UNIVERSIDAD NACIONAL JOSÉ

FAUSTINO SÁNCHEZ CARRIÓN

FACULTAD DE INGENIERÍA INDUSTRIAL, SISTEMAS E

INFORMÁTICA

CURSO: INTELIGENCIA DE NEGOCIO

SESION 1: FUNDAMENTOS DE INTELIGENCIA DE NEGOCIOS Y

ARQUITECTUA BIG DATA

DOCENTE: ING. JULIO CÉSAR MORALES LEÓN

HUACHO - 2019
Parálisis por el análisis

• Tengo demasiados datos y no

suficiente información

• ¿Por qué todos mis reportes

no se unifican?

• Las respuestas administrativas

responden al pasado

• ¿Quién tiene tiempo para

análisis?
Preguntas del negocio
¿Cuáles son las
características de ¿Qué está
mis clientes? requiriendo mi
¿Quién compró, cliente?
donde y cómo
compraron?
Los gerentes
siempre se han
preguntado ¿Qué región nos
provee mejores
ventas?

¿En qué período se vendió más?.

¿Qué segmento de
¿Cómo vendimos?
clientes respondió mejor a
la promoción?
¿Qué es Business Intelligence?

Business Intelligence

“ Business Intelligence se refiere al proceso de convertir datos en

conocimiento y conocimiento en acciones para crear la ventaja
competitiva del negocio “

The Data Warehousing Institute

Datos Ventaja
Información Conocimiento
Competitiva
Data Warehouse o Data Mart

“Podemos comenzar construyendo Data Marts con resultados

inmediatos, para no postergar las decisiones de negocios y el análisis
de información, pero hacerlos siempre teniendo una visión integral
del negocio”
Teddy Dale
Consultor Internacional

Data Mart
Ventas Data Mart
Marketing
Data Mart
Finanzas
Dw
 Datos e Información

• Número de pedidos • Clientes más rentables

Ventas
Ventas
• Productos pedidos • Pedidos más frecuentes
• Clientes que realizaron • Productos más rentables
los pedidos • % de nuevos clientes

• Qué clientes visitan nuestra

• Datos de llamadas de
Servicio
Servicio página web ?
nuestros clientes
alalCliente
Cliente • % pedidos realizados por nuestros
• Información sobre el log de
canales de ventas
nuestra página web • Qué consulta es más frecuente?

• Número de campañas • % éxito de las campañas

Marketing
Marketing realizadas y características • Qué tipo de clientes han
de cada una respondido mejor a cada una de
las campañas realizadas ?

• Número de pedidos retrasados

• Productos que salen
Distribución
Distribución diariamente del almacén
• Distribuidor que tiene el mayor
• Tiempo teórico de entrega número de retrasos
• Tiempo medio de entrega

Fuente : Deloitte & Touche

Arquitectura Clásica de BI

Reportes, Consultas
Data Mining
Olap
Dashboard
Procesos de
Web
Extracción,
Transformación y Data
Carga
Warehouse Mail
(Data Mart)
Celular
Aplicaciones • Modelo del Negocio
Integrado
• Repositorio de
Excel
Información
• Metadata
Datos
Externos
 Arquitectura Clásica de BI
FUENTE
S DE MODELO BSC
DATOS DATAMAR
CUBOS
VENTAS T

STAGIN SD
SCM
G
COMPRAS AREA

Data FI-
Stage CO
Cuentas
por Pagar MONITOREO
FINANZAS
Adquisiciones DE LA
Comercial
ESTRATEGIA
GDH

EGP
GDH
CRM
Arquitectura Clásica de BI
Fuentes de Datos Datos de Análisis Business Intelligence

ETL

BI

CT

BD Gestión

CT
Cubo de Ventas Cubos de Comercial
Procesos de Carga
Cubo de Riesgos Cubo de Auditoría

Cubo de Operaciones Cubo de Finanzas

CT
Ejemplo - Análisis de Ventas (Industriales)
Características :
• Detalle de ventas en unidades monetarias y físicas
• Análisis de ventas Anual, mensual y semanal
• Evaluación de ventas por Empresa y países
• Niveles de detalle por Familia, línea y producto
• Detalle por cliente, identificando los clientes corporativos
• Detalle por Proceso de Producción
• Análisis de ventas por Vendedor
Consideraciones :
• Comparativo de ventas entre unidades de tiempo
• Análisis de ventas de uno o más años a la vez
• Suma acumulada de ventas
• Participación porcentual de las variables de ventas
Requerimientos de Consultas (Star Net)

Tiempo
Ventas Semana
Mes
Año
Vendedor Vendedor

Ventas Soles País Empresa

Ventas Dólares Organización
Ventas Unidades
Familia
Línea
Tipo Producto
Cliente Producto
Procesos

Cliente
Producción
Cubos

Dimensión Bazar
Producto
Bebidas Métricas
Alimentos
Cantidad de clientes 200
Directa Ventas 3,000,000
Utilidad 500,000
Canal de Mayoristas Crecimiento 15%
ventas
Minoristas

