Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Ventajas del Promedio Móvil como medio de pronóstico frente a promedio total y
último resultado. 5
5. Para qué se mide la precisión del método de pronóstico. Describa dos métodos,
indique la fórmula que utilice y de un ejemplo de su uso. 9
10. Cómo determina los valores recomendables para los coeficientes de Suavizamiento
Exponencial con Tendencia y β. 12
14. Considerando la siguiente serie de datos {18, 22, 20, 22, 19, 15, 21, 17, 23, 21, 16, 22}
y siendo el último valor de la serie, seleccione en las tablas que se dan a continuación
cuáles de los valores propuestos marcados como a) b) c) d) son obtenidos por cada
método nombrados como 1) 2) 3) 4) 5) 6) 7) como el valor pronosticado para el momento
(n+1). (En el caso de que el valor pronosticado por un método no se encuentre dentro de
los propuestos marque “d) otro”, y si algún valor no es obtenido con ningún método
marque “7) otro” pero en todos los casos -métodos y valores- deben tener alguna
selección sabiendo que alguno de los valores puede ser resultado de un o de varios
métodos) 14
1)Último Valor 14
2) Promedio 14
7)Otro 14
a) 19,67 14
b) 19,65 14
c) 24,23 14
d) Otro 14
15.¿Qué técnica de pronósticos calcula cada nuevo pronóstico a partir de solo las N
experiencias más recientes? 15
16.¿Cuál técnica de pronósticos usa el valor del periodo actual como única base del
pronóstico para el siguiente periodo? 15
21. Mediante el método de Holt queremos predecir las ventas mensuales de tablets. A
fines de septiembre de este año, Lt = 150 y Tt = 20. Durante octubre (tambien de este
año), se vendieron 178 tablets. Al final de octubre, el MAD calculado fue de 10. Queremos
establecer un rango de ventas de tablets [mín, max] pronosticado para noviembre, con
una confianza del 95%. Utilice = = 0,50. 17
30. En el método de Ponderación Lineal, ¿podría usted explicar las diferencias de utilizar
el método de normalizar por la suma o por el máximo? 20
31. Explique los pasos a seguir para utilizar el método de Ponderación Lineal. 20
34. Un grupo de compañeros de la facultad desea alquilar una oficina para instalar un
emprendimiento en que están trabajando. Luego de eliminar opciones, quedaron tres
potenciales lugares. Los criterios para la selección son: alquiler (en pesos por mes),
comodidades (escala de 1 a 5 donde 5 es la mejor), distancia a la facultad (en minutos de
viaje), gastos comunes (en pesos por mes). 22
8. Concepto de DataMart. 32
Se trata de un método ingenuo, sin embargo, cuando las condiciones cambian con
rapidez, quizás el último valor sea el único dato relevante para pronosticar el siguiente
valor.
Método del Promedio
En lugar de usar una muestra de tamaño 1 usa todos los datos y obtienen un promedio
de la serie.
Esta estimación es excelente si el proceso es muy estable. Se limita en general a procesos
jovenes.
Método de Promedios Móviles
Obtiene el promedio de los datos de los últimos n periodos
Se actualiza con facilidad de un periodo a otro, para lo cual se debe eliminar la primera
observación y agregar la última.
Ventaja: usa varias observaciones de datos recientes.
Desventaja: todas las observaciones tienen el mismo peso.
El patrón o comportamiento de los datos en una serie de tiempo tiene varios componentes. El
supuesto usual es que cuatro componentes separados: tendencia, cíclico, estacional e
irregular, se combinan para proporcionar valores específicos de la serie de tiempo.
Componente de tendencia
El cambio gradual de la serie de tiempo se conoce como tendencia en la serie de tiempo. Este
cambio o tendencia por lo general es el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la población, tecnología y preferencias de consumo.
La tendencia puede ser creciente o decreciente, lineal o no.
La tendencia es el componente de largo plazo que representa el crecimiento o el descenso en
la serie de tiempo, durante un periodo extenso.
Componente cíclico
Aunque una serie de tiempo puede mostrar una tendencia durante periodos prolongados, todos
los valores futuros de la serie de tiempo no caen exactamente en la línea de tendencia.
