UNIVERSIDAD AUTONOMA METROPOLITANA

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

Download "UNIVERSIDAD AUTONOMA METROPOLITANA"

Transcripción

1 UNIVERSIDAD AUTONOMA METROPOLITANA APLICACIONES DE REGLAS DE ASOCIACIÓN PARA WEB MINING TESIS QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS DE LA COMPUTACION PRESENTA: ING. JOSE GUADALUPE MEJIA VEGA EN LA UNIVERSIDAD AUTONOMA METROPOLITANA UNIDAD AZCAPOTZALCO DIRIGIDA POR: DR. ENRIQUE POULAIN GARCIA JOSE MEJIA 2002 UNIVERSIDAD AUTONOMA METROPOLITANA DICIEMBRE 2002 TODOS LOS DERECHOS RESERVADOS. ESTA OBRA NO PUEDE SER REPRODUCIDA EN PARTES O EN SU TOTALIDAD POR MEDIO DE FOTOCOPIADORA U OTROS MEDIOS SIN EL PERMISO EXPRESO DEL AUTOR

2 RESUMEN El crecimiento explosivo de Internet y particularmente de la World Wide Web (WWW), ha hecho cada vez más necesario para las instituciones y empresas utilizar herramientas automatizadas para encontrar, extraer, filtrar y evaluar los recursos de información disponibles. La minería de datos (data mining) ha sido definida como una metodología para la identificación de patrones no triviales validos, nuevos, comprensibles y potencialmente útiles posibles de extraer de un conjunto enorme de datos. Los factores antes mencionados dan lugar a la necesidad de crear sistemas inteligentes, que puedan hacer búsquedas o minería en la Web para obtener conocimiento. El Web mining (minería de datos de la Web) puede definirse como el descubrimiento y análisis de información útil que se puede obtener de la WWW. El presente trabajo tiene como finalidad minar un campo del repositorio de datos que contiene los localizadores uniformes de recursos (URL s o direcciones electrónicas) de los sitios buscados y utilizados por los usuarios de un servidor de Red, estos sitios son analizados y se diseña un algoritmo de búsqueda para asociar los atributos que caracterizan a los empleados de una institución o empresa (estado civil, sexo, nivel, profesión,,,,) a dichos URL`s con la finalidad de encontrar reglas asociadas a alguna característica de búsqueda en la Web, en particular en este caso se presenta la utilización de sitios asociados a la pornografía. Para ello, se analiza el URL mediante búsqueda de patrones dentro del mismo campo. Es decir por medio de las reglas de asociación, que es una técnica de la minería de datos que asocia la pornografía mediante un conjunto de palabras: diccionario, a las variables socioeconómicas de un conjunto de individuos y por otra se determinan los usuarios que visitan sitios Web pornográficos.

3 NOMBRE: JOSE GUADALUPE MEJIA VEGA GRADO: MAESTRO EN CIENCIAS DE LA CONPUTACION TITULO DE LA TESIS: APLICACIONES DE REGLAS DE ASOCIACION PARA WEBMINING JURADO: M.C. ROBERTO FLORES RODRIGUEZ PRESIDENTE DR. ANA LILIA LAUREANO CRUCES SECRETARIO DR ENRIQUE GRABRIEL POULAIN GARCIA VOCAL FECHA DE APROBACION: 15 de enero del 2003

4 Queridos jóvenes estudiantes: Les escribo esta carta con el fin de transmitirles un poco de mi experiencia de vida, buscando que contribuya a su formación, a su manera de pensar y de vivir, a su equilibrio emocional, a su sentido de responsabilidad para con ustedes y para con los demás, a su madurez y, sobre todo, a su felicidad producto de un ser y que hacer cotidiano. Son ustedes privilegiados dentro de la sociedad por la razón más importante, su propio valor. El éxito no es hacer bien o muy bien las cosas y tener el reconocimiento de los demás. No es una opinión exterior, es un estado interior. Es la armonía del alma y de sus emociones, que necesita del amor, la familia, la amistad, la autenticidad, la integridad. El ser tan destacado como ustedes significa un privilegio, pero entraña también muchos riesgos que puedan afectar valores muy superiores al éxito profesional, económico, social o político. La fortaleza y el equilibrio emocional están en la vida interior, y en evitar aquellos sentimientos que corroen el alma, la envidia, los celos, la soberbia, la lujuria, el egoísmo, la venganza, la avaricia, la pereza y que son venenos que se ingieren poco a poco. Cuando den, no esperen recibir, queda aroma en la mano que da rosas, no permitan que sentimientos y opiniones negativas dominen su ánimo. El daño emocional no viene de terceros, se fragua y se desarrolla dentro de nosotros. No confundan los valores, ni menosprecien sus principios. El camino de la vida es muy largo, pero se transita muy rápido. Vivan el presente intensa y plenamente, que el pasado no sea un lastre y el futuro sea un estímulo. Cada quien forja su destino y puede influir sobre su realidad, pero no la ignoren. Lo que más vale en la vida no cuesta y cuesta mucho: el amor, la amistad, la naturaleza y lo que sobre ella ha logrado el hombre de formas, colores, sonidos, olores, que percibimos con nuestros sentidos, pero sólo si los tenemos despiertos. Vivan sin miedos y sin culpas; los miedos son los peores sentimientos del hombre, lo debilitan, inhiben su acción y lo deprimen, y las culpas son un lastre enorme en nuestro pensar, al actuar y en la vida. Hacen difícil el presente y obstruyen el futuro. Para combatirlos seamos sensatos, aceptémonos como somos, nuestras realidades, nuestros gozos y nuestras penas. La ocupación desplaza a la preocupación y los problemas al enfrentarlos desaparecen, así los problemas deben hacernos más fuertes, de los fracasos aprender y hacer de los éxitos estímulos callados. Actúen siempre como les dicte su conciencia pues a ésta nunca se le engaña, así los miedos y las culpas serán mínimas. No se encierren, ni arruinen su vida, vívanla con la inteligencia, el alma y

5 los sentidos despiertos y alerta; debemos conocer sus manifestaciones y educarnos para apreciarlas y disfrutarlas. El trabajo bien hecho no es sólo una responsabilidad con la sociedad, es también una necesidad emocional. Al final nos vamos sin nada, sólo dejamos nuestras obras, familia, amigos, y quizá la influencia, por las ideas que en ellos hayamos dejado. Con mis mejores deseos. Carlos Slim Helú. 25 de agosto de 1996