Otro

Ene Feb Mar Abr

Miembros Tiempo
Modelo Estrella
Modelo Estrella
 Caso BI: Producción
El vicepresidente (VP) de Producción para Max Min Inc. Quiere analizar las estadísticas disponibles de el Sistema
de Manufacturación Automático. Le gustaría una herramienta interactiva de análisis, más que imprimir reportes,
para su análisis. Manteniendo con Max Mins’s una nueva estrategia de inteligencia de negocios, Microsoft SQL
Server 2005 Analysis Services es la plataforma para esta herramienta de análisis. Debido a que el Sistema de
Manufacturación Automático no usa una base de datos, se accede a través de archivos de textos delimitados
por comas, se necesita diseñar y construir un datamart como repositorio para esta información.
El Sistema de Manufacturación Automático de todas las máquinas usadas por Max Min crea los controles como
figuras. Cada máquina se encarga de todos los pasos en el proceso de fabricación de una figura. Esta incluye
las siguientes:
 Llenar un molde con la materia prima (arcilla, aluminio, brillante).
 Ayudar el enduramiento de este material.
 Eliminación del molde cuando el enduramiento este completado.
 Computarizar el dibujo de la imagen, si es necesario (Las figuras brillantes no son pintadas)
Son necesarias Múltiples pinturas y ciclos de mejora, dependiendo de la complejidad del trabajo requerido para
la pintura de un producto. El Operador de la máquina hace un chequeo de aseguramiento de calidad y da por
terminada la figura.
 Caso BI: Producción
El operador accede a la máquina. Como parte de este proceso de inicio de sesión, el operador indica al Sistema
de Fabricación automática qué productos se está elaborando, junto con el número de lote de la materia prima que
está siendo utilizada por la máquina. El operador también puede hacer una entrada en el sistema cuando una
figura es rechazada.
En una entrevista con el vicepresidente de producción, hizo los siguientes requerimientos para hacer más
eficientes la toma de decisiones.
 Cantidad (Número) de productos aceptados por lote por producto por máquina por día.
 Cantidad (Número) de productos rechazados por lote por producto por máquina por día.
 Tiempo transcurrido para el modelamiento y endurecimiento por producto por día.
 Tiempo transcurrido para el pintado y el acabado por tipo de pintura por producto por día.
 Lista de Producto hasta un subtipo de producto, lista de tipo de producto.
 Lista de máquina en un tipo de máquina, que rollos de un material (arcilla, brillante, aluminio).
 Lista de máquinas en la planta, que listas en un país.
 Lista de días en un mes, qué listas en un semestre, que listas en un año.
 La información debe estar habilitada para ser filtrada por máquina, fabricación, y fecha de compra de la
maquina.
 Caso BI: Producción
El archivo exportado del Sistema de Fabricación de productos automático contiene una fila por cada producto
producido. Cada fila incluye la siguiente información.
 Producto.
 Número de Lote de la materia Prima.
 Número de máquina.
 Número de Empleado Operador.
 Fecha y tiempo de inicio de fabricación. (Cuando el lote empieza a generarse)
 Fecha y tiempo de fin de fabricación. (Cuando el lote empieza a generarse)
 Campo de Aprobación
 
1. Prepare la lista de medidas requeridas por el VP de producción.
2. Determinar cuáles son los campos en el origen de datos en el OLTP que son suministrados para esas medidas.
3. Tratar de resolver el problema de aquellos datos que no están disponibles. Buscar un dato que si está disponible y
que tenga relación con el requerimiento.
4. Adicionar el tipo de dato y la fórmula que se utiliza para obtener una medida, en algunos casos puede ser un
criterio.
5. Prepare una lista de las dimensiones requeridas por el VP de producción.
6. Determine que campos del origen de datos OLTP son suministrados para las dimensiones.
SAP In-Memory Appliance (SAP HANA™)
SAP HANA™
SAP BusinessObjects BI Other In-Memory software + hardware
Solutions Applications
(HP, IBM, Fujitsu, Cisco, Dell)
Data Modeling and Data Management
Real-time Data Replication
SAP HANA™
SAP SAP BusinessObjects Data Services for ETL capabilities from SAP
SAP HANA
Studio
Information
Composer
Business Suite, SAP NetWeaver Business Warehouse (SAP
NetWeaver BW), and 3rd Party Systems
SAP HANA Database

Calculation Row & Column In- Capabilities Enabled

Engine Memory
Analyze information in real-time at unprecedented speeds on
Real-Time Data SAP BusinessObjects large volumes of non-aggregated data
Replication Data Integrator
Create flexible analytic models based on real-time and historic
business data
Foundation for new category of applications (e.g., planning,
SAP Applications Non SAP Data simulation) to significantly outperform current applications in
sources
category
Minimize data duplication
 Llegando al Big Data
Todos tenemos un móvil conectado a internet, tenemos tabletas, portátiles, nos conectamos a
redes sociales, pero esto no acaba aquí, tenemos lo que se ha dado a conocer como “El Internet
de las cosas”, Dispositivos conectados a internet, algunos que no sorprenden…una TV, una
consola de videojuegos, pero otras que hace tiempo nos hubiera costado mucho entender para
que se conecten a Internet…como las lavadoras, frigoríficos, persianas, relojes, despertadores,
calefacciones e incluso bombillas.