De hecho, las series de tiempo con frecuencia muestran secuencias de puntos que se alternan
por encima y por debajo de la línea de tendencia. Cualquier secuencia de puntos recurrente por
encima y por debajo de la línea de tendencia que dura más de un año puede atribuirse al
componente cíclico de las series de tiempo.
El componente cíclico es la fluctuación con forma de onda alrededor de la tendencia y, por
lo común, se ve afectada por las condiciones económicas generales.
Componente estacional
Mientras que los componentes cíclicos y de tendencia de una serie de tiempo, se identifican
mediante el análisis de los movimientos de los años múltiples en datos históricos, muchas series
de tiempo muestran un patrón regular durante periodos de un año. Aunque por lo general
consideramos que el movimiento estacional en una serie de tiempo ocurre en un año, el
componente estacional también puede utilizarse para representar cualquier patrón que se
repite con regularidad y tiene una duración menor a un año.
El componente estacional es un patrón de cambio que se repite año tras año.
Componente irregular
El componente irregular de las series de tiempo es el factor residual que incluye las desviaciones
de los valores de serie de tiempo reales de aquellos esperados según los efectos del componente
cíclico, de tendencia y estacional. Este componente representa la variabilidad aleatoria en
las series de tiempo y es resultado de factores a corto plazo, imprevistos y no recurrentes
que afectan a la serie de tiempo. Como este componente representa la variabilidad aleatoria
en las series de tiempo, es impredecible; no podemos intentar predecir su impacto en las series
de tiempo.
En el paso 1, la formulación del problema y la recolección de datos se tratan como un solo paso
porque están íntimamente relacionadas. El problema determina los datos apropiados. Si se está
considerando una metodología cuantitativa para pronosticar, los datos pertinentes deben estar
disponibles e igualmente espaciados.
El paso 3, construcción y evaluación del modelo, incluye ajustar los datos recolectados a un
modelo de pronóstico que sea adecuado, en términos de minimizar errores en el pronóstico.
El error de pronóstico (et), es la diferencia entre el valor observado y el pronóstico. Para medir
los errores de pronóstico suele usarse la Desviación Media Absoluta (MAD) o el error cuadrático
medio (EMC).
Cuanto más sencillo sea el modelo mejor será, en términos de aceptación por parte del decisor,
el proceso de pronósticos.
El paso 4, implementación del modelo, es la generación del modelo real. Los datos de periodos
históricos más recientes se mantienen como respaldo y más tarde se usan para verificar la
exactitud del proceso.
El paso 5, evaluación del pronóstico, implica la comparación de los valores del pronóstico con
valores históricos reales. Luego de la implementación del modelo, se realizan los pronósticos
para los periodos históricos más recientes, donde se conocen los valores de los datos y se
analizan los errores en el pronóstico. El examen de los patrones de error a menudo lleva al
analista a modificar el modelo para pronosticar.
Resumen - Ventajas:
- Asigna a los valores del pasado una importancia decreciente. Valores del Presente son más
importantes.
- Evita tener que determinar una cantidad de valores de N conveniente.
Con frecuencia, se debe alcanzar un equilibrio entre un enfoque para pronosticar complejo que
ofrezca un poco más de precisión, y un enfoque sencillo que se entienda fácilmente y tenga el
apoyo de quienes toman las decisiones y sea activamente usado por éstos.
La precisión, cuando se calcula, proporciona una estimación cuantitativa de la calidad esperada
de los pronósticos. Se compara la precisión de dos o más técnicas de pronóstico, se mide la
confiabilidad de una técnica de pronóstico y se busca la técnica óptima.
La finalidad de un pronóstico es reducir el nivel de incertidumbre cuando se toman decisiones,
esto sugiere dos reglas fundamentales:
1. El pronóstico debe ser técnicamente correcto y generar predicciones lo suficientemente
precisas para satisfacer las necesidades del decisor.
2. El procedimiento de elaboración y sus resultados tienen que presentarse de manera
convincente para que sean utilizados en el proceso de toma de decisiones y los
resultados deben justificarse desde el punto de vista del costo-beneficio.