6 AGRADECIMIENTOS Muchas personas han influido en mi camino dentro de la universidad en el periodo transcurrido desde que obtuve el título de licenciado hasta llegar a optar por el grado de maestro; afortunadamente, la mayoría de ellas lo han hecho bien. Espero no omitir a ninguna de ellas en estos agradecimientos, y si alguna se me escapa le ruego sea tolerante a mis fallos. En primer lugar quiero expresar mi agradecimiento al Instituto Mexicano del Petróleo, donde me inicie en el mundo de la investigación y la docencia y que me ha animado constantemente en mi camino. Quiero citar aquí al M.C. Roberto Flores, Jefe del Departamento de soporte técnico, quien siempre ha mostrado apoyo y me ha depositado su confianza. Igualmente, quiero manifestar mi agradecimiento al director de este trabajo, Dr. Enrique Poulain García, quien con su asesoramiento científico, sus consejos en la dirección, su estima y el empuje que siempre me ha transmitido ha hecho posible esta memoria de investigación, al igual que ha hecho posible otras muchos proyectos aún más complejos dentro de esta universidad. No puedo dejar de nombrar a los compañeros de Tecnología Informática que han estado en el proyecto desde un principio, con los cuales he tenido unas excelentes relaciones, hemos compartido diversos proyectos y me han apoyado en todos mis pasos; especialmente Ing. Felipe Beltran, Ing. Edel Angel, y al Ing. Alfredo Raymundo; también quiero nombrar al Lic. Alejandro Romero quien me dio la oportunidad de desarrollarme como administrador de base de datos. Quiero además agradecer el trato recibido por el resto de compañeros del departamento y por una larga lista de personas dentro de la comunidad Institucional. Un párrafo adicional a todos los compañeros de sistemas, empezando por mis compañeros Lic. Salvador Velazco, Ing. Roberto Nicolás, Ing. Ismael Ruiz, Lic. Anabel Ceballos, Lic. Martha Melchor, Lic. Alfonso Suarez... Todos ellos expertos en base de datos, la lista es casi interminable, a parte de variable (incrementalmente), por lo cual no puedo nombrar personalmente; dense todos por agradecidos al leer esto. Quedo al servicio de todos ustedes y animo a todos los que tienen que defender sus tesis en un futuro no lejano. Reflejo aquí la cordialidad recibida, con un cariño especial para el Ing. Roberto Nicolás y para los futuros maestros, que tanto me han ayudado y animado, en la revisión del algoritmo minero y además han deseado el buen fin de este trabajo, casi tanto como el del suyo propio.

7 DEDICATORIA A mi Mamá, Papá y a mis hermanos, por todo el amor y fortaleza que me han dado, porque cada uno de ustedes forma parte de lo que soy, esta tesis es una superación no solo personal sino también familiar, sin ustedes jamás lo hubiera logrado. A mis amigos, por su inmenso cariño y apoyo, por estar conmigo en todo momento. A mis compañeros de trabajo, aquellos que desean siempre lo mejor para mí. A Janet, Teresa y Karen, que tantas alegrías me dan y a las que a veces no dedico el cariño y la paciencia que merecen. A mi amigo y compañero Roberto Nicolás por compartir sus conocimientos, por su gran ayuda y apoyo. Gracias a el he terminado este trabajo A mi asesor de tesis Profesor Enrique Poulain García por su dedicación y tiempo. Al Instituto Mexicano del Petróleo y la UAM-A por darme la oportunidad de aprender en estas dos grandes Instituciones.

8 ESTRUCTURA DE LA MEMORIA El presente trabajo consta de seis capítulos, bibliografía general y anexos. En capitulo I se presentan los antecedentes de la minería de datos, se proporciona el panorama general de cómo surge a partir de los almacenes de datos o data warehouse (DW) y de la tecnología OLTP (On Line Transaction Process), así como también se enfatiza el crecimiento explosivo de Internet. El capitulo II muestra la justificación (motivación) del presente trabajo de investigación, se aborda el tema de minería de datos desde el punto de vista de almacenamiento masivo de información y alto costo que conlleva el análisis de la información. El capitulo III se dan los objetivos generales y particulares del presente trabajo, se acentúa en la búsqueda de patrones dentro de un conjunto enorme de datos, con una metodología que permita hacer minería de datos: técnica de reglas de asociación. En el IV capitulo se proporciona la metodología, la preparación del archivo para el minado y se hace la descripción del proceso de extracción, transformación y transportación de los datos. También se muestra un diagrama entidad-relación del repositorio y se presentan las preguntas más comunes que el webmining pretende responder. El capitulo V describe que son las reglas de asociación, se mencionan algunas aplicaciones de las mismas y se explica el algoritmo Apriori-i mediante un ejemplo, se abordan los contenidos de la pornografía en la Internet, que es el caso de aplicación del algoritmo y se muestran las gráficas de las reglas de asociación más importantes encontradas en esta investigación y una tabla de elementos de patrones de pornografía. Los posibles riesgos, tanto éticos como profesionales por el uso de la minería de datos se muestran en el capitulo VI, se puede dañar moralmente o invadir la privacidad e integridad de las personas, se presenta un caso real, así como las consideraciones que se deben de tomar en cuenta para no caer en problemas éticos o legales. Finalmente, se incluyen conclusiones de la presente investigación, a continuación se dan las referencias, en su mayoría son de las revistas de IEEE y ELSEVIER. El anexo A muestra la estructura del archivo que se mina en esta investigación y se proporciona el código de los scripts utilizados en el proceso de extracción, transformación y transportación de los datos. El anexo B muestra los recursos requeridos y disponibles para este proyecto.

9 INTRODUCCION En la actualidad se cuenta con una gran variedad de herramientas para coleccionar enormes cantidades de datos, muchos de ellos han sido continuamente almacenados en bases de datos, las cuales crean una inminente necesidad y grandes oportunidades para encontrar conocimiento que puede estar inmerso en ese gran conjunto de datos y que no es visible a simple vista. Las reglas de asociación es una de las técnicas de la minería de datos la cual tiene como objetivo encontrar reglas fuertes o correlación entre datos. Las reglas descubiertas pueden ayudar a realizar un análisis de los datos mas detallados y analizar los eventos que se encuentran dentro de ellos, por ejemplo: administración de negocios, toma de decisiones, análisis de ventas o la bolsa de valores. En esta tesis se propone y desarrolla una aproximación de lo que son las reglas de asociación, las cuales tienen su origen en la tecnología OLAP (on line analytical process), para ello se emplea una metodología que propone la construcción del repositorio de datos (extracción, transformación y transportación de los datos) para posteriormente implementar un algoritmo asociativo que nos proporciona reglas fuertes basadas en los parámetros frecuencia (support) y confianza (conffidence), nuestro estudio muestra que esta aproximación presenta grandes ventajas en términos de flexibilidad y eficiencia.

