RESPUESTAS CUESTIONARIO “IDENTIFICAR TÉCNICAS DE INTELIGENCIA

DE NEGOCIOS”

PRESENTADO POR: LILIANA MARIA MAHECHA

PRESENTADO A: ALEXANDER CHACON

INGENIERO DE SISTEMAS, ESPECIALISTA TECNOLÓGICO EN
ARQUITECTURA DE SOFTWARE

SERVICIO NACIONAL DE APRENDIZAJE SENA

PROGRAMA DE FORMACIÓN
ESPECIALIZACIÓN TECNOLÓGICA EN GESTIÓN Y SEGURIDAD DE BASES
DE DATOS
MODALIDAD VIRTUAL
2015
 Respuestas Cuestionario “Identificar técnicas de inteligencia de negocios”

1. Definición de inteligencia de negocios (Business Intelligence).

Rta: es la habilidad para transformar los datos en información, y la información en

conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones
en los negocios.

Desde un punto de vista más pragmático, y asociándolo directamente con las

tecnologías de la información, podemos definir Business Intelligence como el
conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar
y transformar datos de los sistemas transaccionales e información desestructurada
(interna y externa a la compañía) en información estructurada, para su explotación
directa (reporting, análisis OLTP / OLAP, alertas...) o para su análisis y conversión
en conocimiento, dando así soporte a la toma de decisiones sobre el negocio.

2. Definición de minería de datos (DATA MINING).

Rta. El datamining (minería de datos), es el conjunto de técnicas y tecnologías

que permiten explorar grandes bases de datos, de manera automática o
semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o
reglas que expliquen el comportamiento de los datos en un determinado contexto.

Básicamente, el datamining surge para intentar ayudar a comprender el contenido

de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en
algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a
las redes neuronales.
3. Mencione 2 herramientas para la toma de decisiones (DSS Decision Support
System).

Rta: los más importantes son:

 Los sistemas de soporte a la decisión usando tecnologías de

DataWarehouse, se llaman sistemas OLAP (On Line Analytical
Processing). En general, estos sistemas OLAP deben: • Soportar
requerimientos complejos de análisis • Analizar datos desde diferentes
perspectivas • Soportar análisis complejos contra un volumen ingente de
datos.

 Sistemas de información ejecutiva (EIS) Los sistemas de información

ejecutiva (EIS, Executive Information System) son el tipo de DSS que
más se suele emplear en Business Intelligence, ya que proveen a los
gerentes de un acceso sencillo a información interna y externa de su
compañía, y que es relevante para sus factores clave de éxito.

4. Definición Bodega de datos (DataWareHouse).

Rta. Una bodega de datos es una herramienta empresarial utilizada por los
negocios como una solución informática que consolida los datos de fuentes
internas y externas de una entidad, institución o negocio, en un solo sitio, con el
objetivo de facilitar las tareas de consulta y análisis de la información.
Cuando una bodega de datos contiene datos específicos de una dependencia
(dirección, coordinación o grupo) es llamada también data mart; si la bodega de
datos integra datos de varias dependencias es llamada también data warehouse.

Su objetivo es soportar la toma de decisiones en un negocio (no las operaciones

del negocio) y centralizar una gran variedad de datos e información, interpretar
dicha información y darle un valor agregado para beneficio del negocio todo ello
por supuesto, con un fácil acceso y visualización por parte de los usuarios.
5. Tipos de bodegas de datos.

Rta. Existen Distintos Tipos De Bodegas De Datos

 Native data warehouse appliance; donde tanto el hardware como el

software estan estrechamente integrados en una sola plataforma. No se
pueden licenciar por separado y tampoco se pueden utilizar de forma
individualizada.Algunos ejemplos de este tipo son: DATAllegro, Netezza, y
Teradata.
 Software data warehouse appliance; en este caso, Bases de datos
relacionales, tanto Open Source como comerciales son optimizadas para su
uso en entornos DataWarehouse. Aquí, se puede utilizar en diferentes
configuraciones de Hardware. Algunos ejemplos son Greenplum, Sybase e
Ingres.
 Packaged data warehouse appliance; donde software y hardware comercial
es configurado para funcionar como una única plataforma y que es
comercializado por un único vendedor. Además, se instala y mantiene en un
único sistema. Ejemplos de este tipo son HP Neoview, IBM Balance
Warehouse y Sun/Greenplum.
 Data management appliance; que obtiene los datos de forma intensiva
desde un servidor. Estos sistemas pueden implicar procesos operacionales,
analíticos o de almacenamiento.Algunos ejemplos son ParAccel y Dataupia.