Podemos usar para medir la precisión del método de pronóstico al error cuadrado medio (ECM)
o la desviación media absoluta (MAD). También se puede usar MAPE (Error absoluto porcentual
Medio)
EMC - Promedio de los errores al cuadrado. Este método penaliza los desvíos más grandes.
MAD - Promedio de los errores Absolutos. Conserva la unidad de medida.
MAPE - Error absoluto porcentual Medio. Sin unidades, útil para comparar exactitud de los
errores. Fácil interpretación.
Ejemplo
1 10
3 15 10 5 25
5 20 15 5 25
MAD 3,75
EMC 15,625
Otra forma de ponerlo, derivada de la original es: ft+1=ft+ α (xt-ft) lo que la muestra como el
pronóstico anterior más un término representativo del error obtenido en el pronóstico anterior
afectado de un coeficiente de atenuación.
Si la serie tiene una variabilidad aleatoria considerable, es preferible utilizar un valor pequeño
para la constante de suavización. Como gran parte del error de pronóstico se debe a la
variabilidad aleatoria, un α pequeño evita una reacción exagerada que ajuste los pronósticos
demasiado rápido. Para una serie con poca variabilidad, valores más grandes de α permiten
ajustar rápidamente los pronósticos cuando ocurren errores de pronóstico y por lo tanto el
pronóstico reacciona más rápido ante condiciones cambiantes.
Podemos elegir el valor de α que minimiza el EMC o la MAD.
En general se selecciona un α igual a 0,1, 0,3 ó 0,5. Si el valor de α que minimiza el MAD es
superior a 0,5 entonces la serie presenta tendencia, estacionalidad o variación cíclica, por lo que
no se recomienda suavización exponencial. En estos casos, el método Holt o el método de Winter
proporcionan mejores pronósticos.
Valores de α inferiores a 0,3 y como máximo 0,5, eligiendolo de modo de minimizar el valor de la
MAD. En la práctica se utiliza α igual a 0.10, 0.30 o 0.50. Si el valor de α que minimiza el MAD
sobrepasa 0.5, entonces tendencia, o estacionalidad o variación cíclica está presente, por lo que
no se recomienda el suavizamiento exponencial simple como técnica de pronóstico.
Este modelo funciona muy bien cuando puede ocurrir que los resultados guarden una cierta
tendencia, creciente o decreciente, como por ejemplo aumento de precios por inflación y por
incorporación de un producto al mercado, o decreciente porque se está dejando de usar;
también puede ocurrir que los resultados sean estacionales, como las ventas de estufas que se
incremente en invierno o de los aire acondicionado que se incrementa en verano. En ambos
casos, el suavizamiento exponencial deja de comportarse eficientemente y debe ser corregido,
por tendencia (Método de Holt) o por estacionalidad (Método de Winter, que incluye también
tendencia).
El Método de Holt, se utiliza con tendencia lineal y sin estacionalidad. Al final del periodo t el
método genera una estimación para el nivel de base (Lt) y otra para la tendencia (Tt). Así si L5 =
20 y T5 = 2, en cinco períodos L25 = 30. Usa un coeficiente β de suavizamiento de la tendencia que
toma valores entre 0 y 1, y un 0 < α < 1.
Para aplicar el método, necesitamos una estimación inicial de la base (L0) y una estimación
inicial de la tendencia (T0).
Podemos usar como estimación de L0 a la observación del último periodo y T0 como el
incremento promedio por periodo de la serie.
El método de Holt proporcionará buenos pronósticos de una serie, cuando el componente
de tendencia sea lineal.
10. Cómo determina los valores recomendables para los coeficientes de
Suavizamiento Exponencial con Tendencia y β.
Los valores posibles de β tienen las mismas restricciones que los de α. Por debajo de 0.5, es decir
que si ambos valores no son menores a 0.5, entonces la estacionalidad o el comportamiento cíclico
podría estar presente, por lo cual se tendría que aplicar otro método de pronóstico.
Para elegir las constantes de suavizado α y β , pueden ensayarse varias combinaciones de ellas y
optar por la que minimice el MAD. Si estos valores son mayores a 0,5 debería usarse otro
método de pronóstico ya que esto estaría indicando la presencia de estacionalidad o
comportamiento cíclico.
