto. Calcular la suma de ventas, agrupando por ciudad. Calcular la suma de ventas, agrupando por producto.
103 Ejemplo: Tomamos ciudad, producto y año como dimensiones del cubo de datos y ventas como la medida. El total de group-by s que podemos calcular es: 2 3 =8 {(ciudad; producto; año), (ciudad; producto), (ciudad; año), (producto; año), (ciudad), (producto), (año), ()} El cuboide base contiene tres dimensiones. Menos generalizado (más especifico) El cuboide cima ó 0-D es el caso donde el group-by es vacío. Mas generalizado (menos especifico)
104 (ciudad) (producto) (año) (ciudad, año) (ciudad, producto) Un Para operador un cubo en con el n cubo dimensiones, n dimensiones hay un (producto, total es de año) 2 n equivalente cuboides, incluyendo a una colección el cuboide group-by s, base uno por cada subconjunto de las n dimensiones. Por lo tanto, el operador en el cubo es la generalización n-dimensional (ciudad, producto, año) del operador group-by.
105 La maldición de la dimensionalidad Si no hay jerarquías asociadas con cada dimensión, entonces el numero total de cuboides para un cubo de datos n-dimensional es 2 n. Los requisitos de almacenamiento son excesivos cuando muchas de las dimensiones han asociado jerarquías de concepto, cada una con niveles múltiples. Para un cubo de datos n-dimensional el numero total de cuboides que puede ser generado (incluyendo los cuboides generados por las jerarquías) es:
106 Calculo eficiente de cubos Numero de cuboides n i 1 ( Li 1) L i es el numero de niveles asociado con una dimensión i. Esta formula se basa en el hecho de que a lo mas un nivel de abstracción en cada dimensión aparecerá en un cuboide. Se suma 1 a la ecuación para incluir el nivel 0-D.
107 Calculo eficiente de cubos Si hay muchos cuboides y éstos son grandes en tamaño, una opción mas razonable es la materialización parcial, esto es, materializar solo algunos de los posibles cuboides que pueden ser generados.
108 Calculo eficiente de cubos Hay tres opciones para la materialización de un cubo de datos dado un cuboide base. 1. No materialización: No pre-calcular los cuboides no base. Esto conduce a calcular los agregados multidimensionales costosos lo cual puede ser extremadamente lento. (ciudad) (producto) (año) (ciudad, producto) (ciudad, año) (producto, año) (ciudad, producto, año)
109 Calculo eficiente de cubos 2. Materialización completa: Pre-calculo de todos los cuboides. El enrejado resultante de calcular los cuboides es llamado cubo completo. Esta opción comúnmente requiere enormes cantidades de espacio en memoria para almacenar todos los cuboide pre-calculados. (ciudad) (producto) (año) (ciudad) (producto) (año) (ciudad, producto) (ciudad, año) (producto, año) (ciudad, producto) (ciudad, año) (producto, año) (ciudad, producto, año) (ciudad, producto, año)
110 Calculo eficiente de cubos 3. Materialización parcial: Calcular selectivamente un subconjunto propio de los cuboides posibles. Calcular un subconjunto del cubo, el cual contiene solo aquellas celdas que satisfacen algunos criterios especificados por el usuario. Esta materialización representa una compensación entre el espacio de almacén y el tiempo de respuesta. (ciudad) (producto) (año) (ciudad) (producto) (año) (ciudad, producto) (ciudad, año) (producto, año) (ciudad, producto) (ciudad, año) (producto, año) (ciudad, producto, año) (ciudad, producto, año)
111 Calculo eficiente de cubos La materialización parcial de cuboides o de sub-cubos debe considerar tres factores: 1. Identificar el subconjunto de cuboides o sub-cubos para materializar. 2. Aprovechar los cuboides o sub-cubos materializados durante el proceso de consultas. 3. Actualizar eficientemente los cuboides o sub-cubos materializados durante la carga y refresco
112 Índices en ambientes OLAP El indexado en bitmap permite una búsqueda rápida en cubos de datos. Para un atributo dado, hay un vector de bits distinto, B v, para cada valor v en el dominio del atributo. Si el dominio de un atributo dado consiste de n valores, entonces son necesarios n bits para cada entrada en el índice del bitmap (es decir, hay n vectores de bits).
113 Índices en ambientes OLAP Cliente ID ColorFavorito Pais 1 Rojo MX 2 Verde UK 3 Azul JP 4 Morado MX 5 Azul MX 6 Verde US 7 Azul US 8 Rojo UK 9 Verde MX IndiceBM1 ID Rojo Verde Azul Morado IndiceBM2 ID MX US UK JP
114 Índices en ambientes OLAP Ventaja Útil para dominios de baja cardinalidad porque las operaciones de comparación, unión y agregación son reducidas a aritmética de bits, lo cual reduce substancialmente el tiempo de procesamiento. Acelera operaciones de reunión y de unión Ideal para llaves foráneas y primarias entre tablas de hechos y de dimensión Desventaja Para dominios de cardinalidad alta, el método puede ser adaptado usando técnicas de compresión.
