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

Transcripción

1 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS 1. INFORMACIÓN GENERAL 1.1 Nombre y código de la asignatura: DATAWAREHOUSE M 1.2 Número de créditos : Número de horas semanal : Práctica: 02 horas, : 02 horas 1.4 Ciclo de tudio: Electivo 1.5 Periodo Académico: 2017 II 1.6 Prerequisitos : Base de Datos 1.7 Profor: Gustavo Arredondo Castillo (Coord.) 2. SUMILLA Datawarehouse y OLAP, Introducción al soporte de la Toma de Decision. Data Warehousing. Arquitectura típica. Herramientas de extracción, limpieza de datos y propagación de actualizacion ( refrh ) OLAP: Modelo de Datos Multidimensional, Consultas, Comparación con Bas de Datos Estadísticos. Metodologías de Diseño. Técnicas de Implementación. Manejo de vistas y Soporte a las Decision. Metadatos y Gerencia de Warehouse. Tendencias. 3. COMPETENCIA GENERAL Define, darrolla e implementa solucion de Busins Intelligence basadas en Data Warehousing para apoyar el proco de toma de decision, introduciendo nuevas tecnologías de gtión de base de datos basadas en nuevas formas avanzadas de reprentación e integración de información en las organizacion. LOGROS ESPECÍFICOS Definir conceptos, características, y component encial de las solucion de Busins Intelligence basadas en Data Warehouse (DW), introducir las principal proputas metodológicas para la definición e implementación de un Data Warehouse, basadas en el ciclo de vida del DW. Establecer los fundamentos para la planificación de un proyecto de Busins Intelligence y la definición de los requerimientos del negocio: consultas ejecutivas, indicador, tableros de mando o comportamientos ocultos, construir Modelos Lógicos de Datos Multidimensional para reprentar los temas de interés del negoci siguiendo técnicas y convencion de modelamiento. 1/5

2 Definir y diseñar los procos requeridos para la extracción, transformación y carga de datos (ETL) y los aspectos fundamental para el aseguramiento de la Calidad de los Datos. Definir los conceptos y técnicas de Minería de Datos y Big Data orientados al análisis de conocimientos ocultos sobre grand volúmen de datos. Conocer las herramientas tecnológicas orientadas a solucion de Inteligencia de Negocios y a Big Data. 4. PROGRAMACIÓN Sem Contenido Introducción Introducción: Visión General de la Inteligencia de negocios, Datawarehouse, Conceptos General, Conocimiento de Herramientas de Inteligencia de Negocios más utilizadas Identificación de los beneficios de una Solución de Inteligencia de Negocios, en forma intuitiva, reconocer ERP, CRM, SCM,HRIS EDD, Sistema de Soporte Ejecutivo. Modelamiento de Datos: Diseño lógico y físico de un sistema de negoci almacenamiento de datos, integridad referencial, etc, Etapas en la Elaboración de una Solución de Inteligencia de Negocios, Esquemas, Explicación Genérica de un modelo de datos y uso de SQL para su manipulación. Creando una solución de BI, Requerimientos del Usuari Identificación de Fuent de Datos, Procos de integración de la información Elaboración de un flujo ETL usando Server Integration Servic de Microsoft Estrategias Didácticas Evaluación Método Técnica Criterio Instrumentos de caso cualitativ práctic va, tudio v critico o va, tudio va, tudio va, tudio cualitativ v critico cualitativ v critico cualitativ vo 5 Proco de Extracción, Limpieza, Transformación y Carga, ETL a profundidad, Tipos y Características Integracion de Datos ETL usando Server Integration Servic de Microsoft va, tudio cualitativ vo 6 Proco de Elaboracion de Cubos, Component de un cub Key Performance Indicators, Formas de Identificarlos y Medirlos, Dimension (Parte I) Diseño conceptual y Lógico de un Datamart usando Server Analysis Servic va, tudio cualitativ vo 2/5

