Está en la página 1de 50

Introduccin a la Ingeniera de

Empresarial
Business Intelligence

Semana 9
Contenido
1. Objetivo.
2. Introduccin.
3. Conceptos sobre BI.
4. Principales tecnologas para BI.
5. Acrnimos.
6. Tarea semana 9.

2
1. Objetivo
Presentar los conceptos de Inteligencia de
Negocios
Presentar las tecnologas de Inteligencia de
Negocios.

3
2. Introduccin
Business Intelligence (BI) es un conjunto de
estrategias y aspectos relevantes enfocados a
la administracin y creacin de conocimiento,
a travs del anlisis de los datos existentes en
una organizacin
BI puede ayudar a las organizaciones a tomar
mas rpidamente las mejores decisiones.

4
Recordemos: Dato
Es posible diferenciar datos, informacin
y conocimientos, conceptos en los que se
centra la inteligencia empresarial
Un dato es algo vago, por ejemplo "10,000.

5
Recordemos: Informacin
La informacin es algo ms preciso, por
ejemplo "Las ventas del mes de mayo fueron
de 10,000

6
Recordemos: Conocimiento
El conocimiento se obtiene mediante el anlisis de la
informacin, por ejemplo "Mayo es el mes ms bajo
en ventas"
Aqu es donde la BI entra en juego, ya que al obtener
conocimiento del negocio, una vez capturada la
informacin de todas las reas en la empresa, es
posible:
o Determinar cules son las fortalezas y las
debilidades
o Establecer objetivos
o Definir estrategias. 7
3. Conceptos sobre BI
Inteligencia de negocios, inteligencia
empresarial, o BI son expresiones equivalentes
Es un proceso de extraccin del conocimiento
Es la habilidad para transformar los datos en
informacin, y la informacin en conocimiento,
de forma que se pueda visualizar dicha
informacin y optimizar el proceso de toma de
decisiones
Utiliza plataformas de Inteligencia de Negocios
Basada en tecnologas de Inteligencia de
Negocios
8
Inteligencia de negocios(2)
Se conoce como anlisis a la velocidad de
pensamiento
Es:
o Un mtodo para la gestin empresarial
o Una forma de pensamiento organizacional
o Una filosofa de gestin
o En pocas palabras una corriente de inters hacia
la inteligencia de negocios.

9
4. Principales tecnologas de BI

1. On Line Analytical Processing (OLAP).

2. Data Mining (DM).

10
4.1. Tecnologa OLAP

1. Concepto.
2. Funcionalidad.
3. Anlisis Heurstico.
4.1.1. Concepto: OLAP
Es una categora de tecnologa de software
Permite a analistas, gerentes y ejecutivos
penetrar en los datos directo, rpido y
consistentemente
Proporciona acceso interactivo a una amplia
variedad de posibles vistas de informacin que
han sido transformados desde datos
transaccionales
Para reflejar la real dimensin de la empresa
como es entendida por el usuario.
4.1.2. Funcionalidad de OLAP
Es caracterizado por el anlisis dinmico
multidimensional de datos empresariales
consolidados, facilitando la exploracin que
incluyen:
o Clculos y modelamiento aplicados a
dimensiones y jerarquas
o Divisin de las vistas
o Anlisis de tendencias
o Niveles de agregacin.
4.1.3. Anlisis Heurstico
OLAP involucra consultas interactivos de datos,
siguiendo un anlisis de mltiples pasos guiados por
el sentido comn
Por ejemplo muestra un resumen de datos de la
forma:
o Cross-Tab Report
o Drill-down report
o Slice report
o Pivot report
o Drill across.
Cross-Tab Report (Tabla de Referencias
Cruzadas)

Provee la habilidad para manipular las


dimensiones, expandiendo o refinando el
dominio del anlisis
Tabla de referencias cruzadas
Datos de proceso transaccional:
Nombre Genero Fecha nacimiento Habilidad
Juan Prez Masculino 2-4-1946 Derecho
Mara Alvarado Femenino 4-12-1990 Izquierdo

Tabla de referencias cruzadas:


Derecho Zurdo Total
Los varones 43 9 52
Las damas 44 4 48
Totales 87 13 100
Drill-Down Report
Amplia o reduce el anlisis a mayor detalle
Sucursal : TODO Escenario: ACTUAL
1994 1995 cambio
VTA % VTA % VTA %
Vestido 234.6 27.2 381.1 21.5 62.4 (21.0)
Joyas 62.5 33.8 66.0 31.1 5.6 (8.0)
Perfumes 375.1 22.4 325.4 27.2 (13.2) 21.4
Damas 195.0 14.2 180.8 15.0 (7.3) 5.6
Varones 116.3 43.9 122.6 47.5 5.3 8.2
Nios 63.8 8.2 22.0 14.2 (65.4) 7.3
Otros 202.4 21.3 306.7 21.7 50.7 1.9
Slide-Report
Produce cortes, secciones o cubos de tamao
inferior que ayudan a reducir el conjunto de
anlisis.
TODO ACTUAL
Sucursal: Escenario:
1995
VTA
Vestido 381.1
Joyas 66.0
Perfumes 325.4
Otros 306.7
Pivot Report (Tabla dinmica)
Sucursal: TODO
1995
VENTAS
Actual Plan Varianza %
Vestido 381.182 350.000 31.102 8.9
Joyas 325.402 300.000 (2.995) (4.3)
Perfumes 66.005 69.000 25.402 8.5
Otros 305.677 350.000 (44.332) (12.7)
Facilita cambios o aade las dimensiones
Las tablas pivote se pueden ver como una simplificacin de
los ms completos y complejos conceptos de
procesamiento analtico en lnea.
Tabla Dinmica
Una tabla dinmica es una herramienta de
resumen de datos que se encuentra en
programas de visualizacin de datos, como hojas
de clculo o de inteligencia de negocios
Entre otras funciones, una tabla dinmica puede
ordenar automticamente, el recuento total o dar
la media de los datos almacenados en una tabla u
hoja de clculo, mostrando los resultados en una
segunda tabla que muestra los datos resumidos
La expresin tabla dinmica es una frase
genrica utilizada por mltiples proveedores.
Drill across
4.2. Data mining
1. Objetivo.
2. Introduccin.
3. Concepto.
4. Que puede hacer Data Mining?
5. Data Mining en el contexto del negocio.
6. Arquitectura DW /Data Mining.
7. Algunas tcnicas de bsqueda de patrones.
8. Construccin de modelos.
22
4.2.1. Objetivo
Presentar los conceptos y tcnicas de
bsqueda patrones de Data mining
Presentar las tcnicas de diseo de Data
mining.

23
4.2.2. Introduccin
A medida que las empresas se dirigen hacia
modelos sensibles de negocios electrnicos,
invierten en nuevas estructuras de
aplicaciones de apoyo a la toma de decisiones
dirigidas por informacin que las ayudan a
responder rpidamente a las condiciones
cambiantes del mercado y las necesidades de
sus clientes.
Ravi Kalakota y Marcia Robinson

24
4.2.3. Concepto: Data mining
Es un proceso de descubrimiento que permite al
usuario conocer la esencia y las relaciones entre sus
datos
Descubre patrones y tendencias en el contenido de
esta informacin
Descubrimiento significa que algo aparece sin una
idea predeterminada acerca de lo que la bsqueda
va a encontrar
Examina los datos de entrada buscando similitudes y
ocurrencias en dichos datos, lo cual le permite
agruparlos e identificar los patrones. 25
Concepto Data mining(2)
El proceso de descubrimiento en un ejercicio
de data mining arroja luz sobre las relaciones
escondidas en las profundidades de muchas
capas de datos corporativos
Los patrones estn estrechamente ligados al
habito; en otras palabras, la probabilidad de
que una actividad se ejecute en proximidad
estrecha a otra, se descubre en la
identificacin de un patrn.

26
4.2.4. Que puede hacer Data Mining?
Clasificacin
Estimacin
Prediccin
Reglas de asociacin
Agrupacin
Descripcin y visualizacin.

27
4.2.5. Data Mining en el contexto del
negocio

Es usado:
o Como herramienta para la investigacin
o Para la mejora de los procesos
o Para el marketing
o Para la gestin de las relaciones con el
cliente.

28
4.2.6. Arquitectura DW/Data Mining

ADQUISICION ALMACENAMIENTO ACCESO

Data
Data
Import/ Data Mining
Export Warehouse

29
4.2.7. Algunas tcnicas de bsqueda
de patrones (cmo)

1. Redes neuronales.
2. Descubrimiento de asociaciones.
3. Clasificacin.
4. Clustering.
5. Descubrimiento secuencial.
6. rbol de decisin.

30
4.2.7.1. Redes neuronales
La minera basada en redes neuronales esta
especialmente indicada para identificar
patrones y prever tendencias basadas en el
comportamiento previamente identificados.
Otorgar crdito Capa de salida

Capa oculta (procesa datos)

Capa de entrada
Edad, Estado de cuenta, ingresos, monto crdito, estado civil, estado tarjeta de crdito

31
4.2.7.2. Descubrimiento de
asociaciones
Concierne al estudio de conjunto de datos e
intenta descubrir asociaciones entre las
ocurrencias de los atributos dentro de los
datos.

o Existe un 80% de probabilidad de que un


consumidor compre una mesa de caf cuando
compra un nuevo sof.

