Está en la página 1de 4

1

Cubos OLAP como fuente de información para la


toma de decisiones
Eduardo Tolentino Cortéz
Matricula 201225154
eduar2tc@gmail.com

Resumen Dicho conocimiento se obtiene también del apoyo de


las herramientas OLAP y análisis de los datos
Existe gran cantidad de información generada y
almacenados en bodega de datos de consulta
almacenada en forma de datos los cuales por si mismos
optimizadas.
no tienen valor relevante para las empresas. Ésta
información y el conocimiento generado tiene una II. Marco teórico
relación dinámica e iterativa (de Jesús Plasencia Etapas del proceso de Inteligencia de Negocios
Salgueiro, 2010) relación donde los patrones generan La inteligencia de negocios puede verse como el
nuevos modelos y nueva información. proceso donde interactúan personas y sistemas para
la obtención, recopilación, análisis y presentación
La importancia de los datos radica que al combinarlos de la información para soportar la toma de
con herramientas y técnicas de Minería de datos estos decisiones en los negocios. Este proceso se divide
revelan información cuestionable hasta predictiva para en cuatro etapas: extracción consolidación,
los analista, empresarios y demás gente interesada. La explotación y visualización. Citado en:
(Vásquez Castrillón John Bayron, 2011).
inteligencia de negocios con apoyo de herramientas
a. Extracción
como las aplicaciones OLAP (On Line Analytical
Identificación y selección de los datos a
Processing o Procesamiento Analítico en línea) las operar; así como la aplicación del proceso
cuales son sistemas que dan soporte a la decisión al Extracción, Transformación y Carga (del
utilizarlas en tecnologías de Data warehouse. inglés ETL). En el cual consiste en extraer
(Hernández Lamillar, 2005). la información, transformarla ajustándola
a los requerimientos, cargarla e indexarla
El siguiente trabajo se muestra que es el en el data warehouse.
descubrimiento del conocimiento (KDD), que son los b. Consolidación
Cubos OLAP, su relación con la minería de datos y sus Normalización, depuración y
aplicaciones. estructuración de los datos en la bodega de
datos ajustándose a los requerimientos.
Palabras clave c. Explotación
El conjunto de datos en los data warehose
Cubos OLAP, Áreas de Aplicación, Conocimiento,
están listos para ser utilizados en las
Minería de datos, Proceso KDD. herramientas de Minería de datos o las
I. Introducción tecnologías de cubos OLAP
d. Visualización
En el mercado actual los grandes volúmenes de En esta etapa los usuarios se enteran de lo
información sometidos al proceso de conocimiento que está ocurriendo con toda la
(KDD) es muy importante ya que con apoyo de la información y decidir el mejor rumbo para
inteligencia de negocios genera conocimiento la empresa. (Vásquez Castrillón John
Bayron, 2011).
relevante la cual se abre mayores posibilidades de la
toma de decisiones correctas, mismas que encaminan
al crecimiento frente la competencia. El conocimiento Proceso KDD
obtenido no debe ser trivial, implícito, desconocido y El procedo de conocimiento se define como “un
útil. (UDIMA, 2016). proceso automático en el que se combinan
2

descubrimiento y análisis. El proceso consiste Y se compone por estructuras multidimensionales