115 Índices en ambientes OLAP El indexado por columna Considera un nuevo paradigma de almacenamiento para los datos No es exclusivo de modelos de múltiples dimensiones Permite una mejora tanto en velocidad como almacenamiento No permite actualizaciones inmediatas
116 Índices en ambientes OLAP Cliente ID Nombre ColorFavorito Pais Ap_PaT 1 Hugo Rojo MX Abundes 2 Paco Verde UK Azul 3 Luis Azul JP Cruz 4 Hugo Morado MX Bejenta 5 Ana Azul MX Berrulio 6 Silvia Verde US Cadiz 7 Carmen Azul US Santa 8 Ana Rojo UK Villa 9 Hugo Verde MX Perez Encabezado (96 bytes) Nombr 1 Datos Nombr 2 1 Nombr 3 Datos 2 Nombr 4 Datos Nombr 5 3 Nombr 6 Nombr 7 Nombr 8 Nombr 9 Datos 4 Nombr ID Nombre 1 Hugo 2 Paco 3 Luis 4 Hugo 5 Ana 6 Silvia 7 Carmen 8 Ana 9 Hugo ColorFa ID Nombre 1 Rojo 2 Verde 3 Azul 4 Morado 5 Azul 6 Verde 7 Azul 8 Rojo 9 Verde Registro de Datos 6 desplazamiento Registro de 8 7 desplazamiento 6 Datos 5 Cuerpo (8096 bytes) Cuerpo (8096 bytes)
117 Índices en ambientes OLAP Ventaja Útil para consultas predefinidas de ambientes OLAP, solamente se lee los atributos que se requieren lo cual reduce substancialmente el tiempo de procesamiento. Acelera operaciones de reunión y de unión Desventaja Son estáticos entre carga y carga.
118 Procesamiento de consultas OLAP El propósito de materializar cuboides y construir estructuras de índices OLAP es acelerar el procesamiento de consultas en cubos de datos. Dadas vistas materializadas, el procesamiento de consultas debe seguir la forma siguiente: 1. Determinar que operaciones se deben realizar en los cuboides disponibles: Esto implica transformar las operaciones de selección, proyección, group-by y drill-down, especificadas en la consulta a operaciones correspondientes en SQL y/o OLAP.
119 Procesamiento de consultas OLAP El propósito de materializar cuboides y construir estructuras de índices OLAP es acelerar el procesamiento de consultas en cubos de datos. Dadas vistas materializadas, el procesamiento de consultas debe seguir la forma siguiente: 2. Determinar a cual cuboide materializado las operaciones relevantes deben ser aplicas: Esto implica identificar todos los cuboides materializados que pueden ser utilizados para responder la consulta, estimando el costo de usar los cuboides materializados restantes y seleccionado el cuboide con el menor costo.
120 Procesamiento de consultas OLAP Supongamos que definimos un cubo de datos para tiendaweb de la forma: cubo ventas [fecha, producto, localidad]: sum(total_venta), las jerarquías de dimensiones usadas son: día < mes < trimestre < año para fecha, nombre < marca < tipo para producto y calle < ciudad < estado < país para localidad. Supongamos que la consulta que se procesará se encuentra en {marca, estado}, con año=2011.
121 Procesamiento de consultas OLAP También supongamos que hay cuatro cuboides materializados: - cuboide 1: {año, nombre, ciudad} - cuboide 2: {año, marca, país} - cuboide 3: {año, marca, estado} - cuboide 4: {nombre, estado} Donde año = Cuál de los cuboides debe ser seleccionado para procesar la consulta? 2. Cómo se compararían los costos de cada cuboide si se utilizaron para procesar la consulta?
122 Data Warehouse y Minería de datos
123 Uso de DW Los DW y DM son utilizados en un rango muy amplio de aplicaciones. Evolución: 1. DW es utilizado principalmente para generar reportes y contestar consultas predefinidas. 2. Progresivamente se utilizaron para analizar datos resumidos y detallados, donde los resultados eran presentados en forma de reportes o cartas. Datamart Financiero Datamart de Ventas Datamart de Recursos Humanos
124 Uso de DW 3. Después el DW se utilizo para propósitos estratégicos, realizar análisis multidimensional y operaciones sofisticadas de Slice & Dice. 4. Finalmente, ese emplea para descubrir conocimiento y estrategias para tomar decisiones usando herramientas de minería de datos. Las herramientas de DW pueden ser categorizadas en herramientas de acceso y recuperación, herramientas para reportar las base de datos, herramientas de análisis de datos y herramientas de minería de datos.