6. ¿Cuáles son los componentes de una arquitectura de una base de datos en

inteligencia de negocios?

Rta. Los componentes son:

 Sistemas Fuentes: Son los sistemas transaccionales que han sido

diseñados fundamentalmente para el soporte de las operaciones del
negocio como: Compras, Ventas, Almacenes, Contabilidad, etc. Estos
sistemas deben cumplir un requisito fundamental: ya deben de estar
consolidados en cuanto al registro de información de las operaciones. No
 sería limitante si le carece de reportes para toma de decisiones, ya que es
ahí el vacio que cubrirá la Inteligencia de Negocios adicionando módulos de
gestión para las decisiones operacionales.

 Base de Datos Operacionales: OLTP: Los sistemas transaccionales

registran o graban las operaciones dentro de las base de datos
operacionales (On Line Transactional Process: OLTP). Estas datos
permitirán generar información para la toma de decisiones a nivel
operacional. Estas bases de datos lo que persiguen fundamentalmente son
el registro de transacciones y la consistencia de los datos.

 Requerimientos Estratégicos (Plan Estratégico): Es altamente

recomendable tener definido el Plan Estratégico de la Organización. En
caso extremo no se obtenga, a partir de las entrevistas se pueden buscar:
objetivos, estrategias, indicadores de estrategias que permitan orientar el
producto a diseñar. Son bastante útiles además del plan y las entrevistas
los reportes de gestión que los tomadores de decisiones poseen para medir
su gestión. Estos requerimientos estratégicos deberán contrastarse con la
Base de Datos Operacional, ya que muchos de ellos se obtendrán de esta
fuente. En caso no puedan ser obtenidos se recomienda re-estructurar la
Base de datos y las aplicaciones, a fin de satisfacer estos requerimientos
estratégicos.

 ETL (Extraer, Transformar y Cargar –Poblar): Este componente que

permitirá 2 cosas fundamentalmente, Datos cuando se tengan distintas
fuentes (Diferentes manejadores de Base de Datos) y Llevar información de
las base de datos operacionales a las base de datos dimensionales

 Data WareHouse (DWH): Es el gran almacén de datos que está

estructurado para analizar la información, a diferente nivel de detalle, de
todos los procesos de negocios que tiene la organización. Es la Base de
Datos llamada estratégica o multidimensional. Una vez diseñadas mediante
 el ETL es poblada o llenada a partir de las Bases de Datos operacionales.
El diseño va orientado a encontrar medidas (Por ejemplo: montos vendidos,
montos cobrados, horas hombre utilizadas, etc) y dimensiones (Clientes,
Productos, Tiempo, Organización, Servicios, etc).

 Data Marts: Constituyen una parte de un DWH. Si un DWH está formado

por todos los procesos de la organización, un Data Mart constituye un
determinado proceso. Por ejemplo podríamos tener un Data Mart para
Finanzas, otro para Logística. Pueden ser preparados a partir de un DWH o
ser elaborados independientemente.

 Tecnologias OLAP (On Line Analytical Process): Es la tecnología que

permite aprovechar como está estructurada la información de un DataMart
o un Data WareHouse. Fundamentalmente es una tecnología que permitirá
analizar información dinámicamente a los niveles táctico y estratégico
basados en Cubos que contienen las medidas y las Dimensiones.

 Minería de Datos: Constituyen algoritmos avanzados (estadísticas,

inteligencia artificial) que intenta descubrir cosas ocultas en los datos
capturados a lo largo de las operaciones del negocio. Es el llamado el
descubrimiento del conocimiento y va direccionado al nivel estratégico
directamente.

 Aplicaciones para Soporte de Decisiones: Van diseñadas para cubrir las

decisiones tácticas y estratégicas. En el mercado existen una serie de
herramientas que permiten construir estas aplicaciones, que se montan
sobre una solución OLAP o Bases de Datos transaccionales.

