Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los principales productos de Business Intelligence que existen hoy en día son:
Datamart
Datawarehouse
Predecir ¿qué ocurriría?
La Inteligencia de Negocios o Business Intelligence (BI) permite a las compañías contar con la
información adecuada para una mejor toma de decisiones. Las compañías que implementan el
BI logran sacar mayor provecho de las situaciones de crisis gracias a la posibilidad de contar
con un análisis de mercado más acertado debido a que los datos pesados son transformados
en importantes estrategias corporativas.
1. Microsoft Dynamics NAV: especial para pequeñas y medianas empresas que buscan
mejorar su competitividad.
3. Oracle Business Intelligence: una de las más completas en el mercado ya que cuenta con
paneles interactivos, análisis predictivos en tiempo real, entre otros.
6. QlikView: mantiene las bases de datos al alcance de una manera sin precedentes.
7. Microsoft Performance Point Server: permite supervisar, alinear y hacer un plan de negocio.
8. Microsoft SQL Server: adecuada para realizar un análisis panorámico de la empresa y tomar
las mejores decisiones.
10. Eclipse BIRT Project: genera informes para aplicaciones web de código abierto.
15. Pentaho: incluye herramientas para generar informes, minería de datos, ETL, entre otros.
19. SAS Institute: facilita la gestión de riesgo financiero, desarrollo de modelos de minería de
datos, etc.
Las compañías han descubierto la necesidad de usar sus datos para apoyar la toma de
decisiones, realizar una optimización de procesos y realizar reportes operacionales. Los
vendedores de tecnología de Business Intelligence han construidos nichos de software para
implementar cada nuevo patrón de aplicaciones que las compañías inventan. Estos patrones
de aplicación resultan en productos de software centrados exclusivamente en cinco estilos de
Business Intelligence tales como:
Reporte empresarial. Los reportes escritos son usados para generar reportes estáticos
altamente formateados destinados para ampliar su distribución con mucha gente.
Cubos de análisis. Los cubos basados en herramientas de BI son usados para proveer
capacidades analíticas a los administradores de negocios.
Vistas Ad Hoc Query y análisis. Herramientas OLAP relacionales son usadas para permitir a los
expertos visualizar la base de datos y ver cualquier respuesta y convertirla en información
transaccional de bajo nivel.
Data mining y análisis estadísticos. Son herramientas usadas para desempeñar modelado
predictivo o para descubrir la relación causa efecto entre dos métricas.
Entrega de reportes y alertas. Los motores de distribución de reportes son usados para enviar
reportes completos o avisos a un gran número de usuarios, dichos reportes se basan en
suscripciones, calendarios, etc.
Poner a disposición de los usuarios que la necesiten la información necesaria para el análisis y
la toma de decisiones: ágil, flexible y fiable, en el formato adecuado a cada uno.
El DSS es una de las herramientas más emblemáticas del Business Intelligence ya que, entre
otras propiedades, permiten resolver gran parte de las limitaciones de los programas de
gestión. Estas son algunas de sus características principales:
Informes dinámicos, flexibles e interactivos, de manera que el usuario no tenga que ceñirse a
los listados predefinidos que se configuraron en el momento de la implantación, y que no
siempre responden a sus dudas reales.
Cada usuario dispone de información adecuada a su perfil. No se trata de que todo el mundo
tenga acceso a toda la información, sino de que tenga acceso a la información que necesita
para que su trabajo sea lo más eficiente posible.
Disponibilidad de información histórica. En estos sistemas está a la orden del día comparar los
datos actuales con información de otros períodos históricos de la compañía, con el fin de
analizar tendencias, fijar la evolución de parámetros de negocio... etc.
Otra diferencia fundamental radica en los usuarios a los que están destinadas las plataformas
DSS: cualquier nivel gerencial dentro de una organización, tanto para situaciones estructuradas
como no estructuradas. (En este sentido, por ejemplo, los CMI están más orientados a la alta
dirección).