125 Tipos de aplicaciones en DW 1.Procesamiento de información Soporta consultas, análisis estadístico y divulgación utilizando tablas cruzadas, tablas, cartas o graficas. Una tendencia actual en el procesamiento de información de DW es construir herramientas de acceso a la web de bajo costo que son integradas con buscadores web.
126 Tipos de aplicaciones en DW 2. Procesamiento analítico Soporta operaciones básicas OLAP incluyendo Slice & Dice, Drill- Down, Roll-Up, y pivoteo, operando sobre datos históricos en forma resumida y detallada. El punto principal del procesamiento analítico en línea sobre el manejo de información es el análisis de datos multidimensional de los datos del DW.
127 Tipos de aplicaciones en DW 3. Minería de datos Soporta el descubrimiento del conocimiento buscando patrones y asociaciones ocultos, construyendo modelos analíticos, realizando predicciones y clasificaciones y presentando los resultados minados usando herramientas de visualización.
Bodegas de Datos y OLAP. Introducción a la Bodegas de Datos
Bodegas de Datos y OLAP Introducción a la Bodegas de Datos Contenido SI-Definición y Clasificación MIS Vs DSS DSS-Definición y Características DW-Definición, Elementos, Características, Arquitectura, OLTP
Más detallesDiseño multidimensional. Jordi Conesa i Caralt Isabel Guitart Hormigo M. Elena Rodríguez González
Diseño multidimensional Jordi Conesa i Caralt Isabel Guitart Hormigo M. Elena Rodríguez González Índice Necesidades de los analistas y herramientas OLAP Multidimensionalidad Diseño lógico Necesidades de
Más detallesPrueba de autoevaluación 2
Universidad Carlos III de Madrid1 Prueba de autoevaluación 2 1. En un sistema OLTP: a) El significado de un proceso transaccional está orientado hacia el negocio. b) El significado de un proceso transaccional
Más detallesPrograma Inducción a Inteligencia de Negocios Banco BICE BICE Inversiones
Programa Inducción a Inteligencia de Negocios 2016 Banco BICE BICE Inversiones Programa Inducción a Inteligencia de Negocios Las organizaciones disponen cada vez de más datos sobre sus negocios. De estos
Más detallesOLAP 2 OLAP 1 OLAP 4 OLAP 3 OLAP 5 OLAP 6
OLAP EXPLOTACIÓN UN DW: EXPLOTACIÓN UN DW:... OLAP 1 OLAP 2 EXPLOTACIÓN UN DW: MOLO UN AMBIENTE OLAP EXPLOTACIÓN UN DW: LAS HERRAMIENTAS OLAP PRESENTAN AL USUARIO UNA VISIÓN MULTIDIMENSIONAL LOS DATOS
Más detallesDefinición. 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 detallesBalanced ScoreCard BSC
Balanced ScoreCard BSC QUÉ ES UN BALANCED SCORECARD? El Balanced ScoreCard o Cuadro de Mando Integral, es una técnica moderna de control y administración empresarial, que le ofrece al ejecutivo de hoy,
Más detallesEn GSG Petroleum le brindamos soluciones tecnológicas personalizadas. de toma de decisiones.
En GSG Petroleum le brindamos soluciones tecnológicas personalizadas que le ayudarán en el proceso de toma de decisiones. Somos una firma que le ofrece soluciones en el área de Tecnologías de la Información
Más detalles>> Tecnologías clave << Captura de de información. Infraestructura. Técnicas de de Prototipado rápido
es una de diseño e implementación de avanzadas de software de Inteligencia Artificial, desarrollada por ITAINNOVA. Permite resolver diferentes problemáticas de negocio con volúmenes de (BIG DATA). Con
Más detallesDecision Support System (DDS)
Sistemas de Soporte a la toma de Decisiones Decision Support System (DDS) Decision Support System (DDS) Son aquellos que, mediante el uso de reglas de procesamiento de datos basadas en lógica, en combinación
Más detallesBUSINESS INTELLIGENCE (BI) o INTELIGENCIA EMPRESARIAL
BUSINESS INTELLIGENCE (BI) o INTELIGENCIA EMPRESARIAL Es el conjunto de estrategias y herramientas enfocadas a la administración y creación de conocimiento mediante el análisis de datos existentes en una
Más detallesSoluciones OLAP con Microsoft Analysis Services
Soluciones OLAP con Microsoft Analysis Services 5to Congreso de Informática, Universidad Mariano Gálvez, Zacapa Marco Tulio Gómez Reyes mgomez@solcomp.com MSc. Tecnologías de la Información MCITP Business
Más detallesData Warehousing Diseño e implementación de un data warehouse
Data Warehousing Diseño e implementación de un data warehouse Marta Millan millan@eisc.univalle.edu.co www.eisc.univalle.edu.co/materias Estrategia de división Por qué dividir las tablas?: Facilidad de