 Sistemas de Información para Ejecutivos: Son sistemas diseñados para

la alta dirección y que están basados en alertas o semáforos que indican el
estado de un determinado indicador de negocio. Este indicador se le llama
KPI (Key Performance Indicator). Estos estados están reflejados en
 símbolos como un semáforo (rojo, verde, ámbar) entre otros. Generalmente
son obtenidos a partir de un Balance ScoredCard).

7. Mencione 3 esquemas utilizados para la construcción de cubos.

Rta: Esquema, Copo de nieve y Constelación.

8. ¿Cuáles con los componentes de la arquitectura funcional de un almacén de

datos?

Rta. Los bloques funcionales se corresponden con un sistema de información

completo que utiliza un almacén de datos:

 Nivel operacional: Contiene datos primitivos (operacionales) que están

siendo permanentemente actualizados, usados por los sistemas
operacionales tradicionales que realizan operaciones transaccionales.
 Almacén de datos: Contiene datos primitivos correspondientes a sucesivas
cargas del Almacén de Datos y algunos datos derivados. Los datos
derivados son datos generados a partir de los datos primitivos al aplicarles
algún tipo de procesamiento (resúmenes).
 Nivel departamental (Data Mart): Contiene casi exclusivamente datos
derivados. Cada departamento de la empresa determina su nivel
departamental con información de interés a dicho nivel. Va a ser el blanco
de salida sobre el cual los datos en el almacén son organizados y
almacenados para las consultas directas por los usuarios finales, los
desarrolladores de reportes y otras aplicaciones.
 Nivel individual: Contiene pocos datos, resultado de aplicar heurísticas,
procesos estadísticos, etc., a los datos contenidos en el nivel anterior. El
nivel individual es el objetivo final de un Almacén de Datos. Desde este
 nivel accederá el usuario final y se podrán plantear diferentes hipótesis, así
como navegar a través de los datos contenidos en el Almacén de Datos.

9. Diferencia entre cubos OLAP - ROLAP y OLAP – MOLAP.

Rta:

 MOLAP - Multidimensional On Line Analytical Processing: Son cubos

multidimensionales (mas de tres dimensiones). Esta arquitectura se
basa en que todos los datos se carguen directamente a los cubos sin
tener un DWH y que de allí se consulten los datos.
 ROLAP - Relational On Line Analytical Processing: Esta arquitectura se
basa en tener todos los datos en bases de datos relacionales (en un
DWH), explotandose toda la información desde allí, tanto la detallada
como la agregada. Esta es una de las formas que mas se ha
comenzado a adoptar en los desarollos de BI por la versatilidad que da
tener los datos en una base de datos relacional.
 HOLAP - Hybrid On Line Analytical Processing: Esta es una forma
híbrida entre las dos anteriormente explicadas. Se tiene un DWH donde
se lleva toda la información detallada y luego se lleva la información
agregada a los cubos, con esta arquitectura lo que se gana es mucha
velocidad aunque es cierto que se debe tener mayores componentes de
ETL para llevar la info tanto al DWH como a los cubos.

Diferencias:

En los últimos años se han producido debates alrededor de los tipos de

almacenamiento MOLAP y ROLAP. Por lo general, las implementaciones de
MOLAP presentan mejor rendimiento que la tecnología relacional; sin embargo,
tienen problemas de escalabilidad, por ejemplo, la adición de dimensiones a un
esquema ya existente. Por otra parte, las implementaciones de ROLAP son más
escalables y a menudo son más atractivas debido a que aprovechan las
inversiones efectuadas en tecnología de BD relacionales.

En la siguiente tabla se resume las diferencias entre ambas tecnologías.

10. Significado de KDD.

Rta: El KDD ( Knowledge Discovery from Databases) es el proceso no trivial

de identi-car patrones válidos, novedosos, potencialmente útiles y en última
instancia, comprensibles a partir de los datos.

El objetivo fundamental del KDD ( Knowledge Discovery from Databases), es

encontrar conocimiento útil, válido, relevante y nuevo sobre una determinada
actividad mediante algoritmos, dadas las crecientes órdenes de magnitud en los
datos .