32
4.2.7.3. Clasificacin
Consiste en la agrupacin de los datos basndose en
una serie de caractersticas predefinidas por el
analista antes de que comience el ejercicio. Esta
tcnica examina los datos ya clasificados y agrupados
mediante la aplicacin de una regla de pertenencia.
o La clasificacin de los clientes de una tienda,
permiti descubrir que el cliente comprara sin
tener en cuenta el precio, porque hacer
descuentos para atraer a un cliente que volver
fielmente?.
33
4.2.7.4. Clustering
Consiste en agrupar conjuntos de datos similares
partiendo de un conjunto mas grande de datos.
Una vez que las agrupaciones y sus miembros son
identificados, se pueden descubrir generalizaciones,
patrones y tendencias basndose en las
caractersticas de los miembros de cada agrupacin
o La respuesta a las encuestas sobre la satisfaccin
por la compra de camionetas, podra llevar a la
afirmacin: el 75 por 100 de los propietarios de
camionetas siempre comprar camionetas
4.2.7.5. Descubrimiento secuencial
Intenta encontrar patrones entre sus sucesos
que ocurren en una progresin a lo largo de
un periodo
o Una serie de compras puede llevar a la
compra de un lavaplatos
4.2.7.6. rbol de decisin
Y

Un rbol de decisin tiene unas entradas a partir


de lo cual devuelve una respuesta la cual es
una decisin que es tomada a partir de las
entradas
Un rbol de decisin lleva a cabo un test a
medida que este se recorre hacia las hojas para
alcanzar as una decisin
Un nodo hoja representa el valor que devolver
el rbol de decisin y finalmente las ramas
brindan los posibles caminos que se tienen de
acuerdo a la decisin tomada.
4.2.7.6. rbol de decisin
Y
100Y00
Hoja 7 Hoja 8 Y<50
S N

x>55 x>80
N S
S N

H1 Y>32 H7 H8

50 S N
Hoja 3 Hoja 2 Hoja 1
X>20 X>20
32 S N N S
Hoja 5 Hoja 4
H2 H3 Y>20 H4
20 N S
Hoja 6
H6 H5

20 55 80 100X
37
4.2.8. Construccin de modelos

Modelo
Entrenamientos Correcto

Modelo
Refinado
Modelo Modelo
Refinado Refinado
Pruebas

Mejor
Evaluaciones modelo

Predicciones


38
Construccin de modelos(2)

39
5. Acrnimos
BD, Base de Datos
BI, Business Intelligence
CWM, Common Warehouse Metamodel
DW, Data Warehouse
DM, Data Mining
OLTP, On Line Transaction Processing
ETL, Extract Transform Load
OLAP, On Line Analytical Processing.

40
6. Tarea Semana 9
En una hoja, usando espacio simple, letra Arial de
tamao11, explicar las semejanzas y diferencias entre
OLAP y DM
La pagina en que se presenta la tarea debe incluir los
nombres de los alumnos que participaron en la tarea.
La tarea es grupal, tres alumnos por grupo de acuerdo
a las listas que se muestran por bloque en las siguientes
diapositivas.

41
Tarea Semana 9
Bloque FC-PREIEP0A1M
GRUPO ALUMNO
1 MACHUCA CUEVA, NELIDA MAGALY
1 MANSILLA ISIDRO, JANETH JOSELYN
1 MARCAS SAUE, YENY MARILUZ
2 MARTINEZ CHIPANA, MARILU MELVA
2 MATOS SALOME, YAQUI YANET
2 MEZA MEGO, GRETTHEL MORELIA
3 MILLA SAENZ, CANET LLADIRA
3 MOSCOSO CCORISAPRA, KARILUZ
3 MURILLO BARRIENTOS, YULISA HAYDEE
4 MUOZ ROJAS, IDA
4 NAPANGA VICERREL, JUDITH DELICIA
4 NARVAEZ BARRETO, DIANA ESTRELLA

42
Tarea Semana 9
Bloque FC-PREIEP0A1M
GRUPO ALUMNO
5 NINA YOPLAC, GABY JUDITH
5 OCHOA SALVATIERRA, ANA MARIA
5 OCROSPOMA CALLUPE, JAEL ELIANE
6 ORE RAMIREZ, LESLIE ANDREA
6 OSHIKAWA GONZALES, SHAKIRA GREYS
6 PACHECO PALOMINO, NIKOLE MELANNI
7 PALLARCO GONZALES, THALIA ROSSI
7 PARCCO MATAMOROS, LEONEL ALEX
7 PEREZ CARDENAS, MONICA MARITZA
8 PEREZ RAMIREZ, DUANE KIARA
8 PILLACA QUISPE, RUTH
8 QUISPE ECOS, SLHI RAFAEL