Más detallesVisión 360º y análisis transversal del desempeño de cada unidad de negocio
Visión 360º y análisis transversal del desempeño de cada unidad de negocio Qué es VZOR? SOLUCIONES INFORMÁTICAS DE ÚLTIMA GENERACIÓN PARA MEJORAR LA EXPERIENCIA DEL CLIENTE Y EL DESEMPEÑO DE TU ORGANIZACIÓN
Más detallesFundamentos 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 detallesCUADRO DE MANDO PARA LA ALTA DIRECCIÓN EN EL MINISTERIO DE FOMENTO
CUADRO DE MANDO PARA LA ALTA DIRECCIÓN EN EL MINISTERIO DE FOMENTO Jefe de Proyecto BGS Online Consultores Subdirector General de Tecnología y Sistemas de la Información Ministerio de Fomento Asesor Área
Más detallesFACULTAD 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 detallesIntel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial Intel ha lanzado su procesador Xeon Phi en la Conferencia Internacional de Supercomputación de Alemania. El procesador
Más detallesEnfoque moderno de la Auditoría Interna y las Normas
Estado Libre Asociado de Puerto Rico OFICINA DEL CONTRALOR Enfoque moderno de la Auditoría Interna y las Normas Por: Myriam Janet Flores Santiago, CFE Directora de Auditoría Interna 20 de abril de 2006
Más detallesORGANIZACIÓN, IMPLEMENTACIÓN Y CONTROL DE MARKETING. Omar Maguiña Rivero
ORGANIZACIÓN, IMPLEMENTACIÓN Y CONTROL DE MARKETING 1 OBJETIVOS ESPECIFICOS Explicar la importancia de seguir un proceso adecuado de marketing internacional. 2 CONTENIDOS 1. Estructura Organizacional y
Más detallesAPOYO 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 detallesLicencia 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 detalles2.1 DEFINICIÓN Y OBJETIVOS DE LA GESTIÓN DEL APROVISIONAMIENTO
1. INTRODUCCIÓN El objetivo del presente manual es realizar una exposición de los principales aspectos y parámetros a considerar con relación a la gestión de Aprovisionamiento, actividad básica dentro
Más detallesSistemas 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 detallesData Mining, Principios y Aplicaciones
2 DATA MINING Principios y Aplicaciones.. Descubriendo el Conocimiento. bubok.com. lafabooks 2009. http://lafabooks.bubok.com/ Todos los derechos reservados. Prohibida la reproducción parcial o total de
Más detallesHerramientas informáticas para mejorar la administración
Herramientas informáticas para mejorar la administración República Dominicana México Estrategias de Contratación. Sistema Electrónico de Contrataciones Gubernamentales Contenido Manual Administrativo de
Más detallesContenido. Introducción Usando di Monitoring como un usuario normal Uso de di Monitoring como un operador de entrada de datos...
1 Contenido Introducción... 3 Características principales... 3 Los niveles de usuario... 4 El aprendizaje de di Monitoring... 4 Usando di Monitoring como un usuario normal... 5 Acceso a di Monitoring...
Más detallesMSc. Francisco García
REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA BOLIVARIANA UNEFA NÚCLEO MIRANDA SEDE LOS TEQUES MSc. Francisco
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE LENGUAJE DE PROGRAMACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE LENGUAJE DE PROGRAMACIÓN 1. Competencias Implementar sistemas de medición y control bajo los
Más detallesRECURSOS DE TI Aplicaciones - Bibliografía USO DE BD PARA MEJORAR EL DESEMPEÑO EMPRESARIAL
Sistemas de Información para la Gestión UNIDAD 3: RECURSOS DE TECNOLOGÍA DE INFORMACIÓN Aplicaciones UNIDAD 3: RECURSOS DE TI Aplicaciones 1. Administración de bases de datos e información: Sistemas de
Más detallesFICHA PÚBLICA DEL PROYECTO
NUMERO DE PROYECTO: 218824 EMPRESA BENEFICIADA: MICROCALLI DEL GOLFO S.A DE C.V TÍTULO DEL PROYECTO: LÍNEA DE PRODUCTOS DE SOFTWARE PARA DOMÓTICA OBJETIVO DEL PROYECTO: Incorporar el paradigma de LPS como
Más detallesCAPÍTULO 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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR TEMA: AUTOR: DIRECTOR:
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS TEMA: PRINCIPIOS Y TÉCNICAS PRÁCTICAS PARA LA IMPLEMENTACIÓN DE UN PROTOTIPO DE DATA WAREHOUSE EN SQL SERVER 2000
Más detallesA continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
Más detallesInformación y control en los gastos de viajes y eventos corporativos. Una garantía para la compañía.