3 7 Diseño de una Base de Datos Multidimensional, Tipos de Esquemas, Estrella, Copo de Nieve, Constelación. (Parte II) Diseño conceptual y Lógico de un Datamart usando Server Analysis Servic (Parte I) va, tudio cualitativ vo 8 Examen Parcial 9 Recursos de Hardware, Herramientas de procamiento analítico de datos (OLAP),diferencias con procamiento OLTP, características de herramientas OLAP Consultas de Cubos, Rultados y Forma de Navegar usando OLAP aplicando Tableau va, tudio cualitativ vo Prentación de los rultados, Factor de éxito de un proyecto BI, Aplicación de PowerPivot y PowerView (Parte I) Aplicación de Power BI para obtener rultados consolidados y cuadros de mando de una solución de BI aplicando la Metodología de Ralph Kimball (Parte II) Aplicación de Power BI para obtener rultados consolidados y cuadros de mando Minería de Datos, características, definicion, Esquema (Parte I) Aplicación de Server Reporting Servic de Microsoft BIG DATA, Data Analitics, Analisis predictiv Analisis Dcriptivo (Parte II) Aplicación de Server Reporting Servic de Microsoft Las 7 V s del Big Data, Conexión con otras tecnologías, Tendencias a futur Otros tipos de minería (de text de procos, Web) Aplicación de Power Center, comparacion va, tudio va, tudio va, tudio va, tudio va, tudio cualitativ vo cualitativ vo cualitativ vo cualitativ vo cualitativ vo Prentación Trabajo de Invtigación EXAMEN FINAL 3/5

4 5. ESTRATEGIA DIDÁCTICA El curso será TeóricoPrácticoExperimental con Taller de s. La parte TeóricoPráctic será efectuada a través de ayudas visual integralmente, con entrega de separatas, tareas de lecturas y ejercicios a darrollar; dicho material será entregado a los alumnos. Los Taller se efectuarán en aulas de equipadas; los alumnos dispondrán de PCs por grup del software y herramientas requeridas para ser utilizadas por ellos en su aditramiento técnico profional en la definición e implementación de Data Warehouse rpectivamente. 6. EVALUACIÓN DEL APRENDIZAJE La evaluación será como se indica a continuación: Concepto Porcentaje Dcripción Examen Parcial (EP) Po 2 Examen Parcial (crito) Examen Final (EF) Po 2 Examen Final (crito) Entregabl del proyecto Proyecto (PRY) Po 1 Prentación del proyecto y, Puntualidad, Colaboración, Po 1 Participacion (PA) de laboratorios. Promedio Final = (2EP +2EF +PRY + PA)/6 Observación 01: El alumnos deberá aprobar obligatoriamente, al menos uno de los dos exámen (parcial o final) para poder considerar las notas de Proyecto y de /Participación Observación 02: El proyecto grupal deberá ser prentando en cualquier formato de vide con la participación de cada uno de los miembros del equip se evaluarán los siguient criterios: a) Prentación del video (Calidad, Orden, Formatos empleados).(4 pts) b) Fundamentación del proyecto (definicion, beneficios, dventajas, conclusion, recomendacion, otros ).(5 pts) c) Prentación del Caso Practico ( de un caso ejemplo realizado por el equip empleando el tema en mención).(5 pts) d) Exposición del equipo (Claridad, forma de exponer, Conocimiento).(3 pts) e) Rputa a preguntas por el público en general.(3 pts) 7. REFERENCIAS BIBLIOGRAFICAS David Loshin, Busins Intelligence The Savvy Manager s Guide, Elsevier Inc.2013 Brian Larson, Microsoft SQL Server 2012, Delivering Busins Intelligence, McGrawHill.2012 Cindi Howson, Succsful Busins Intelligence, McGrawHill.2008 Swain Scheps, Busins Intelligence for Dummi, Wiley Publishing. Ing.2008 Ralph Kimball, Laura Reev, Margy Ross, Warren Thornthwaite, The Data Warehouse Lifecycle Toolkit, Wiley Computer Publishing.2008 Ralph Kimball, Margy Ross, Warren Thornthwaite, Joy Mundy, Bob Becker, The Data Warehouse Lifecycle Toolkit, Practical Techniqu for Building Data Warehouse and Bussins Intelligence Systemas, Wiley Computer Publishing /5

5 Maribel Sabana Mendoza, Analysis Servic, Megabyte.2008 Nagabhushana. Data Warehousing OLAP and DataMining, New Age International Publishers.2006 Chuck Ballard, Colin White, Steve MacDonald, Jussi Myllymaki, Busins Permormance Management Meets Busins Intelligence, Redbooks. José Hernández Oralle José Ramírez Quintana y César Ferri Ramírez. "Introducción a la minería de datos". Prentice Hall. William H. Inmon, Building the Data Warehouse, WileyQED John Wiley & Sons, Inc. Ralph Kimball, Joe Caserta, "The Data Warehouse ETL Toolkit, Practical Techniqu for Extracting, Cleaning, Conforming, and Delivering Data". Wiley Computer Publishing 5/5