en extraer patrones en forma de reglas o (Cubos OLAP).
funciones, a partir de los datos, para que el Además de aplicarse en la etapa de explotación del
usuario los analice. Esta tarea implica proceso de inteligencia de negocios, también el
proceso de obtención del conocimiento KDD
generalmente pre procesar los datos, hacer
puede adoptar los cubos OLAP para potenciar las
minería de datos (data mining) y presentar velocidades de consulta de información.
resultados”. citado en: (Timarán-Pereira, 2016) . e. Tipos.
Etapas i. ROLAP: Implementación
1. Selección OLAP que almacena los datos
Optar por un conjunto de datos en motores relacionales
representativos el cual será procesado. ii. MOLAP: Implementación
2. Pre procesamiento / Limpieza OLAP almacena datos en bases
Aplicación de técnicas de remoción de de datos multidimensionales
ruido, de datos incompletos y duplicidad iii. HOLAP: Combinación de
de los datos. almacenamiento de las
3. Transformación / Reducción anteriores.
Preparación o normalización de los datos
para la aplicación de los algoritmos. Se Tabla de Hechos
eliminan las características redundantes,
Tabla principal en donde se almacenan los parámetros de
se seleccionan y extraen los atributos o
rendimiento de la empresa. Se utiliza el término hecho para
variables más importantes. (Unidad de
representar cantidades medibles de todas las categorías o
Información y Análisis Financiero
dimensiones intersectadas. Comúnmente es la tabla que
(UIAF), 2014)
tiene las llaves foráneas de las tablas de dimensiones tales
4. Minería de datos
tablas tienen la descripción o detalle de la tabla. La llave
En ésta etapa se pretenden encontrar
primaria de las tablas dimensionales son llaves foráneas en
patrones por medio de la aplicación de
la tabla de hechos. (Catalina, 2012)
tareas como clasificación, clustering,
patrones secuenciales y asociaciones. Modelos de los Data Warehouse
Éstas técnicas crean modelos predictivos
o descriptivos. Esquema de estrella
Los modelos predictivos estiman valores
La tabla de hechos del esquema es la tiene múltiples joins
o resultados futuros en base a
que conectan con varias tablas el resto de las tablas solo
características entrantes de los objetos de
hacen un join con la tabla de hechos.
evaluación, en cambio los descriptivos
solo sirven para describir las propiedades Esquema copo de nieve
de los datos. Se pueden identificar las
reglas de asociación, los patrones Se deriva del esquema de estrella donde se conserva la tabla
secuenciales, clustering y las de hechos y se normalizan las dimensiones obteniéndose
correlaciones en las tareas descriptivas. nuevas tablas. Hay dos tipos de esquema de copo de nieve el
(Timarán-Pereira, 2016) completo y el parcial. (Pita, 2011)
5. Interpretación / Evaluación
Comparación OLAP con el proceso de Minería de datos

Ya que todos los datos se encuentran guardados como


OLAP información ya depurada en los almacenes de datos, se
Las bases de datos del tipo OLTP (On-Line pueden elegir dos caminos utilizar para análisis; la minería
Transaction Processing o Procesamiento de de datos o las técnicas OLAP elegir una u otra dependerá de
Transacciones en Línea) las consultas funcionan de la cantidad de datos a procesar.
manera correcta en casos de miles de registros, pero
se vuelve lenta en caso de varios millones. Aquí Al hablar de millones de registros se optaría por utilizar los
entran las bases de datos o cubos OLAP el cual es cubos OLAP para garantizar la velocidad de consultas. La
“una solución cuyo objetivo es agilizar las elección de uno u otro también influye del tipo de problema
consultas de gran cantidad de datos”. que se va a analizar.
3