Información y control en los gastos de viajes y eventos corporativos. Una garantía para la compañía. Soluciones para diferentes objetivos DE PAGO Tarjetas corporativas Cuentas Virtuales Transferencias
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL
Sistemas de Toma de Decisiones UNIDAD ACADÉMICA: CARRERA: ESPECIALIZACIÓN: ÁREA: TIPO DE MATERIA: EJE DE FORMACIÓN: Facultad de Ingeniería en Electricidad y Computación Ingeniería en Ciencias Computacionales
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA LICENCIATURA EN MERCADEO PROGRAMA DE LA ASIGNATURA MERCADOTECNIA DE SERVICIOS
UNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA LICENCIATURA EN MERCADEO PROGRAMA DE LA ASIGNATURA MERCADOTECNIA DE SERVICIOS CLAVE: MER 241 ; PRE REQ.: MER 214 ; No. CRED.: 4 I. PRESENTACIÓN: El sector
Más detallesOrdenador local + Servidor Remoto
Introducción Saber situarse con exactitud en el árbol de servidores, discos y directorios del ordenador que se está usando Conocer los usos básicos del teclado y el ratón (edición de campos texto, escritura
Más detallesDiseño arquitectónico 1ª edición (2002)
Unidades temáticas de Ingeniería del Software Diseño arquitectónico 1ª edición (2002) Facultad de Informática objetivo Los sistemas grandes se descomponen en subsistemas que suministran un conjunto relacionado
Más detalles3. DOCUMENTACIÓN 3.1. DOCUMENTACIÓN DE APLICACIONES. OBJETIVOS PARA MODIFICAR HACE FALTA COMPRENDER/ESTUDIAR:
3. DOCUMENTACIÓN 3.1. DOCUMENTACIÓN DE APLICACIONES. OBJETIVOS UN SISTEMA SOFTWARE QUE SEA: + DIFÍCIL DE COMPRENDER + SÓLO UTILIZABLE POR SUS REALIZADORES + DIFÍCIL DE MODIFICAR NO ES VÁLIDO PARA EVITAR
Más detallesACERCA DE ODOO ERP. Resumen ejecutivo
Gestión de Ventas ACERCA DE ODOO ERP Odoo ERP ayuda a compañías de todos los tamaños y sectores a funcionar mejor. Ya sea desde la oficina de apoyo administrativo o la sala de reuniones del directorio,
Más detallesQué es una tabla dinámica? Para qué sirve una tabla dinámica?
Gracias a las múltiples solicitudes de alumnos, me he propuesto realizar este manual a modo de entregar una guía base y una ayuda de memoria para todos aquellos que trabajan con esta herramienta. He decidido
Más detallesCaso Southwest Airlines
Caso Southwest Airlines Con afán de mejorar el nivel de servicio ofrecido a sus clientes, Southwest Airlines ha decidido construir un sistema de reserva de pasajes online. Para ello, usted ha sido contratado
Más detallesDiseño Organizacional
Diseño Organizacional DISEÑO ORGANIZACIONAL 1 Lectura No. 7 Nombre: Estructura y Diseño Organizacional Introducción En esta sesión presentaremos los conceptos que definen la estructura y el diseño organizacional.
Más detallesCapítulo 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 detallesSECCIÓN 3 PRESENTACION DE ESTADOS FINANCIEROS
SECCIÓN 3 PRESENTACION DE ESTADOS FINANCIEROS PRESENTACIÓN DE ESTADOS FINANCIEROS Los estados financieros son representaciones estructuradas basados en la situación financiera de la entidad el rendimiento
Más detallesMicrosoft Project 2013
Microsoft Project 2013 SALOMÓN CCANCE Project 2013 Salomón Ccance www.ccance.net CCANCE WEBSITE ANEXO 2. MANEJO DE VISTAS Y TABLAS. 2.1. ELEMENTOS DE VISUALIZACIÓN DE MICROSOFT OFFICE PROJECT PROFESSIONAL
Más detallesTÍTULO: BASES DE DATOS Disponibilidad Objetivos 5 Definicion de una base de datos 9 Datos de nomina (tabla) 9 Esquema de bases de datos (mapa
TÍTULO: BASES DE DATOS Pág. Disponibilidad Objetivos 5 Definicion de una base de datos 9 Datos de nomina (tabla) 9 Esquema de bases de datos (mapa conceptual) 10 Datos de venta (tabla) 10 Caracteristicas
Más detallesPresentación. INEGI. ENOE. Catálogo de Codificación de Carreras
ENOE Catálogo decodificación decareras Presentación El Instituto Nacional de Estadística, Geografía e Informática (INEGI), a través de la Dirección General de Estadística, tiene como una de sus actividades
Más detallesPlan de Marketing Digital
Análisis y Desarrollo de Sistemas de Información Introducción Las cifras demuestran que nuestro país cada vez está más inmerso en el mundo digital, según estudios de consumo digital1 presentado por el
Más detallesLABORATORIO Nº 8 FILTROS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar filtros en Microsoft Excel. 1) FILTRAR INFORMACIÓN Para agregar un filtro a una tabla se debe seleccionar
Más detallesConceptos básicos de bases de datos