Pesos grandes tienen como resultado cambios más rápidos en el componente; pesos pequeños
tienen como resultado cambios menos rápidos. Por lo tanto, cuanto mayores son los pesos, los
valores de suavizado seguirán más a los datos; cuanto menores son los pesos, los valores de
suavizado seguirán más a los valores de suavizado previos.
Este modelo funciona muy bien cuando puede ocurrir que los resultados guarden una cierta
tendencia, creciente o decreciente, como por ejemplo aumento de precios por inflación y por
incorporación de un producto al mercado, o decreciente porque se está dejando de usar;
también puede ocurrir que los resultados sean estacionales, como las ventas de estufas que se
incremente en invierno o de los aire acondicionado que se incrementa en verano. En ambos
casos, el suavizamiento exponencial deja de comportarse eficientemente y debe ser corregido,
por tendencia (Método de Holt) o por estacionalidad (Método de Winter, que incluye también
tendencia).
Cuando además de la tendencia (o en presencia de tendencia nula) hay estacionalidad, es decir
los datos fluctúan en periodos iguales de tiempo (todos los veranos: son estacionales) se aplica
el método de Winter en el cual aparece un factor de estacionalidad St con distintos valores para
cada período t, que multiplica a un valor intermedio haciéndolo más grande o más pequeño.
Como todas son estimaciones, ahora también debe estimarse ese factor, busco el factor
estacional en el período más parecido al que estoy considerando. Por esa razón el primer
término de la predicción de la base es la observación anterior desestacionalizada.
Aunque los valores de α y β que minimizan MAD no deben ser mayores que 0.5 (como el método
de Holt), es común, por lo que toca al mejor valor de g, que ésta sea mayor que 0.5. Esto se debe
a que, para los datos mensuales, cada factor estacional mensual está actualizado sólo durante de
todos los períodos. Puesto que los factores de estacionalidad se actualizan tan pocas veces,
necesitaríamos dar más peso a cada observación, de modo que g>0.5 no es imposible.
14. Considerando la siguiente serie de datos {18, 22, 20, 22, 19, 15, 21, 17, 23, 21, 16, 22} y
siendo el último valor de la serie, seleccione en las tablas que se dan a continuación
cuáles de los valores propuestos marcados como a) b) c) d) son obtenidos por cada
método nombrados como 1) 2) 3) 4) 5) 6) 7) como el valor pronosticado para el momento
(n+1). (En el caso de que el valor pronosticado por un método no se encuentre dentro de
los propuestos marque “d) otro”, y si algún valor no es obtenido con ningún método
marque “7) otro” pero en todos los casos -métodos y valores- deben tener alguna
selección sabiendo que alguno de los valores puede ser resultado de un o de varios
métodos)
15.¿Qué técnica de pronósticos calcula cada nuevo pronóstico a partir de solo las N
experiencias más recientes?
Método de Promedios Móviles: Obtiene el promedio de los datos de los últimos n periodos.
Σ𝑥
𝑓 𝑡+1 = 𝑛 𝑖 , donde Σ va desde 𝑖 = 𝑡 − 𝑛 + 1 hasta 𝑡.
Se actualiza con facilidad de un periodo a otro, para lo cual se debe eliminar la primera
observación y agregar la última.
Ventaja: usa varias observaciones de datos recientes.
Desventaja: todas las observaciones tienen el mismo peso.
16.¿Cuál técnica de pronósticos usa el valor del periodo actual como única base del
pronóstico para el siguiente periodo?
Método del Pronóstico del último valor: Usan el valor de la serie de tiempo observado en el
tiempo t (xt) como pronóstico para el periodo t+1.
𝑓 𝑡+1
=𝑥 𝑡
Desventaja: es impreciso; su varianza es grande debido a que se basa en una muestra de tamaño
uno. Es conveniente considerarlo sólo si:
1) La suposición sobre el nivel constante es “insegura” y el proceso cambia con rapidez de
manera que lo que ocurre antes del tiempo “t” es irrelevante o lleva a conclusiones
equivocadas.