43
Tarea Semana 9
Bloque FC-PREIEP0A1M
GRUPO ALUMNO
9 QUISPE RODRIGUEZ, RAUL JUNIOR
9 REYES VELASQUEZ, LESLY YANELA
9 RONCAL FABIAN, ANGELA BRIGUIT
10 SACHUN NUREA, PEDRO JULIO
10 SACIGA ZASIGA, SAYDA AURORA
10 SALAZAR TINTA, MATILDE
11 SARMIENTO BORDA, VANESSA
11 SIMEON AVALOS, ROSANA
11 SOTIL CHAUCA, CARLA MARLENI
12 SOTO JACINTO, JHAZMIN MARLENE
12 SUTTA CHOQUEMAQUI, ROSALIA
12 TIRADO CIPIRAN, OCXANA MILAGROS

44
Tarea Semana 9
Bloque FC-PREIEP0A1M
GRUPO ALUMNO
13 TRUJILLO MEZA, BRANDER ROMARIO
13 TUCTO LOPEZ, REYNA ISABEL
13 URQUIA OCMIN, GESSENIA LIZBETH
14 VALERIANO SAAVEDRA, MARIANA ASCENCIONA
14 VASQUEZ DELGADO, DIANA CAROLINE
14 VEGA SAUE, LUCY ANDREA

45
Tarea Semana 9
Bloque FC-PREIEP0B1M
GRUPO ALUMNO
1 ABAD VASQUEZ, CARLOS ALBERTO
1 ACEVEDO ROJAS, GABY
1 ACUA TELLO, LIZET
2 ALDAEZ ORIHUELA, JHON CARLOS
2 ALIAGA MIRABAL, ROOSBEL
2 ALIAGA RODRIGUEZ, AMRAM JOSUE
3 ALVAREZ VENTURA, XIMENA NICOLE
3 AYAYPOMA DE LA CRUZ, ROSA INES
3 BENDEZU GOMEZ, RUTH VALERY
4 BORJA CONTRERAS, TANIA ELIZABETH
4 CAJAHUARINGA SEGAMA, MARYURIT LISSETH
4 CARDENAS RAMOS, ESTHER EPIFANIA

46
Tarea Semana 9
Bloque FC-PREIEP0B1M
GRUPO ALUMNO
5 CCOYLLO RIVERA, DASSALY MIRELLA
5 CHAMPI PINELO, BELEN MARISOL
5 CHAVEZ MENDOZA, NATHALY ISABEL
6 CHURATA CAMPOS, BEATRIZ LORENA
6 CONDOR GALVEZ, BETTY BETSABET
6 CONIVO HUANCHO, ALEX
7 CUBAS GUERRERO, CAMILA XIMENA
7 CUEVAS RAMOS, KELLY SOLEDAD
7 CUPE TITO, NATALY KELLY
8 DAVIRAN LOPEZ, ANGY MEDALITH
8 DIAZ AVILA, PATRICIA
8 DIAZ AVILA, RODI MILI

47
Tarea Semana 9
Bloque FC-PREIEP0B1M
GRUPO ALUMNO
9 ESTELA MALLQUI, LISBETH CARLA
9 FERNANDEZ FASHE, ELVIA
9 FLORES ARCOS, WENDY LIZET
10 GAMARRA YUPANQUI, YENNY
10 GASTELU SINARAHUA, MARIELA LUISA
10 GATICA SULLCA, LESSY YOSSELYN
11 GONZALES YACTAYO, SHEYLA IRENE
11 GRANADOS SULCA, LISBETH
11 GUILLEN KENT, GUSTAV URIEL
12 GUILLERMO CCORIAUPA, NORMA JANETH
12 HUAMAN GALVEZ, SANTOS ELISABET
12 LLOCLLA RIOS, ELIZABETH

48
Tarea Semana 9
Bloque FC-PREIEP0B1M
GRUPO ALUMNO
13 LOPEZ PORTOCARRERO, EVELIN KRISEL
13 MENDEZ ROJAS, SUSAN HELLEN
13 PITTMAN RUIZ, HAROLD AROM
14 QUINTANILLA ROJAS, KATHERIN ATENEA
14 TRONCOSO PEREZ, JULIO FERNANDO

49
3ra practica calificada
1. Duracin: 40 min.
2. Contenido: todo lo incluido en los ppts y
tareas de las semanas 8 y 9.
3. Fecha: 23 o 24 de octubre del 2014.

50