Conceptos básicos de bases de datos 1.1 Definición de base de datos Una base de datos es una colección de archivos relacionados que permite el manejo de la información de alguna compañía. Cada uno de dichos
Más detallesORGANISMO COORDINADOR DEL SISTEMA ELÉCTRICO NACIONAL INTERCONECTADO DE LA REPÚBLICA DOMINICANA
ORGANISMO COORDINADOR DEL SISTEMA ELÉCTRICO NACIONAL INTERCONECTADO DE LA REPÚBLICA DOMINICANA OC-GC-14-REQPATE-2016-V0 PARA: ORGANISMO COORDINADOR PREPARADO POR: GERENCIA COMERCIAL V0 PREPARADO POR REVISADO
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesBASES DE DATOS TEMA 2 MODELOS DE DATOS
SES DE DTOS TEM 2 MODELOS DE DTOS Un modelo de datos es una serie de conceptos que puede utilizarse para describir un conjunto de datos y las operaciones para manipularlos. Hay dos tipos de modelos de
Más detallesPrograma de actualización profesional ACTI.NET Desarrollo de aplicaciones locales y web con tecnología VB.NET
Programa de actualización profesional ACTI.NET Desarrollo de aplicaciones locales y web con tecnología VB.NET OBJETIVOS: Conocer de las bondades del paradigma de orientación a objetos en.net y su lenguaje
Más detallesSMV. Superintendencia del Mercado de Valores
DECENIO DE LAS PERSONAS CON DIAPACIDAD EN EL PERÚ - AÑO DE LA PROMOCIÓN DE LA INDUSTRIA RESPONSABLE Y DEL COMPROMISO CLIMÁTICO INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE N 009-2014-/09 SOFTWARE PARA
Más detallesSesión No. 10. Contextualización INFORMÁTICA 1. Nombre: Gestor de Base de Datos (Access)
INFORMÁTICA INFORMÁTICA 1 Sesión No. 10 Nombre: Gestor de Base de Datos (Access) Contextualización Microsoft Access es un sistema de gestión de bases de datos, creado para uso personal y de pequeñas organizaciones,
Más detallesDiseño del proceso de lubricación - (LPD)
Diseño del proceso de lubricación - (LPD) Fase II - Diseño detallado Definición: La fase II del LPD consiste en el diseño detallado de las mejoras y de las modificaciones de cada una de las máquinas de
Más detallesRequerimientos de Software
Requerimientos de Software Ingeniería de Requerimientos Se define como el proceso de establecer los servicios que el consumidor requiere de un sistema y las restricciones sobre las cuales de funcionar
Más detallesSIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O.
Grupo SIG C U R S O Fundamentos de Sistemas de Información Geográfica UNIDAD 1 Generalidades de los Sistemas de Información Geográfica Tema 3 Ciclo de vida y componentes de los SIG CIAF Centro de Investigación
Más detallesc). Conceptos. Son los grupos o conceptos que se enlistan en las filas de la izquierda de la tabla
Tema 5. Tablas estadísticas Como ya se había establecido en el tema anterior sobre el uso de las tablas estadísticas, éstas son medios que utiliza la estadística descriptiva o deductiva para la presentación
Más detallesGESTIÓN DE LA FACTURACIÓN TELEFÓNICA GERENCIA DE INFORMÁTICA DE LA SEGURIDAD SOCIAL
GESTIÓN DE LA FACTURACIÓN TELEFÓNICA GERENCIA DE INFORMÁTICA DE LA SEGURIDAD SOCIAL Jefe de Proyecto BGS Online Consultores SL. Jefe de Proyecto Ministerio de Trabajo(GISS Gerencia de Información de la
Más detallesAmpliación de las funciones docentes:
Ampliación de las funciones docentes: resignificación del currículum y atención a la diversidad gestión institucional interacción con el mundo del trabajo diseño e implementación de situaciones de enseñanza-aprendizaje
Más detallesGUÍA PARA EL EXÁMEN DE ADMISIÓN
GUÍA PARA EL EXÁMEN DE ADMISIÓN En este instructivo se describe las características del examen de admisión a la Universidad Tecnológica de la Zona Metropolitana de Guadalajara. Todo interesado en estudiar
Más detallesContabilidad Electrónica Paso a Paso con Aspel-COI 7.0
Contabilidad Electrónica Paso a Paso con Aspel-COI 7.0 Implementar el manejo de la contabilidad electrónica es muy sencillo, sigue estos pasos y te encontrarás cumpliendo con las ultimas disposiciones
Más detallesGESTIÓN POR COMPETENCIAS
GESTIÓN POR COMPETENCIAS GESTIÓN POR COMPETENCIAS INTRODUCCIÓN El cambio acelerado que imponen mercados, cada vez más globales, competitivos y complejos a las organizaciones, inevitablemente impacta en
Más detallesUNIDAD II PLANEACIÓN AGREGADA DE LA PRODUCCIÓN
UNIDAD II PLANEACIÓN AGREGADA DE LA PRODUCCIÓN Curso: Administración de Operaciones III OBJETIVOS Cuando haya completado esta unidad, debe ser capaz de identificar y definir: Planeación agregada Propósito
Más detallesServicios: análisis digital. Integración de soluciones de mercadotecnia en el análisis de consumidor y negocio digital.