2) Si la suposición de que el error aleatorio (et) tiene varianza constante es poco razonable
y la varianza condicional en el periodo t es en realidad mucho más pequeña que en
tiempos anteriores. Se trata de un método ingenuo, sin embargo, cuando las condiciones
cambian con rapidez, quizás el último valor sea el único dato relevante para pronosticar
el siguiente valor.
17.¿Cuál técnica de pronósticos concede el mismo peso a cada observación de toda la
serie de datos?
Método del Promedio
En lugar de usar una muestra de tamaño 1 usa todos los datos y obtienen un promedio de la
serie.
Es decir que el componente estacional actual St surge del producto entre una constante de
suavizado (γ) y un estimado del índice estacional dado por xt / Lt , al que se le suma (1-γ) veces
el componente estacional previo St-c. El valor observado xt se divide entre el nivel actual estimado
Lt, para crear un índice que pueda usarse de forma multiplicativa para ajustar un pronóstico
tomando en cuenta los picos y valles estacionales.
21. Mediante el método de Holt queremos predecir las ventas mensuales de tablets. A
fines de septiembre de este año, Lt = 150 y Tt = 20. Durante octubre (tambien de este
año), se vendieron 178 tablets. Al final de octubre, el MAD calculado fue de 10. Queremos
establecer un rango de ventas de tablets [mín, max] pronosticado para noviembre, con
una confianza del 95%. Utilice = = 0,50.
proyecto 1 8 0,4211
proyecto 2 3 0,1579
proyecto 3 5 0,2632
proyecto 4 3 0,1579
Suma 19 1
28. Describa en qué consiste normalizar respecto al máximo y dé un ejemplo.
● La normalización respecto al máximo lleva los valores a una valuación con respecto al
mayor valor de todo el conjunto
● Las valuaciones quedan comprendidas entre 0 y 1
● Con mejor valuación el valor más cercano a 1
● Al máximo valor le corresponde el valor 1
● ri = ai / max ai
proyecto 1 8 1,0000
proyecto 2 3 0,3750
proyecto 3 5 0,6250
proyecto 4 3 0,3750
Max 8
Metodología que resume las preferencias en una síntesis global para determinar la alternativa
que globalmente recibe las mejores evaluaciones.
Muchos métodos buscan una evaluación global de cada alternativa a través de una función que
transforme las n FU(Función de Utilidad) asociadas a los n criterios en una única función,
llamada Función de Agregación, bajo la forma de una suma de Funciones de Utilidad. Por esta
razón la Función Agregación recibe el nombre de Función de Utilidad Aditiva.
30. En el método de Ponderación Lineal, ¿podría usted explicar las diferencias de utilizar
el método de normalizar por la suma o por el máximo?
La normalización se realiza para que las evaluaciones aij de una alternativa i, respecto a cada
uno de los j criterios, sean comparables en magnitud, unidad de medida, posición al cero,
dispersión de medida, etc. Generalmente las evaluaciones se transforman a valores entre 0 y 1.
31. Explique los pasos a seguir para utilizar el método de Ponderación Lineal.
1. Transformar todos los criterios en maximización , (costos) ri = ∑ ai / ai , o 1/ ai
2. Transformar escalas lingüísticas
3. Asignar pesos a los criterios
4. Normalizar matriz de preferencias y pesos
5. Obtener las preferencias globales (calcular el valor de cada alternativa)
6. Realizar ordenación
1. Partimos de la matriz de decisión, con las evaluaciones de cada alternativa respecto a cada
criterio.
Donde:
i = 1,2,3,….h se corresponde con los criterios de máximo e
i = h+1, h+2, …. n se corresponde con los criterios de mínimo.
Se suman las evaluaciones a maximizar y se les resta las evaluaciones ponderadas de los
criterios a minimizar.
34. Un grupo de compañeros de la facultad desea alquilar una oficina para instalar un
emprendimiento en que están trabajando. Luego de eliminar opciones, quedaron tres
potenciales lugares. Los criterios para la selección son: alquiler (en pesos por mes),
comodidades (escala de 1 a 5 donde 5 es la mejor), distancia a la facultad (en minutos
de viaje), gastos comunes (en pesos por mes).