OLAP proporciona datos de resumen y genera cálculos decisiones. Además, los cubos OLAP ofrecen gran
enriquecedores responde preguntas de comportamientos velocidad de consulta y fácil manejo de vistas en reportes.
históricos y posibles comportamientos futuros.
Referencias
En cambio, la minería de datos descubre patrones, opera a
Catalina, F. J. (2012). OLAP (OnLine Analytical
nivel de detalle en lugar de nivel de resumen. Responde a
preguntas de predicciones en base a ciertos parámetros de Processing).
entrada.
Components, C. (26 de Febrero de 2005). 30 ideas of
OLAP y la Minería de datos pueden complementarse. OLAP using OLAP. (1), 14. Obtenido de
podría identificar mediante datos históricos un problema en https://origin2.cdn.componentsource.com/si
determinada región. La minería podría utilizarse para tes/default/files/resources/contour-
encontrar patrones y predecir un evento sobre esa región
components/536526/30_ideas_of_using_ola
obtener los atributos más relevantes. Finalmente, con esos
atributos podrían utilizarse para diseñar un modelo OLAP. p.pdf
(Oracle, s.f.)
Croswhite Chris, P. P. (5 de Septiembre de 2016).
 Aplicaciones de los Cubos OLAP Facebook research. Obtenido de
 Industria de negocios https://research.fb.com/cubrick-a-new-
 Análisis de ventas multidimensional-in-memory-dbms/
 Marketing
 Reportes de inventario y de flujo de dinero. de Jesús Plasencia Salgueiro, A. (2010).
 Estadísticas web APLICACIONES TECNOLÓGICAS para la
 Resultados de las elecciones implementación de la Gestión del
(Components, 2005) Conocimiento en las organizaciones. Revista
Técnica de la Empresa de
Tecnología Telecomunicaciones de Cuba, S.A., 7(1), 10-
Cubrick 19.

Cubrick DBMS desarrollado por Facebook. Desarrollado Hernández Lamillar, R. M. (2005). Herramientas del
pensando en la filtración de consultas delimitados por Marketing: Data Warehousing, Tecnologia
subconjuntos. Estos subconjuntos pueden ser un grupo necesaria para el Comercio Internacional.
demográfico, genero de las personas, temas de conversación
Revista CENIC Ciencias Biologicas, 36(1), 5.
entre otros subconjuntos de datos.

Cubrick permite filtrado indexado en cada dimensión o NIEUWBOURG, P. (31 de Octubre de 2016). Microsoft
subconjunto del conjunto de datos. (Croswhite Chris, 2016) se sube en OLAP en la nube con Azure
Organiza los datos en particiones granulares propios de los Analysis. Obtenido de
Cubos OLAP. https://www.decideo.com/Microsoft-se-
Azure Analysis Services sube-en-OLAP-en-la-nube-con-Azure-
Analysis_a1557.html
Permite crear cubos en Azure apoyándose de SQL permite
almacenar y preparar los datos en la nube Azure incluyendo Oracle. (s.f.). Oracle Data Warehousing and Business
el modelo multidimensional para los usuarios. Intelligence. Obtenido de
(NIEUWBOURG, 2016) https://docs.oracle.com/cd/B28359_01/serv
Conclusiones er.111/b28313/bi.htm
El análisis de los datos de las empresas que invierten en ello Pita, R. (4 de Septiembre de 2011). Business
ha contribuido a la mejora de los servicios y crecimiento de Intelligence. Obtenido de http://r-
las ganancias de frente a las que no utilizan las herramientas
pita.blogspot.com/2011/09/modelo-estrella-
del proceso de obtención de conocimiento o de la
inteligencia de negocios. OLAP es de gran ayuda para saber
o-copo-de-nieve.html
que está pasando con la empresa en cuestión y ayuda a tomar
4

Timarán-Pereira, S. R.-A.-Z.-T. (2016). ). El proceso de


descubrimiento de conocimiento en bases de
datos. Ediciones Universidad Cooperativa de
Colombia, 63-86. doi:
http://dx.doi.org/10.16925/9789587600490

Unidad de Información y Análisis Financiero (UIAF),


U. A. (2014). Técnicas de minería de datos
para la detección y prevención del lavado de
activos y la fi nanciación del terrorismo
(LA/FT). DOCUMENTOS UIAF, 33.

Vásquez Castrillón John Bayron, S. O. (2011). La


Inteligencia de Negocios: Etapas del proceso.
Colombia.
Lara, Torralbo, Juan Alfonso, [UDIMA]. (2016, Julio 21).
Descubrimiento de Conocimiento en Bases de Datos
[Archivo de video]. Recuperado de
https://www.youtube.com/watch?v=4vsjxi-j0XQ

Apéndice
Capturas de imágenes de fuentes de información

También podría gustarte