Servicios: análisis digital Integración de soluciones de mercadotecnia en el análisis de consumidor y negocio digital. Introducción Debido a la creciente necesidad de simplificar la información y generar
Más detallesPLATAFORMA TECNOLOGICA PARA LA TOMA DE DECISIONES INTEGRADA EN LA PYME. ajaraw@cidnoa.org.ar
PLATAFORMA TECNOLOGICA PARA LA TOMA DE DECISIONES INTEGRADA EN LA PYME MARCO CONCEPTUAL Democratizar el Acceso a Herramientas de Software a pequeñas Organizaciones que permita procesar grandes volúmenes
Más detallesPROCEDIMIENTO PARA LA GESTIÓN DE LOS RIESGOS
1. OBJETIVO: Establecer las Directrices para la identificación, Valoración, evaluación, análisis y tratamiento de los riesgos de la Administración Municipal de La. 2. RESPONSABLE: y encargado del Control
Más detallesEstrategias de Enseñanza
Estrategias de Enseñanza CONTENIDO 1. Objetivo del documento 2. Concepto de Estrategias de Enseñanza 3. Cómo se evalúan las Estrategias de Enseñanza? 4. Contenido 5. Recursos que pueden consultarse 1 1.
Más detallesRealidad y Valor en SAP HANA BI 2016 SAPIMSA 1
Realidad y Valor en SAP HANA BI 2016 SAPIMSA 1 SAP HANA SAP BW on HANA Caso de Éxito Prueba de Concepto 2016 SAPIMSA 2 Oportunidades Speed GPS Emails Explosión de Información Mobile Inventarios Planificación
Más detallesConcepto de estado de resultados
Concepto de estado de resultados Es el estado financiero básico que muestra la utilidad o pérdida resultante en un periodo contable, a través del enfrentamiento entre los ingresos y los costos y gastos
Más detallesImportancia de la tecnología
Importancia de la tecnología Por qué es tan importante la tecnología? Reingeniería de procesos Eficiencia y efectividad Herramienta competitiva y de cambio Modernización Realidad de la industria financiera
Más detallesINFORMÁTICA Y COMUNICACIONES
441 INFORMÁTICA Y COMUNICACIONES Microsoft Access 2003 (Completo) DESCRIPCIÓN Microsoft Access 2003 (Completo) Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access
Más detallesANEXO 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 detallesApoyo 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 detallesArquitectura de sistemas: Título: AnalyticsMOOC- Solución TIC Big Data para entornos MOOC Número de expediente: TSI
Arquitectura de sistemas: Título: AnalyticsMOOC- Solución TIC Big Data para entornos MOOC Número de expediente: TSI- 100105-2014-192 Código: Fecha: 11/12/2014 Persona de Contacto: Carlos Vicente Corral
Más detallesINGENIERÍA EN LOGÍSTICA INTERNACIONAL EN COMPETENCIAS PROFESIONALES
INGENIERÍA EN LOGÍSTICA INTERNACIONAL EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ADMINISTRACIÓN DE VENTAS UNIDADES DE APRENDIZAJE 1. Competencias Dirigir proyectos de negocios y de actividades logísticas
Más detallesESTÁNDAR DE COMPETENCIA. Mantenimiento a equipo de cómputo y software
I.- Datos Generales Código Título Mantenimiento a equipo de cómputo y software Propósito del Estándar de Competencia Servir como referente para la evaluación y certificación de las personas que realicen
Más detallesIFCD02 Administración de Business Intelligence y Datawarehousing
IFCD02 Administración de Business Intelligence y Datawarehousing TITULACIÓN DE FORMACIÓN CONTINUA BONIFICADA EXPEDIDA POR EL INSTITUTO EUROPEO DE ESTUDIOS EMPRESARIALES IFCD02 Administración de Business
Más detallesMS_10962 Advanced Automated Administration with Windows PowerShell
Gold Learning Gold Business Intelligence Silver Data Plataform MS_10962 Advanced Automated Administration with Windows PowerShell www.ked.com.mx Av. Revolución No. 374 Col. San Pedro de los Pinos, C.P.