10 INDICE INTRODUCCION 1 ANTECEDENTES 5 2 JUSTIFICACION 8 3 OBJETIVOS GENERALES Y PARTICULARES 13 4 METODOLOGIA FASE I PROCESAMIENTO Y EXTRACCION DE DATOS TRANSFORMACION DE DATOS TRANSPORTACION DE DATOS FASE II MINERIA DE DATOS PARA EL WEB VISION GLOBAL EJEMPLO DE SESION DE UN SITIO WEB INTERACTIVIDAD DESDE EL PRINCIPIO ESTADO SOLIDO CONJUNTO DE DATOS 29 5 ASOCIACION DE LA INFORMACION DESCUBRIENDO REGLAS DE ASOCIACION APLICACIONES DE LAS REGLAS DE ASOCIACION ALGORITMO A PRIORI 41 1

11 5.4 LA PORNOGRAFIA EN EL INTERNET 50 6 LA PRIVACIDAD DE LOS DATOS DATOS DE CLIENTES, PRIVACIDAD Y MINERIA DE DATOS PRIVACIDAD Y MINERIA DE DATOS DIRECTRICES PARA LA PRIVACIDAD INFORMACION ANONIMA Y NO ANONIMA DATOS DETALLADOS Y AGRGADOS INFORMACION PARA OBJETIVO O PARA MEDICION FUENTES COMBINADAS ASUNTOS LEGALES ASOCIADOS CON MINERIA DE DATOS 76 CONCLUSIONES 78 REFERENCIAS 79 ANEXO A 81 ANEXO B 88 2

12 INDICE DE FIGURAS FIGURA 4.1 DIAGRAMA ENTIDAD RELACION 21 FIGURA 5.1 MATRIZ MIF Y EL VECTOR STE 44 FIGURA 5.2 MATRIZ MIF DSPUES DE EJECUTAR EL MIF 45 FIGURA 5.3 ASOCIACION DEL CAMPO ESTADO CIVIL 55 FIGURA 5.4 ASOCIACION DEL CAMPO SEXO 56 FIGURA 5.5 ASOCIACION DEL CAMPO FECHA 56 FIGURA 5.6 ASOCIACION DEL CAMPO FECHA POR DIA 58 FIGURA 5.7 ASOCIACION DEL CAMPO POR DIA DE LA SEMANA 59 FIGURA 5.8 ASOCIACION DEL CAMPO TABULADOR 60 FIGURA 5.9 ASOCIACION DEL CAMPO TABULADOR Y PUESTO 61 FIGURA 5.10 ASOCIACION DEL CAMPO EDIFICIO 62 FIGURA 5.11 ASOCIACION DEL CAMPO CONTENIDO 63 FIGURA 5.12 ASOCIACION DEL CAMPO CODIGO 64 FIGURA 5.13 ASOCIACION DEL CAMPO TIPO DE EMPLEADO 65 FIGURA 5.14 SITIOS PORNOGRAFICOS CON SUPPORT MAYOR A FIGURA 5.15 ASOCIACION DEL CAMPO ESTADO 67 FIGURA 5.16 ASOCIACION DEL CAMPO ZONA 68 3

13 TABLA 4.1 INDICE DE TABLAS RESUMEN DE TRANSACCIONES DE SERVIDORES PROXY 22 TABLA 4.2 ACCIONES DE UNA SESION WEB 28 TABLA 5.1 CONJUNTO DE TRANSACCIONES ALMACENADAS EN D 42 TABLA 5.2 ITEMS FRECUENTES, IF 42 TABLA 5.3 ITEMS ORDENADOS SEGÚN IF 43 TABLA 5.4 TABLA 5.5 TABLA 5.6 TABLA 5.7 TABLA 5.8 TABLA 5.9 TABLA 5.10 SOPORTE CALCULADO DEL PATRON CONDICIONAL I SOPORTE CALCULADO DEL PATRON CONDICIONAL F SOPORTE CALCULADO DEL PATRON CONDICIONAL A SOPORTE CALCULADO DEL PATRON CONDICIONAL DA SOPORTE CALCULADO DEL PATRON CONDICIONAL CDA SOPORTE CALCULADO DEL PATRON CONDICIONAL D PASO A PASO LAS OPERACIONES PRINCIPALES DEL ALGORITMO TABLA 5.11 PATRONES DE PORNOGRAFIA MAS COMUNES 53 TABLA 5.12 TABLA DE CORRELACIÓN ENTRE LOS PATRONES DE PORNOGRAFÍA 71 4

14 TITULO APLICACIONES DE REGLAS DE ASOCIACIÓN PARA WEB MINING 1 ANTECEDENTES El crecimiento explosivo de Internet y particularmente de la World Wide Web, ha hecho cada vez más necesario para las empresas utilizar herramientas automatizadas para encontrar, extraer, filtrar y evaluar los recursos de información disponibles. Unido a ello y con la transformación de la Web, como la herramienta primaria para el acceso a cualquier tipo de información, se hace indispensable para las empresas que basan su negocio en Internet poder rastrear y analizar modelos de acceso de usuarios con el fin de cumplir sus objetivos y sus metas. En los últimos años se ha desarrollado un enorme crecimiento en la capacidad de generación y almacenamiento de información, debido a la creciente automatización de procesos, en general, y a los avances tecnológicos en la capacidad de almacenamiento de la información. Conjuntamente, las herramientas de software también han desarrollado un fuerte crecimiento, el proceso de descubrir conocimiento o como es conocida, la minería de datos (data mining) ha sido definida como la identificación de patrones no triviales validos, nuevos, comprensibles y potencialmente útiles de un conjunto enorme de datos definidos así en las ref. [1, 2]. Los factores antes mencionados dan lugar a la necesidad de crear sistemas inteligentes, tanto del lado cliente y del servidor, que puedan hacer búsquedas o minería en la Web para obtener conocimiento. Web mining (minería del Web) puede definirse como el descubrimiento y análisis de información útil en la World Wide Web (WWW). Existen varias técnicas para hacer minería de datos, como son las reglas de asociación ref. [3], reglas de extracción, clustering ref. [4], algoritmos genéticos y redes neuronales ref. [5]. Cada una de ellas se aplica con menor o mayor grado de dificultad a las bases de datos relacionales, en que se ha visto que la primera técnica mencionada es más exitosa que las demás, debido a que su aplicación es inmediata en un lenguaje de cuarta generación, por otra parte, tiene la limitante de ser estrictamente predictiva y no de búsqueda. En el caso de la aplicación de inteligencia artificial es más complejo aterrizar o encontrar un camino que lleve a algoritmos de búsqueda inteligentes debido a que no existe una completa conexión entre las bases de datos relacionales y la inteligencia artificial. La minería de datos es una área nueva de investigación de las ciencias computacionales. Intenta trasladar los objetivos y las tareas propias de la minería 5