Por último, destacar que los DSS suelen requerir (aunque no es imprescindible) un motor
OLAP subyacente, que facilite el análisis casi ilimitado de los datos para hallar las causas
raíces de los problemas/pormenores de la compañía.
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.
Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes
neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para
resolver un problema concreto. Este concepto está muy relacionado con el datamining.
Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un
sistema basado en computadoras que apoya a grupos de personas que tienen una tarea (u
objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto en que se
basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las decisiones.
J.P.N
5.3.1 Almacenes de datos (Data Warehouse)
Un Datawarehouse es una base de datos corporativa que se caracteriza por integrar y depurar
información de una o más fuentes distintas, para luego procesarla permitiendo su análisis
desde infinidad de perspectivas y con grandes velocidades de respuesta. La creación de un
datawarehouse representa en la mayoría de las ocasiones el primer paso, desde el punto de
vista técnico, para implantar una solución completa y fiable de Business Intelligence.
La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se
almacena la información (modelos de tablas en estrella, en copo de nieve, cubos relacionales...
etc.). Este tipo de persistencia de la información es homogénea y fiable, y permite la consulta y
el tratamiento jerarquizado de la misma (siempre en un entorno diferente a los sistemas
operacionales).
El término Datawarehouse fue acuñado por primera vez por Bill Inmon, y se traduce
literalmente como almacén de datos. No obstante, y como cabe suponer, es mucho más que
eso. Según definió el propio Bill Inmon, un datawarehouse se caracteriza por ser:
Otra característica del datawarehouse es que contiene metadatos, es decir, datos sobre los
datos. Los metadatos permiten saber la procedencia de la información, su periodicidad de
refresco, su fiabilidad, forma de cálculo... etc.
Los metadatos serán los que permiten simplificar y automatizar la obtención de la información
desde los sistemas operacionales a los sistemas informacionales.
Los objetivos que deben cumplir los metadatos, según el colectivo al que va dirigido,
son:
Dar soporte al usuario final, ayudándole a acceder al datawarehouse con su propio lenguaje de
negocio, indicando qué información hay y qué significado tiene. Ayudar a construir consultas,
informes y análisis, mediante herramientas de Business Intelligence como DSS, EIS o CMI.
Dar soporte a los responsables técnicos del datawarehouse en aspectos de auditoría, gestión
de la información histórica, administración del datawarehouse, elaboración de programas de
extracción de la información, especificación de las interfaces para la realimentación a los
sistemas operacionales de los resultados obtenidos... etc.
Extracción: obtención de información de las distintas fuentes tanto internas como externas.
Proporciona la capacidad de aprender de los datos del pasado y de predecir situaciones futuras
en diversos escenarios.
Tablero de Control Operativo: Es aquel que permite hacer un seguimiento, al menos diario, del
estado de situación de un sector o proceso de la empresa, para poder tomar a tiempo las
medidas correctivas necesarias. El Tablero debe proveer la información que se necesita para
entrar en acción y tomar decisiones operativas en áreas como las finanzas, compras, ventas,
precios, producción, logística, etc.
Tablero de Control Directivo: Es aquel que permite monitorear los resultados de la empresa en
su conjunto y de los diferentes temas claves en que se puede segmentarse.
Tablero de Control Estratégico: Nos brinda la información interna y externa necesaria para
conocer la situación y evitar llevarnos sorpresas desagradables importantes respecto al
posicionamiento estratégico y a largo plazo de la empresa.
Tablero de Control Integral: Información relevantes para que la alta dirección de una empresa
pueda conocer la situación integral de su empresa. Engloba a las tres perspectivas anteriores.
El término KPI (Indicadores clave de desempeño) es uno de los conceptos que más se
escuchan al planificar estrategias, diseños o implantación de campañas. En primer lugar, es
importante conocer que este fundamento se puede utilizar para actividades online y las
tradicionales off line, como también en el social media.
La sigla KPI se obtiene de la traducción del término “Key Performance Indicators”, que
traducido al español significaría “indicadores claves de desempeño”. En síntesis, este concepto
hace referencia a todas las variables, factores o unidades de medida, entre otras cosas, que
puedan servir para armar la estrategia de cada empresa. Al tener esta importancia, es normal
que influye directamente en el denominado “Core Business”.