Más detallesDiplomado Planeación y Control Financiero con Excel
Diplomado Planeación y Control Financiero con Excel Duración 96 horas Objetivo general: Proveer al participante de las herramientas teórico- prácticas para la construcción de modelos financieros a través
Más detallesPROGRAMA DE ESTÍMULOS A LA INNOVACIÓN
FICHA PÚBLICA DEL PROYECTO NUMERO DE PROYECTO: 200292 EMPRESA BENEFICIADA: Eyesoft S.A. de C.V. TÍTULO DEL PROYECTO: Sistema de procuración electrónica para las transacciones de compra, venta e inventarios
Más detallesAdoptando SOA para Telecom
Adoptando SOA para Telecom 1 Adoptando SOA para Telecom onuestra misión oprocesos de negocio oservicios 2 NUESTRA MISIÓN Proveer y dar soporte a servicios, procesos, metodologías y herramientas que permitan
Más detallesFacultad De Ingeniería Programa de Ingeniería Industrial
Facultad De Ingeniería Programa de Ingeniería Industrial Código Materia: 05252 Excel Nivel Intermedio Requisito: 09641 Habilidades Básicas en Hojas Electrónicas Programa Semestre: Ingeniería Industrial
Más detallesEl diseño de la base de datos de un Data Warehouse. Marta Millan millan@eisc.univalle.edu.co www.eisc.univalle.edu.co/materias
El diseño de la base de datos de un Data Warehouse Marta Millan millan@eisc.univalle.edu.co www.eisc.univalle.edu.co/materias El modelo Multidimensional Principios básicos Marta Millan millan@eisc.univalle.edu.co
Más detallesEspecialización. en Inteligencia de Negocios
Especialización en Inteligencia de Negocios Especialización en Inteligencia de Negocios En nuestro entorno socioeconómico, las tecnologías de la información resultan un factor clave para la competitividad
Más detallesIngeniería de Software y Sistemas Computacionales
Ingeniería de Software y Sistemas Computacionales Con reconocimiento de Validez Oficial de Estudios conforme al acuerdo No. 2002188 con fecha 18 de agosto de 2000 ante la Secretaría de Educación Pública.
Más detallesDescripción del Curso
Curso Práctico de Modelado de Negocios BPMN con UML Descripción del Curso Durante este curso aprenderás de forma práctica el estándar BPMN (Business Process Management Notation) y las extensiones de UML
Más detallesGestión y Optimización de Inventarios de Repuestos
Entrenamiento y Capacitación Gestión y Optimización de Inventarios de Repuestos Programa de Formación Continua www.aktiv.com.co PRESENTACIÓN En toda empresa industrial, la decisión de incluir inventarios
Más detallesIng. Yim Isaias Apestegui Florentino
Definicion de Modelo Relacional El Modelo Relacional Se basa en una representación del mundo real en que los datos se describen como entidades, relaciones y atributos. El principal concepto del modelo
Más detallesForo de Negocios San Luis Potosí Servicios administrados y en la nube
Foro de Negocios San Luis Potosí Servicios administrados y en la nube Agosto 14, 2012 Agenda Tendencias de Tecnologías de Información Consideraciones de la Nube Servicios Administrados y la Nube 2 Tendencias
Más detallesEstablecimiento de un Plan de Negocios para un agronegocio ganadero
Establecimiento de un Plan de Negocios para un agronegocio ganadero Enrique Montenegro Hidalgo Escuela de Economía Agrícola y Agronegocios Universidad de Costa Rica Peso de Agronegocios en la Economía
Más detallesM ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E
M ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E 908 07 1. OBJETO 1.1 Esta práctica cubre dos procedimientos para el muestreo de geosintéticos para ser ensayados. Se requiere que las instrucciones
Más detallesPOSICIONAMIENTO EN LA WEB (SEM Y SEO)
POSICIONAMIENTO EN LA WEB (SEM Y SEO) POSICIONAMIENTO EN LA WEB (SEM Y SEO) 1 Sesión No. 9 Nombre: Affiliate marketing: planificación de medios y soportes afines Contextualización Qué es affiliate marketing?
Más detallesReporte de la prueba de habilidad
Reporte de la prueba de habilidad Fecha: 19 Enero 2010 Reporte de la prueba de habilidad Este reporte proporciona la puntuación de las pruebas de verificación de habilidad de Sr. Sample Candidate. Si esta
Más detalles