15 de datos al dominio de las bases de datos o en general, al dominio de la información que no esta estructurada para poder encontrar conocimiento en ella. Debido a su reciente desarrollo es recomendable para entender la minería de datos, hacer énfasis en sus dos principales antecedentes: El concepto de Data warehouse y las herramientas OLAP (On Line Analitical Process) como lo plantea la ref. [6]. Un almacén de datos o Data warehouse (DW) es una enorme colección de datos provenientes de sistemas operacionales o mejor conocidos como OLTP (On Line Transaction Process), seleccionados y transformados para facilitar el proceso de análisis de información ref. [7]. Algunas de las características de los llamados Data warehouses son: los datos están separados de los sistemas operacionales (sistemas transaccionales), los datos son transformados lógicamente antes de estar dentro del Data Warehouse, los cuales solo contienen un resumen del sistema operacional ya que estos permiten hacer análisis rápidos y visualizar la información desde varias perspectivas. Los Data warehouses no son un requisito indispensable para hacer minería de datos, pero sientan las bases para poder efectuar una buena minería de datos, como lo detalla la ref. [6]. Por otra parte las herramientas OLTP permiten hacer estructuras correlaciónales o o arreglos tridimensionales llamados cubos de información de los atributos de nuestras entidades, las ref. [8, 9] explican los modelos mas usado, pero estas herramientas no son inteligentes y generan una minería de datos menos robusta, para ello se necesita de un operador para tomar decisiones en el minado de datos. Debido al desarrollo de la tecnología actual, resulta sencillo coleccionar grandes volúmenes de información. Con el uso de almacenes de datos de gran capacidad y densidad, lectura óptica, códigos de barras, las entidades públicas o empresas pueden fácilmente coleccionar información a partir de cada una de las transacciones. Por ejemplo, cuál es el conjunto de artículos que un cliente compra? Un concepto similar es el estado de cuenta mensual de una tarjeta de crédito. En él se describe un conjunto de artículos que el tarjeta-habiente adquirió en ese mes. De igual manera, gobiernos, instituciones públicas y privadas, están en la posibilidad de conjuntar millones y millones de datos de actividades individuales que contienen información altamente detallada sobre montos, fechas, horas, lugares, productos y servicios. Esta información cruda es tan voluminosa que resulta inútil, pues no aporta conocimiento o fundamento para apoyar la toma de decisiones. El resumen de datos para la toma de decisiones es el campo tradicional de la estadística. Por ejemplo, la comparación del valor promedio de la canasta de compra del fin de semana, con el valor promedio entre semana, puede ser un elemento de información para la gestión de una entidad publica, empresa o negocio y puede 6

16 usarse como base para una política de ofertas o para establecer algunas bases de trabajo como horarios de apertura. Resulta de gran importancia traducir estos grandes volúmenes de datos en información útil. Desde tiempo, es claro que sólo las computadoras pueden manipular rápidamente la inmensa masa de datos y producir reportes que apoyan la toma de decisiones. Sin embargo, los resúmenes estadísticos no son lo único oculto en el mar de datos. La identificación de patrones comunes, asociaciones, reglas generales y nuevo conocimiento es hoy en día de gran interés. Una regla que nos dice que el 80% de los médicos varones tarjeta-habientes compra artículos para dama en la ultima semana de abril o la primera de mayo, puede ser muy útil para orientar y dirigir la publicidad que se incorpora en su estado de cuenta, sin tener que imprimir publicidad sobrante o enviarla a otros tarjetahabientes que no exhiben ese comportamiento. Por eso la minería de datos revela patrones o asociaciones que usualmente son desconocidas, por ello se le ha llamado también descubrimiento de Conocimiento (Knowledge Discovery). 7

17 2 JUSTIFICACION Utilizando la técnica de la minería de datos que es una área relativamente nueva y que se encarga básicamente, como su nombre lo indica, de excavar los datos con el objetivo de encontrar en ello información que parece interesante y que no es evidente ni fácil de entender a simple vista, este trabajo de tesis pretende alcanzar un conocimiento básico aplicado como lo es trabajo reportado en la ref. [4]. Varios han sido los enfoques aplicados para enfrentar este problema. El análisis matemático y el análisis estadístico proporcionan buenos resultados en la solución del problema, pero estos enfoques tienen como meta la prueba de hipótesis predefinidas y no la búsqueda de patrones no predefinidos en diferentes escenarios de análisis. La minería de datos es un nuevo enfoque que los especialistas en base de datos y/o inteligencia artificial proponen como una solución al problema de adquirir y utilizar la información de las organizaciones buscando patrones de comportamiento para apoyar la toma de decisiones. La minería de datos permite desarrollar y seleccionar una estrategia para construir y aplicar un algoritmo de búsqueda en un proceso complejo para descubrir conocimiento en bases de datos. La minería de Datos o Data Mining es una tecnología nueva concebida a finales de los años 90's, que haciendo uso de las herramientas de ese momento se pudiera lograr el objetivo de encontrar algún conocimiento oculto (patrón, asociación, regla de comportamiento) dentro de las bases de datos para ayudar en la toma de decisiones. Esta tecnología surge principalmente de tres factores: 1) El abaratamiento en los costos de almacenamiento y procesamiento de información (equipos de cómputo y discos duros cada vez más grandes y de precio mas bajo). 2) El desarrollo de nuevas tecnologías, métodos y programas para manejar la información. 3) La cultura de la informatización del procesamiento de datos, que en la actualidad se esta empezando a conocer como la infoera. Se denomina minería de datos (data mining) al análisis de archivos y bitácoras de transacciones con el fin de descubrir patrones, relaciones, reglas, asociaciones o incluso excepciones que pueden ser útiles para la toma de decisiones. Los seres humanos poseen habilidades extremadamente sofisticadas para detectar patrones y descubrir tendencias. Por tal motivo, una imagen dice más que mil palabras y 8

18 una gráfica o una tabulación permite, de una mirada, identificar tendencias en el tiempo o relaciones entre dos mediciones de un fenómeno. Por otro lado, no es claro que nuestras habilidades puedan realizar, con la misma eficiencia, la tarea de analizar los miles de millones de datos almacenados electrónicamente al monitorear las transacciones comerciales de una base de datos. Así pues, Data Mining es una solución a muchos de los procesos actuales en los cuales se manejan volúmenes de datos cada vez mayores, de forma tal que nos resulta muy difícil percibir algunas características o anomalías de comportamientos basados solo en el estudio de las bases de datos. De manera más profunda, Data Mining está compuesta por una serie de técnicas (traducidas en algoritmos), la mayoría proveniente de la inteligencia artificial, pero aplicados a las bases de datos. Sin confundirse con un sistema experto, está tecnología se basa mas bien en las orientaciones de los expertos para ver la mejor manera de procesar y encontrar correlaciones, patrones en los datos, en este punto se tienen que considerar los elementos de las bases de datos, minería de datos y algunos elementos de sistemas expertos, de otra manera puede resultar en un modelado erróneo de los datos. El proceso que conlleva la minería de datos comienza desde definir objetivos, es decir cual es el problema en cuestión. Posteriormente una etapa de preprocesamiento de datos, para quitar ruido y prepararlos de forma adecuada al algoritmo. Existe la etapa llamada de Data Mining, en la cual se introducen los datos para el algoritmo y finalmente una etapa de post-procesamiento que consiste en eliminar conocimientos, que muchas veces resultan obvios y solo dejar aquellos que verdaderamente puede servir para una toma de decisión. Descubrir patrones o relaciones útiles en una colección de datos ha recibido tradicionalmente muchos nombres. El término data mining llegó incluso a ser muy desprestigiado en estadística, pues representaba masajear suficientemente los datos hasta que los mismos confirmasen lo que uno quería postular. En este sentido, la minería de datos es un proceso que invierte la dinámica del método científico. En el método científico, primero se formula la hipótesis y luego se diseña el experimento para coleccionar los datos que confirmen o refuten la hipótesis. Si esto se hace con la formalidad adecuada (cuidando cuáles son las variables controladas y cuáles experimentales), se obtiene un nuevo conocimiento. En la minería de datos, se coleccionan los datos y esperamos que de ellos emerjan hipótesis. Queremos que los datos describan o indiquen por qué son como son. La más inocente mirada a los datos por un humano, puede inspirarle una hipótesis. Se debe recordar que los seres humanos tenemos grandes habilidades de generalización e identificación de patrones. Entonces, validar una hipótesis inspirada por los datos en los datos mismos que sea numéricamente significativa, pero que experimentalmente puede no ser necesariamente válida o puede ser incompleta. De ahí que la minería de datos debe presentar un enfoque 9