Método de MOORA
Matriz
normalizada
Matriz normalizada y
ponderada
Alquiler Comodidades Distancia Gastos comunes Total
Ordenamiento Total
Local3 -0.295
Local 2 -0.2284
Local 1 -0.1825
Ponderación Lineal
Matriz
normalizada
con el método
3
Agregación
Ordenamiento Total
Local1 0.3619
Local 2 0.3401
Local3 0.298
Datos
Conocimiento
Para ello se realiza una fase de extracción, transformación y carga (ETL) de datos.
Esta etapa suele apoyarse en un almacén intermedio, llamado ODS, que actúa como
pasarela entre los sistemas fuente y los sistemas destino (generalmente un
datawarehouse), y cuyo principal objetivo consiste en evitar la saturación de los
servidores funcionales de la organización.
● Un Data Warehouse y/o diversos Data Marts: son las bases de datos ya
● Sistemas OLAP y de minería de datos: que nos aportan una nueva fuente
El valor de la información tiene una relación directa con la utilidad que proporciona a los
responsables de las empresas para tomar decisiones en el cumplimiento de los objetivos
o finalidades de la organización, que en una empresa que aspira el liderazgo, son los que
están plasmados en el plan estratégico de la empresa.
8. Concepto de DataMart.
En síntesis, se puede decir que los data marts son pequeños data warehouse centrados en
un tema o un área de negocio específico dentro de una organización.
Agregándole otra definición al Datamart.
Podremos decir que Según (Sinnexus, 2016) se trata de una base de datos departamental,
especializada en el almacenamiento de los datos de un área de negocio específica. Se
caracteriza por disponer la estructura óptima de datos para analizar la información al detalle
desde todas las perspectivas que afecten a los procesos de dicho departamento.
Data Warehouse:
Se trata del lugar donde toda la data de una compañía es almacenada. Consiste en un sistema
computarizado con una gran capacidad de almacenamiento, esencial para reunir y organizar la
información proveniente de los distintos departamentos de la organización.
Data Marts:
Esta herramienta se ocupa de almacenar información de un departamento o grupo de trabajo
específico. Funciona como una aplicación del Data Warehouse o una alternativa para empresas
medianas que no pueden afrontar los costos de implementar un sistema tan amplio de
almacenamiento de datos. Las Data Marts pueden ser dependientes o independientes del Data
Warehouse. Sin embargo, cabe mencionar que contar con sistemas independientes que no se
encuentren integrados entre sí puede dificultar las tareas de administración y mantenimiento.
Desventajas:
1. No es muy útil para la toma de decisiones en tiempo real debido al largo tiempo de
procesamiento que puede requerir. En cualquier caso la tendencia de los productos
actuales (junto con los avances del hardware) es la de solventar este problema
convirtiendo la desventaja en una ventaja.
2. Requiere de continua limpieza, transformación e integración de datos.
3. Mantenimiento.
4. En un proceso de implantación puede encontrarse dificultades ante los diferentes
objetivos que pretende una organización.
5. Una vez implementado puede ser complicado añadir nuevas fuentes de datos.
6. Requieren una revisión del modelo de datos, objetos, transacciones y además del
almacenamiento.
7. Tienen un diseño complejo y multidisciplinar.
8. Requieren una reestructuración de los sistemas operacionales.
9. Tienen un alto coste.
10. Requieren sistemas, aplicaciones y almacenamiento específico.
11. Explique la arquitectura de un Data Mart.
Estrella o Copo de Nieve.
Se encuentra una tabla FACT -central- con todas las métricas que son los datos que nos
interesa analizar desde diferentes perspectivas y con diferentes filtros. Esta tabla posee en
general solo measures y FK’s para joinear con las tablas de dimensiones o LookUp, que
son aquellas otras tablas más estáticas, que añaden información a las measures, son
básicamente todos los filtros que quiero poder hacer.
Ej:
FACT_VENTAS (id_venta -PK-, importe, iva -métricas-, fk_fecha, fk_cliente, fk_sucursal,
fk_turno)
DIMENSION_CLIENTE (pk_dni, nombre, apellido, telefono,...)