Al hablar de KPI, se hace referencia a términos medibles y cuantificables con los que se puede
determinar numéricamente una variable. Algunos de los ejemplos son los gastos, ingresos y
números de visitas que son importantes para conocer el cumplimiento, o no, de los objetivos
puestos en cada temporada.
Al armar un KPI, se debe tener en cuenta algunos requisitos fundamentales. En primer lugar,
debe ser medible a través de alguna moneda u objeto. Lo que sea, pero debe poder medirse.
Lo mismo ocurre al materializarse. Debe ser cuantificable en su categoría.
A lo anterior se suma que debe ser periódico o temporal para que pueda ser controlado o
analizado en un periodo de tiempo determinado y debe estar dirigido a un área sola. Ejemplo:
debe hablar solo de un aspecto, como lo puede ser la parte de ingresos. Por último, tiene que
ser relevante en el negocio. Y en caso de mostrar resultados negativos, se debe actuar
rápidamente.
Al observar la práctica, es muy común que esta información sea utilizada en exceso. Por esta
razón, suele ocurrir que el rendimiento es analizado por cualquier tipo de datos obtenidos. Para
evitar esto, hay que utilizar solamente lo que se necesita y lo más importante para cada
negocio. Una vez obtenido esto, hay que focalizar y potenciar estos indicadores de
rendimiento.
El objetivo de utilizar esta técnica es tener un control del rendimiento de cada empresa. De esta
forma se evalúa el trabajo y las mejoras que existieron. Para esto, hay que tener en claro tres
factores:
Informes que sean claros, para que puedan demostrar cada acción. De esta forma, los clientes
entenderán el informe sin necesidad de ayuda.
Control y análisis profundo del seguimiento que se hizo en el trabajo. Tener los datos exactos
de la actividad que se realiza mejora el resultado final de estas estadísticas. Aquí se obtiene la
valoración exacta de lo que se hizo.
Aprender a diario y mejorar lo máximo posible. A través de los KPI se obtiene realmente lo
importante para cada empresa. A diario se aprende sobre lo bueno de cada negocio y las
acciones que hay continuar porque generan buenos resultados.
Fidel
¿Qué es el minado de Datos o Data Mininig?
A pesar de que la idea del Data Mining puede parecer una innovación tecnológica
muy reciente, en realidad este término apareció en los años sesenta conjuntamente
con otros conceptos como, por ejemplo, el data fishing o data archeology. No
obstante, no fue hasta los años ochenta cuando empezó su consolidación.
Por tanto, los datos son el medio o la base para llegar a conclusiones y transformar
estos datos en información relevante, para que las empresas puedan abarcar
mejoras y soluciones que les ayuden a conseguir sus objetivos.
Las personas que se dedican al análisis de datos a través de este sistema son
conocidos como mineros o exploradores de datos. Estos intentan descubrir
patrones en medio de enormes cantidades de datos.
Para ser un minero de datos, hay que saber convertir datos en activos de valor . En
este sentido, las nuevas técnicas de Big Data son fundamentales porque permiten
una gestión masiva de datos eficiente. Además, los algoritmos de Machine Learning
permiten tomar esos datos e inferir el comportamiento de las personas con una
contundente probabilidad de acierto. Por eso, si quieres dedicarte a la minería de
datos, te recomiendo que te informes sobre el Master en Data Science y Big Data de
IEBS.
Los análisis de datos mediante el Data Mining pueden aportar numerosas ventajas a
las empresas para la optimización de su gestión y tiempo, pero también para la
captación y fidelización de clientes, que les permitirá aumentar sus ventas. Aquí te
dejamos 8 ventajas que nos puede aportar:
A continuación, toma nota de las técnicas que necesitas conocer para llevar a cabo
un minado de datos:
Asociación: Se trata de una de las técnicas más utilizadas. En esta técnica, una
transacción y la relación entre los elementos se utilizan para identificar un
patrón. Esta es la razón por la que también se conoce como «técnica de
relación». Se utiliza para realizar un análisis de la cesta de la compra, que se
hace para conocer todos aquellos productos que los clientes compran juntos
habitualmente, por ejemplo.