19 exploratorio y no necesariamente confirmativo. Por esto, usar la minería de datos para confirmar nuestras hipótesis puede ser peligroso, pues estamos haciendo se puede estar realizando una inferencia poco válida. Afortunadamente, las técnicas de validación desarrolladas a lo largo de los años 80 en el campo del Aprendizaje Automático, hacen posible que las inferencias de la Minería de Datos pueden ser validadas para obtener patrones o asociaciones reales y ciertas y no sólo reflejos de un manipuleo de los datos. El campo del Descubrimiento de Conocimiento en Bases de Datos, denominado en inglés Knowledge Discovery in Data Bases, usualmente abreviado KDD en los congresos y en la prensa, es la convergencia del Aprendizaje Automático, la Estadística, el Reconocimiento de Patrones, la Inteligencia Artificial, las Bases de Datos, la Visualización de Datos, los Sistemas para el Apoyo a la Toma de Decisiones, la Recuperación de Información, y otros muchos campos. Parece, que sólo hasta ahora, existe un nivel de madurez en todas estas áreas, para que sea posible extraer los más bellos diamantes del conocimiento a partir de los datos. Las Bases de Datos proporcionan la infraestructura necesaria para almacenar, recuperar y manipular datos. La construcción y mantenimiento de un almacén de Datos (Data Warehouse) es una actividad que ha cobrado mucha popularidad en estos últimos años. A pesar de que un almacén de Datos es una Base de Datos, su modo de operar y sus aplicaciones son distintos al de una aplicación de Base de Datos para soportar transacciones y la actividad de negocio en línea [10]. Típicamente, el Data Warehouse (DW) almacena y resume información sobre transacciones cotidianas a lo largo del tiempo. Puede que contenga información que ya no es posible reproducir del sistema para la operación cotidiana, es información arcaica pero útil por su crónica histórica del funcionamiento operacional del sistema de información, las ref. [11] [12] hacen una explicación más exhaustiva de los DW. Las consultas al almacén no son tan sistemáticas como las transacciones y usualmente demandan más recursos de cómputo. Resulta incluso conveniente separar los equipos y sistemas de la operación cotidiana de transacciones en línea del Almacén de Datos. El Almacén de Datos hace viable la revisión y el análisis de su información para el apoyo a las decisiones ejecutivas. Un enfoque que ha cobrado fuerza es el Análisis en Línea (en inglés, denominado On-Line Analytical Processing, o OLAP) la ref. [8] hace un análisis del impacto de dicha tecnología. Las herramientas OLAP ofrecen un mayor poderío para revisar, graficar y visualizar información multidimensional, en características temporales, espaciales o propias, pero aunado a que los lenguajes restringidos y estructurados como SQL no son suficientes para el carácter explorador de esta tecnología. La consulta enunciada con SQL es motivada por la asociatividad de cada uno de los campos que se van a minar, que en si son las aplicaciones y los reportes generados de una base de datos en línea, suponen que esta es la información necesaria para la administración cotidiana de la actividad de negocio y que sólo de manera esporádica se requiere de otra información. 10

20 El análisis de datos almacenados en un Data warehouse tiene un carácter altamente exploratorio. El usuario está en busca de nueva información, de nuevos patrones que le sugieran relaciones entre diferentes aspectos conmensurables de su actividad cotidiana. Si el usuario sabe esas asociaciones, no necesita el análisis de los datos. Las herramientas actuales del OLAP, requieren todavía de una alta participación de un usuario humano, pues son interactivas y requieren la guía de un experto. Sin embargo, se espera que en el futuro la búsqueda de patrones sea más automatizada, simplemente porque los volúmenes de información por analizar crecen mucho más que los recursos humanos para analizarlos. A pesar de que el Descubrimiento de Conocimiento tiene sus inicios en el Aprendizaje Automático o la Estadística, hay ciertas componentes que lo hacen diferente. En particular, el objetivo fundamental es encontrar conocimiento útil, válido, relevante y nuevo sobre un fenómeno o actividad mediante algoritmos eficientes, debido a las crecientes órdenes de magnitud en los datos. Al mismo tiempo hay un profundo interés por presentar los resultados de manera visual o al menos de manera que su interpretación pueda ser muy clara. Otro aspecto es que la interacción humano-máquina debe ser flexible, dinámica y colaborativa. El resultado de la exploración, en principio, debe ser interesante y su calidad no debe ser afectada por los mayores volúmenes de datos o por el ruido en los datos. En este sentido, los algoritmos de descubrimiento de información deben ser altamente robustos. Desdichadamente, como ya se mencionó, las técnicas de análisis de la información no tienen un desarrollo equivalente, por lo que existe una necesidad de una nueva generación de técnicas y herramientas computacionales que puedan asistir a quien toma decisiones en el análisis automático e inteligente de grandes volúmenes de información. Encontrar conocimiento útil en grandes cantidades de datos es el objetivo principal del área de descubrimiento de conocimiento en bases de datos. No cabe duda de que el valor táctico o estratégico de los grandes almacenes de datos está en proporción directa con la capacidad de analizarlos. Dada la gran gama de hipótesis plausibles que se ajustan a los datos, el problema computacional representa un reto poco enfrentado. Sin embargo, estas nuevas condiciones abren un nuevo mundo de oportunidades a la investigación y al desarrollo de nueva tecnología. El objetivo de este trabajo y del documento es proponer y realizar una investigación en el campo de la minería de datos para aplicarlo a una base de datos relacional construida a partir de la información general que se registra en servidores Web, la aplicación que se propone es especifica para un campo dado pero la metodología que se propone es general y puede ser transferida para diferentes propósitos de búsqueda de patrones en muchos y diferentes campos del conocimiento. 11

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

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

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

Minería de Datos. Vallejos, Sofia

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

Más detalles

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

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

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

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

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

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

Más detalles

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

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes Capítulo 4 Arquitectura para análisis de información propuesta 4.1 Arquitectura Zombi es una arquitectura que proporciona de manera integrada los componentes necesarios para el análisis de información

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

Minería de Datos. Vallejos, Sofia

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

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

ETL: Extractor de datos georreferenciados

ETL: Extractor de datos georreferenciados ETL: Extractor de datos georreferenciados Dr. Juan Pablo Díaz Ezcurdia Doctor Honoris Causa Suma Cum Laude Master en Telecomunicaciones Master en Gestión Educativa Coordinador de la comisión de CSIRT de

Más detalles

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA M.ª del Pilar Cantero Blanco Jefa de Servicio de Sistemas Informáticos. Subdirección General de Planificación

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

Asignatura (E): Jornada de Formación Permanente: Proyecto de Trabajo Especial de Grado. ESTRUCTURA DEL PROYECTO DE TEG.