DIMENSION_SUCURSAL (id_sucursal, codigo_postal, calle, numero…)
DIMENSION_TIEMPO (fecha, id_mes, nombre_mes, añomes, id_año)
DIMENSION_TURNO (id_turno, descripcion)
Este ejemplo es topologia estrella. Tabla Fact central y alrededor todas las dimensiones. Si
A la dimensión sucursal le agrego fk a una nueva tabla por ejemplo barrio, y de barrio
apunto a ciudad, y de ciudad a provincia, ahi pasa a ser una topología copo de nieve.
Datamart OLAP
Se basan en los populares cubos OLAP, que se construyen agregando, según los
requisitos de cada área o departamento, las dimensiones y los indicadores necesarios de
cada cubo relacional. El modo de creación, explotación y mantenimiento de los cubos
OLAP es muy heterogéneo, en función de la herramienta final que se utilice.
Ayudan con problemas que cambian rápido y son difíciles de especificar hasta que se
presentan, estos son llamados problemas desestructurados o semi estructurados.
Pueden ser útiles a cualquier nivel organizacional, pero están orientados a niveles medios y
altos.
● Orientado a datos: parecido al anterior, pero no arman un modelo sino que crean
nuevos datos resumidos, pero siempre tienen la opción de consultar el dato "crudo".
Ventajas:
Sistemas interactivos con resultados aplicables a los procesos de negocios.
Reportes personalizados, a la medida del ejecutivo
● Información expuesta en términos de negocios
● Visualización gráfica de los indicadores claves para los distintos procesos de la
empresa
● Facilita el proceso de toma de decisiones y por ende la productividad de la
organización
Desventajas:
● Falta de costumbre al utilizar un sistema para soportar el proceso de toma de
decisiones
● La responsabilidad al tomar una decisión puede diluirse
● Necesidad de mayor conocimiento de uso por parte del encargado de la toma de
decisiones
● Herramientas más costosas
▪ Agricultura y ganadería:
Uso de sensores para detectar la humedad del suelo, la temperatura ambiente y el
pronóstico del tiempo.
Uso de la identificación por radiofrecuencia del ganado, lo que facilita el conteo y la
ubicación de los animales.
▪ Control ambiental:
Uso de sensores atmosféricos, meteorológicos, y sísmicos.
▪ La industria de producción:
Uso de robots ensambladores, sensores de temperatura, control de producción para
controlar los procesos de fabricación.
▪Velocidad de análisis de datos: Saber qué comprar en el supermercado, sin tener que
hacer una comprobación de lo que hay en la heladera.
▪Eficiencia y ahorro de tiempo: En lugar de repetir las mismas tareas todos los días, permite
a la personas a hacer otros trabajos.
▪Ahorro de dinero: Podemos recibir una alerta en caso de posibles cuellos de botella,
averías y daños en algún sistema.
Desventajas:
▪Privacidad y seguridad: Toda la información debe ser cifrada para que los datos sobre tu
situación financiera o de salud quede protegida.
▪Complejidad: Existen muchos riesgos de “mal funcionamiento” con estos sistemas tan
complejos.
▪Pérdida de empleo: Los trabajadores no calificados y ayudantes pueden llegar a perder sus
puestos de trabajo como efecto de la automatización de las actividades diarias.
▪La tecnología toma el control de nuestras vidas. Nuestras vidas serán controladas cada vez
más por la tecnología, y seremos dependiente de ella.
Hadoop MapReduce
MapReduce es el núcleo de Hadoop. El término MapReduce en realidad se refiere a dos
procesos separados que Hadoop ejecuta. El primer proceso map, el cual toma un conjunto
de datos y lo convierte en otro conjunto, donde los elementos individuales son separados en
tuplas (pares de llave/valor). El proceso reduce obtiene la salida de map como datos de
entrada y combina las tuplas en un conjunto más pequeño de las mismas.
Hadoop Common
Hadoop Common Components son un conjunto de librerías que soportan varios
subproyectos de Hadoop. Contiene los archivos .jar y los scripts necesarios para ejecutar
Hadoop