Agrupación o clustering: Esta técnica crea agrupaciones de objetos significativos
que comparten las mismas características. A menudo se confunde con la
clasificación, pero si comprendes correctamente cómo funcionan estas dos
técnicas no tendrás ningún problema. A diferencia de la clasificación, que
coloca los objetos en clases predefinidas, la agrupación en clústeres coloca
los objetos en clases definidas por nosotros.
Clasificación: Esta técnica tiene su origen en el machine learning. Clasifica
elementos o variables en un conjunto de datos, en grupos o clases
predefinidos. Utiliza programación lineal, estadísticas, árboles de decisión y
redes neuronales artificiales en la minería de datos, entre otras técnicas.
Predicción: Esta técnica predice la relación que existe entre las variables
independientes y dependientes, así como las variables independientes por sí
solas. Puede usarse para predecir ganancias futuras dependiendo de la venta.
Supongamos que la ganancia y la venta son variables dependientes e
independientes, respectivamente. Ahora, basándonos en lo que dicen los
datos de ventas pasadas, podemos hacer una predicción de ganancias del
futuro con una curva de regresión.
Patrones secuenciales: Esta técnica tiene como objetivo utilizar datos de
transacciones y luego identificar tendencias, patrones y eventos similares en
ellos durante un período de tiempo. Los datos históricos de ventas se pueden
utilizar para descubrir artículos que los clientes compraron juntos en diferentes
épocas del año. Las empresas pueden entender esta información
recomendando a los clientes que compren esos productos en momentos en
que los datos históricos no sugieren que lo harían. Las empresas pueden
utilizar ofertas y descuentos para impulsar esta recomendación.
1# Investigación comercial
Antes de empezar, deberás tener una idea completa de los objetivos de tu empresa,
de los recursos disponibles y de los diversos escenarios actuales en consonancia
con los requisitos. Esto sería muy útil de cara a crear un plan detallado que alcance
los objetivos de la organización.
2# Análisis de calidad
3# Limpieza de datos
4# Transformación de datos
Este paso consta de cinco sub-etapas. Los procesos involucrados hacen que los
datos estén listos en conjuntos de datos finales.
5# Modelado de datos
Por último, para una mejor identificación de los patrones de datos, se implementan
varios modelos matemáticos en el conjunto de datos, basados en varias
condiciones.
Como nos podemos imaginar, no todos los modelos de datos pueden ser minados. A
continuación, te indicamos cuáles sí:
Data warehouse
Por último, también existen muchos otros tipos de datos que son conocidos por su
estructura, significados semánticos y versatilidad. Por ejemplo:
Por un lado, el Big Data es una tecnología que tiene la capacidad de capturar,
gestionar y procesar de forma veraz todo tipo de datos, utilizando herramientas o
softwares que identifican patrones comunes. Estos patrones podrían ser
características específicas de los consumidores, generación de parámetros,
métricas, entre muchos otros. Además, tienen la capacidad de cambiar la manera de
hacer negocios, ya que permiten aumentar la rentabilidad y productividad de las
compañías.
En resumen, Big Data y Minería de datos podrían ser definidos como el “activo” y el
“manejo”, respectivamente.
¿Qué te ha parecido este artículo sobre el minado de datos? Deja tus comentarios y
¡comparte!
¡Ya estás preparada para realizar análisis con Data Mining! Si quieres convertirte en
un experto en datos te recomendamos el Master en Big Data. Entre otras cosas,
aprenderás a utilizar las técnicas y herramientas más importantes para manejar
grandes volúmenes de datos y, además, conocerás y sabrás aplicar todos los
algoritmos de Machine Learning así como su uso a través de Redes Neuronales
para su aplicación en entornos reales. ¡Te esperamos!