Asignatura (E): Jornada de Formación Permanente: Proyecto de Trabajo Especial de Grado. ESTRUCTURA DEL PROYECTO DE TEG. Portada (Ver anexo J) * Página de Presentación (Ver anexo H) * Dedicatoria (opcional) * Agradecimiento (opcional) * Índice General (Ver anexo K) * Lista de Cuadros (Ver anexo F) * Lista de Gráficos (Ver

Más detalles

Microsoft Dynamics NAV

Microsoft Dynamics NAV Microsoft Dynamics NAV Maximizar el valor a través de conocimiento de negocio Business Intelligence White Paper Noviembre 2011 La información contenida en este documento representa el punto de vista actual

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

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

GEOGEBRA Y DOMINIO DE FUNCIONES EN MATEMÁTICAS

GEOGEBRA Y DOMINIO DE FUNCIONES EN MATEMÁTICAS GEOGEBRA Y DOMINIO DE FUNCIONES EN MATEMÁTICAS AUTORÍA RAFAEL GONZÁLEZ BÁEZ TEMÁTICA MATEMÁTICAS ETAPA ESO Y BACHILLERATO Resumen. Las nuevas tecnologías son un requisito indispensable a tratar en el aula;

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Titulo : Administración y Operación de Sistemas Operativos

Titulo : Administración y Operación de Sistemas Operativos DIRECCION NACIONAL DE ADMINISTRACION FINANCIERA E INNOVACION CÓDIGO : PRO -119 Titulo : Administración y Operación de Preparado por : Nombre : Lic. Ingrid Roxana Díaz Bran Cargo : Especialista en Aplicaciones

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

MINISTERIO DE TELECOMUNICACIONES Y DE LA SOCIEDAD DE LA INFORMACIÓN SUBSECRETARÍA DE INCLUSIÓN SOCIAL DIRECCIÓN DE ALISTAMIENTO DIGITAL

MINISTERIO DE TELECOMUNICACIONES Y DE LA SOCIEDAD DE LA INFORMACIÓN SUBSECRETARÍA DE INCLUSIÓN SOCIAL DIRECCIÓN DE ALISTAMIENTO DIGITAL MINISTERIO DE TELECOMUNICACIONES Y DE LA SOCIEDAD DE LA INFORMACIÓN SUBSECRETARÍA DE INCLUSIÓN SOCIAL PROGRAMA HERRAMIENTAS OFIMÁTICAS Quito, ECUADOR 2015 1 INDICE CONTENIDO PÁGINA I. Antecedentes. 3 II.

Más detalles

PREGUNTAS FRECUENTES DE ACL SCRIPTHUB

PREGUNTAS FRECUENTES DE ACL SCRIPTHUB PREGUNTAS FRECUENTES DE ACL SCRIPTHUB Qué es ScriptHub? ACL estará ofreciendo más de cien scripts de "mejores prácticas" en ScriptHub través de una amplia gama de asuntos y materias. Siempre se puede iniciar

Más detalles

1.1 Titulo Descriptivo del Proyecto

1.1 Titulo Descriptivo del Proyecto 1.1 Titulo Descriptivo del Proyecto Diseño de un Manual empleando Data Mining (Minería de Datos) para predecir el Potencial de Desarrollo de las empresas en la Zona Oriental asociadas a la Comisión Nacional

Más detalles

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

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

Más detalles

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer En los últimos años, el interés por la Computación en la Nube (Cloud Computing), tanto para uso personal como para negocios,

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

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

Más detalles

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2

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

Más detalles

Monitor de Estadísticas de IDECanarias

Monitor de Estadísticas de IDECanarias Monitor de Estadísticas de IDECanarias Deepak P. Daswani 1, J. J. Rodrigo 1 y J. Rosales 2 1 Depto. de Ingeniería GRAFCAN. Cartográfica de Canarias, S.A C/ Panamá 34, Naves 8 y 9 Santa Cruz de Tenerife

Más detalles

Clientes Donantonio. Especificación de requisitos software. Juan José Amor David Escorial Ismael Olea

Clientes Donantonio. Especificación de requisitos software. Juan José Amor David Escorial Ismael Olea Especificación de requisitos software Tabla de contenidos Juan José Amor David Escorial Ismael Olea 1. Introducción...3 1.1. Propósito...3 1.2. Ámbito del sistema...3 1.3. Definiciones, acrónimos y abreviaturas...3

Más detalles

CAPITULO IV. La perspectiva financiera en el cuadro de mando integral mantiene los indicadores

CAPITULO IV. La perspectiva financiera en el cuadro de mando integral mantiene los indicadores CAPITULO IV PERSPECTIVA FINANCIERA La perspectiva financiera en el cuadro de mando integral mantiene los indicadores financieros, ya que estos pueden resumir las consecuencias económicas que generan dichos

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

PRESENTACIÓN PRODUCTO. Más que un software, el método más eficaz de conciliar.

PRESENTACIÓN PRODUCTO. Más que un software, el método más eficaz de conciliar. PRESENTACIÓN PRODUCTO Más que un software, el método más eficaz de conciliar. Automatizar las conciliaciones significa ahorrar recursos y generar mayor rentabilidad en su negocio. Eligiendo Conciliac su

Más detalles

La satisfacción laboral y su relación con el entorno ético de las. organizaciones

La satisfacción laboral y su relación con el entorno ético de las. organizaciones La satisfacción laboral y su relación con el entorno ético de las organizaciones Maldonado de Lozada Verónica Departamento Académico de Administración DAF Tecnológico de Monterrey Campus Monterrey, México

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

Unidad 5. Conceptos y Estructuras de Archivos

Unidad 5. Conceptos y Estructuras de Archivos Unidad 5 Conceptos y Estructuras de Archivos En todos los tiempos y más aún en la era en que vivimos, el hombre tiene cada vez mas necesidad de consultar una mayor cantidad de información para poder desarrollar

Más detalles

Microsoft Business Solutions Navision le ofrece una forma eficaz de optimizar su negocio y aumentar la productividad.

Microsoft Business Solutions Navision le ofrece una forma eficaz de optimizar su negocio y aumentar la productividad. MICROSOFT BUSINESS SOLUTIONS NAVISION MICROSOFT BUSINESS SOLUTIONS NAVISION Le ofrece la libertad para centrarse en su negocio. Beneficios principales: Aumente su productividad Marque su ventaja sobre

Más detalles

UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO. Nombre del Proyecto: Empresa: Memoria que como parte de los requisitos para obtener el título de:

UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO. Nombre del Proyecto: Empresa: Memoria que como parte de los requisitos para obtener el título de: UNIVERSIDAD TECNOLÓGICA DE QUERÉTARO Nombre del Proyecto: Modulo semiautomático para alta de empresas en red social Empresa: HIGH TECHNOLOGY & SUPPORT S.A. DE C.V. Memoria que como parte de los requisitos

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

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

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

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

Cambia tu estado de ánimo en 5 min.

Cambia tu estado de ánimo en 5 min. Cambia tu estado de ánimo en 5 min. Coaching de alto impacto para resultados excelentes! RESERVA TU PLAZA AHORA PARA ESTE EVENTO GRATUITO Estimado amig@: La era del talento y del cambio ha llegado, y ha

Más detalles

POLITICA DE PRIVACIDAD. www.tuboleta.com

POLITICA DE PRIVACIDAD. www.tuboleta.com http://vive.tuboleta.com/content/privatepolicy.aspx POLITICA DE PRIVACIDAD Tu Boleta respeta la privacidad de todos sus clientes y contactos comerciales, y está comprometido a salvaguardar la información

Más detalles

CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR

CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR En este capítulo se describe el análisis y diseño de un sistema, denominado e-commerce Constructor, el cual cumple con los siguientes objetivos: Fungir

Más detalles

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

Más detalles

Construcción de cubos OLAP utilizando Business Intelligence Development Studio

Construcción de cubos OLAP utilizando Business Intelligence Development Studio Universidad Católica de Santa María Facultad de Ciencias e Ingenierías Físicas y Formales Informe de Trabajo Construcción de cubos OLAP utilizando Business Intelligence Development Studio Alumnos: Solange

Más detalles

LOS INDICADORES DE GESTIÓN

LOS INDICADORES DE GESTIÓN LOS INDICADORES DE GESTIÓN Autor: Carlos Mario Pérez Jaramillo Todas las actividades pueden medirse con parámetros que enfocados a la toma de decisiones son señales para monitorear la gestión, así se asegura

Más detalles

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

Más detalles

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

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

UNIVERSIDAD FRANCISCO GAVIDIA FACULTAD DE CIENCIAS ECONÓMICAS

UNIVERSIDAD FRANCISCO GAVIDIA FACULTAD DE CIENCIAS ECONÓMICAS UNIVERSIDAD FRANCISCO GAVIDIA FACULTAD DE CIENCIAS ECONÓMICAS TRABAJO DE GRADO: DISEÑO DE UN PLAN DE MARKETING PARA PROMOVER EN LAS EMPRESAS FARMACÉUTICAS DEL ÁREA METROPOLITANA DE SAN SALVADOR, EL SERVICIO

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

C/ Navarra, 24.bis. 1º C 28039 Madrid 91 383 06 41 91 383 06 14 [fax] info@tecnolearning.com www.tecnolearning.com

C/ Navarra, 24.bis. 1º C 28039 Madrid 91 383 06 41 91 383 06 14 [fax] info@tecnolearning.com www.tecnolearning.com C/ Navarra, 24.bis. 1º C 28039 Madrid 91 383 06 41 91 383 06 14 [fax] info@tecnolearning.com www.tecnolearning.com Porque su negocio depende cada vez más de Internet, hemos creado Internet NonStop. Este

Más detalles

Sistema Web para gestión de bibliotecas

Sistema Web para gestión de bibliotecas Sistema Web para gestión de bibliotecas Mirta Inés Bujakiewiez 1, María Victoria López 1 y Armando Taié 2 1 Departamento de Informática. Facultad de Cs. Exactas y Naturales y Agrimensura. Universidad Nacional

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 12-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 21

Más detalles

I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez*

I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez* I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez* Resumen En este documento se muestra la estructura funcional de un reconocedor de lenguaje

Más detalles

Qué necesito saber para tener mi sitio web en Internet?

Qué necesito saber para tener mi sitio web en Internet? Qué necesito saber para tener mi sitio web en Internet? Introducción Antes es importante tener en cuenta que Es importante considerar lo siguiente: Definir claramente tu actividad en Internet Establecer

Más detalles

NOMBRE DEL TEMA: TRABAJO DE GRADUACIÓN PRESENTADO POR: VERÓNICA GUADALUPE MARTÍNEZ MAGAÑA. NELY ELIZABETH RIVERA GODOY. PARA OPTAR AL TÍTULO DE

NOMBRE DEL TEMA: TRABAJO DE GRADUACIÓN PRESENTADO POR: VERÓNICA GUADALUPE MARTÍNEZ MAGAÑA. NELY ELIZABETH RIVERA GODOY. PARA OPTAR AL TÍTULO DE UNIVERSIDAD FRANCISCO GAVIDIA CENTRO REGIONAL DE OCCIDENTE FACULTAD DE CIENCIAS SOCIALES NOMBRE DEL TEMA: ELABORACIÓN DE ESTRATEGIAS EDUCATIVAS QUE FORTALEZCAN LA SOCIOAFECTIVIDAD AFECTADA POR LA DISLEXIA

Más detalles

I N T E R P R E T A T I V O

I N T E R P R E T A T I V O S E L E C C I Ó N D E S A R R O L L O L I D E R A Z G O H O G A N D E S A R R O L L O I N T E R P R E T A T I V O INVENTARIO DE RAZONAMIENTO DE NEGOCIOS DE HOGAN Reporte Para: High Score Usuario: UH007438

Más detalles

Gestión del Conocimiento. Gestión del Conocimiento. Herramientas para la

Gestión del Conocimiento. Gestión del Conocimiento. Herramientas para la Herramientas para la Departamento de Informática Facultad de Ciencias Económicas Universidad Nacional de Misiones Universidad Nacional de Misiones Facultad de Ciencias Económicas Departamento de Informática

Más detalles

CAPÍTULO V PROPUESTA DE LA SOLUCIÓN

CAPÍTULO V PROPUESTA DE LA SOLUCIÓN CAPÍTULO V PROPUESTA DE LA SOLUCIÓN 5.1 Introducción En los últimos tres años la entidad financiera ha venido sufriendo cambios que le han permitido crecer y pasar de ser una Sociedad Financiera a un Banco

Más detalles

Tableau Online Seguridad en la nube

Tableau Online Seguridad en la nube Tableau Online Seguridad en la nube Autor: Ellie Fields Directora sénior, marketing de productos, Tableau Software Junio de 2013 p2 Tableau Software comprende que los datos están dentro de los recursos

Más detalles

Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión?

Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión? Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión? Luis Daniel Hernández Molinero Departamento de Ingeniería de la Información y las Comunicaciones Facultad de Informática Universidad

Más detalles

Política de Privacidad Internet. 3M Chile. Política Global sobre privacidad en internet

Política de Privacidad Internet. 3M Chile. Política Global sobre privacidad en internet Política de Privacidad Internet 3M Chile Política Global sobre privacidad en internet 3M respeta su derecho a la privacidad. Esta política resume la información de identificación personal que podemos obtener

Más detalles

Estructura de Bases de datos. Leonardo Víquez Acuña

Estructura de Bases de datos. Leonardo Víquez Acuña Estructura de Bases de datos Leonardo Víquez Acuña Lenguajes de Bases de Datos Un sistema de bases de datos proporciona Un lenguaje de definición de datos para especificar el esquema de la base de datos

Más detalles

FISICA EN INTERNET. EfraÍn Barbosa. Departamento de Física Universidad Nacional de Colombia Bogotá, Co lombia. Resumen

FISICA EN INTERNET. EfraÍn Barbosa. Departamento de Física Universidad Nacional de Colombia Bogotá, Co lombia. Resumen 65 FISICA EN INTERNET EfraÍn Barbosa Departamento de Física Universidad Nacional de Colombia Bogotá, Co lombia Resumen En este trabajo se presentan los resultados de algunas investigaciones que he realizado

Más detalles

Boletín de Asesoría Gerencial* Business Process Management (BPM)

Boletín de Asesoría Gerencial* Business Process Management (BPM) Espiñeira, Sheldon y Asociados * No. 11-2009 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

EVALUACIÓN CRÍTICA DE UNA PAGINA WEB PARA NIVELES DE ENSEÑANZA PRIMARIA, MEDIA Y SECUNDARIA

EVALUACIÓN CRÍTICA DE UNA PAGINA WEB PARA NIVELES DE ENSEÑANZA PRIMARIA, MEDIA Y SECUNDARIA 1 EVALUACIÓN CRÍTICA DE UNA PAGINA WEB PARA NIVELES DE ENSEÑANZA PRIMARIA, MEDIA Y SECUNDARIA RAZONES DE PESO PARA EVALUAR Internet se ha convertido en una de las principales fuentes de información y por

Más detalles

MANUAL DE USO DE CUBOS DINÁMICOS

MANUAL DE USO DE CUBOS DINÁMICOS MANUAL DE USO DE CUBOS DINÁMICOS OBSERVATORIO METROPOLITANO DE SEGURIDAD CIUDADANA SECRETARIA DE SEGURIDAD CIUDADANA Y GOBERNABILIDAD DISTRITO METROPOLITANO DE QUITO Contenido Introducción... 3 Cubos multidimensionales

Más detalles

H O T E L W I N Configuración del motor de Reservas on line

H O T E L W I N Configuración del motor de Reservas on line H O T E L W I N Configuración del motor de Reservas on line Introducción Dado el enorme desarrollo de Internet en los últimos años y al sin fin de oportunidades que Internet brinda tanto a clientes como

Más detalles

Mauricio Contreras IES Benicalap Valencia

Mauricio Contreras IES Benicalap Valencia Mauricio Contreras IES Benicalap Valencia Principios Describen las características particulares de una educación matemática de calidad Igualdad Currículo Enseñanza Aprendizaje Evaluación Tecnología La

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

APORTE DE LA UNODC PARA COMBATIR EL DELITO UN APORTE DE LA UNODC PARA COMBATIR EL DELITO

APORTE DE LA UNODC PARA COMBATIR EL DELITO UN APORTE DE LA UNODC PARA COMBATIR EL DELITO APORTE DE LA UNODC PARA COMBATIR EL DELITO UN APORTE DE LA UNODC PARA COMBATIR EL DELITO UN UN PRODUCTO DEL SERVICIO DE INFORMÁTICA DE LAS NACIONES UNIDAS CONTRA LA DROGA Y EL DELITO OFICINA DE LAS NACIONES

Más detalles

Programación Orientada a Objetos Profr. Pedro Pablo Mayorga

Programación Orientada a Objetos Profr. Pedro Pablo Mayorga Actividad 2 Unidad 1 Ciclo de vida del software y Diseño Orientado a Objetos Ciclo de Vida del Software Un modelo de ciclo de vida define el estado de las fases a través de las cuales se mueve un proyecto

Más detalles

El convivir con todas estas personas todos los días me permitió comprender muchas de las diferencias que existen entre nosotros y en especial, el

El convivir con todas estas personas todos los días me permitió comprender muchas de las diferencias que existen entre nosotros y en especial, el 7. CONCLUSIONES Uno de mis principales objetivos académicos al realizar este proyecto era poder aplicar constantemente los conocimientos que he adquirido a lo largo de estos años de estudio en la UDLA

Más detalles

Requisitos de inteligencia comercial para TI:

Requisitos de inteligencia comercial para TI: Requisitos de inteligencia comercial para TI: Lo que cada administrador de TI debe saber sobre las necesidades reales de los usuarios comerciales para inteligencia comercial Enero de 2011 p2 Los usuarios

Más detalles

La Inteligencia de Negocios es ya una realidad para las empresas medianas

La Inteligencia de Negocios es ya una realidad para las empresas medianas Reuniones/Entrevistas La Inteligencia de Negocios es ya una realidad para las empresas medianas La Inteligencia de Negocios es el siguiente paso que las empresas deben dar para mejorar su toma de decisiones

Más detalles

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. Objetivo: Al final de la unidad el alumno comprenderá la presencia de estas herramientas informáticas (programas Datamining))

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

TÉRMINOS Y CONDICIONES

TÉRMINOS Y CONDICIONES 1. Contenidos. Los servicios contratados con Dibecsa Diseño Web deben ser utilizados exclusivamente con fines lícitos. Queda estrictamente prohibido el uso de cualquiera de los servicios contratados con

Más detalles

UNIVERSIDAD DE ORIENTE FACULTAD DE CIENCIAS ECONOMICAS CARRERA: LICENCIATURA EN CIENCIAS DE LA COMPUTACION.

UNIVERSIDAD DE ORIENTE FACULTAD DE CIENCIAS ECONOMICAS CARRERA: LICENCIATURA EN CIENCIAS DE LA COMPUTACION. UNIVERSIDAD DE ORIENTE FACULTAD DE CIENCIAS ECONOMICAS CARRERA: LICENCIATURA EN CIENCIAS DE LA COMPUTACION. TEMA: ESTUDIO DE FACTIBILIDAD SOBRE INTEGRACIÓN DE VOZ Y DATOS PARA UNA LAN EN EL INSTITUTO NACIONAL

Más detalles

CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED

CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED En el presente capitulo se presenta una aplicación que aborda una herramienta de monitoreo de redes para soportar estudios de disponibilidad.

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

7 Pasos Sencillos para Encontrar El Nicho de Mercado Adecuado para tu Negocio.

7 Pasos Sencillos para Encontrar El Nicho de Mercado Adecuado para tu Negocio. 7 Pasos Sencillos para Encontrar El Nicho de Mercado Adecuado para tu Negocio. Por Roberto Marroquín COPYRIGHT Copyright 2008 Todos los Derechos Reservados. Marketing-Integral.com La información contenida

Más detalles

CAPÍTULO 2 DATA WAREHOUSES

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

Más detalles

S s i t s em a s de d Inf n o f r o m a ió i n TIPOS DE SISTEMAS

S s i t s em a s de d Inf n o f r o m a ió i n TIPOS DE SISTEMAS Sistemas de Información TIPOS DE SISTEMAS La Empresa en la Sociedad de la Información: Impacto en las Organizaciones TICS TICS - COMPONENTES el factor humano los contenidos de la información el equipamiento

Más detalles

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS En tiempos de incertidumbre financiera, la toma de decisiones basada en información es crucial para sobrevivir en el mundo de los negocios. Empresas de todas las industrias dependen

Más detalles

Módulo I - Excel. Conociendo la aplicación de Excel... 2. Abriendo una planilla de Excel... 2. Entendiendo el concepto de Libro, hoja y celda...

Módulo I - Excel. Conociendo la aplicación de Excel... 2. Abriendo una planilla de Excel... 2. Entendiendo el concepto de Libro, hoja y celda... Módulo I - Excel Índice Conociendo la aplicación de Excel... 2 Abriendo una planilla de Excel... 2 Entendiendo el concepto de Libro, hoja y celda... 3 Creando el primer libro... 4 Saliendo de Excel...

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