Con toda esta cantidad de información que desde hace algunos años hemos empezado a tener,
surge un nuevo concepto que no sólo afecta al tradicional BI, afecta a toda la compañía,
hablamos de “Big Data”. (tomado de IEBS, 2020)
 ¿Qué es Big data?
Un mayor ámbito de información 18%

Nuevos tipos de datos y análisis 16%

Información en tiempo Real 15%

Entrada de datos procedente de nuevas tecnologías 13%

Forma no tradicionales de soportes 13%

Grandes Volúmenes de datos 10%

La última palabra de moda 8%

Datos de redes Sociales 7%

 ¿Qué es Big Data?

Introducción Se refiere a un conjunto de datos tan grande y

al Big Data complejo, que resulta difícil de procesar usando
los sistemas de gestión de bases de datos
disponibles o las aplicaciones tradicionales de
procesamiento de datos. (Wikipedia).
Estadísticas Datameer 2015
Aparecen los Datalake
El flujo entrante representa
tablas base Gestión
DATA ESTRUCTURADA y múltiples archivos de datos
sin procesar que van
Tickets SP TP HP IK MF CAS de correos electrónicos, hojas
Efectivo, Saldos, Tarjetas de cálculo, contenido de social
Seguros, Clientes, media
Cronogramas de pagos
DATA NO ESTRUCTURADA
Dispositivos Activos App
N° Usuarios App y Web
N° Logueos en el Mes
Frecuencia de visitas al mes
Canales Digitales
Social Media, Mail
El reservorio de agua es un set
de datos, en la cual Foh! Podrá
hacer Analítica de manera
performante con todos los
datos

La salida de agua es data

ANALIZADA A través de este proceso, Foh!
Es capaz, a través de todos los
datos, obtener rápidamente los
key business Insights
Objetivo de la Plataforma de Datos- Lima

Gobierno de datos 

Analytics
 • HMV Japón se dio cuenta de un 300% de crecimiento en
ingresos por transacción por predicción de los intereses del
cliente.
Introducción
al Big Data
• AOK Hessen ahorró $ 3,2 M mediante la identificación de
fraude de seguro reclamaciones.

• Los clientes experimentan un Marketing Integrado aumentado

las ventas porconducir en un 22% el uso de modelos predictivos
para determinar cliente patrones de compra.
 3 características comunes de los conjuntos "Big Data" de datos:

Introducción • Volumen: La cantidad de datos más allá de RDBMS tradicional

al Big Data • Variedad: texto relacional, y / o tipos de datos multimedia

• Velocidad: frecuencia de la generación de los datos o de la
entrega de datos Deshacer cambios
• ¿Cuáles serán las dos V que faltan?
Business Intelligence & Business Analytics

Business Analytics Business Intelligence

Estadística Avanzada Estadística básica
Matemática Compleja Análisis histórico de datos
Simulación de Sistemas Análisis multidimensional
Robótica Análisis de tendencias
Sistemas Expertos Clustering
¿Qué es el Data Science?
• Modelo tablas únicas y tablas agregadas -> Equipo Gobierno Técnico • Acceso a Cubos en tableau
• Un solo esfuerzo una vez y todas las áreas de negocio reutilizan las • Crean sus propios reportes
tablas transformadas: 

Transacciones únicas, Cliente,  Producto

Data scientist Analistas de negocio

Acceso
Acceso Red Interna
Red Interna Acceso vía Internet
controlado Tickets Vea
Negocio
Tickets Vea
Negocio
Tickets
Tickets Oechsle
Oechsle
Tabla Tickets
Tabla Tabla Única
Tabla Tickets Agregada Promart
Agregada Única Promart
Tickets
Riesgos y Tickets
Riesgos y Farmacias

Cobranzas Farmacias Cobranzas MD files

MD files

Fraudes Fraudes
¿Qué es el Data Science?
 ¿Qué es el Data Science?

Mayor sofisticación en el análisis de los datos genera ventaja competitiva, a medida que
se va optimizando los datos y entenderlos.
Optimización
Más de 3 meses
de DATA
(+)
15 días – 3 meses
Análisis
prescriptivo

2 días – 15 días Valor (Ventaja Competitiva)

r
Análisis
i s ión hace
predictivo ev o s ?
2 horas - 2 días Pr odem pase
p e
Qué ra qu
¿ pa
Análisis n
diagnóstico i sió sará?
V pa
ué
¿Q
Análisis
Descriptivo t i va
ec é ?
o sp or qu
t r p
Re ué y
¿Q

(-)
Dificultad (Sofisticación de análisis) (+)
Donde estamos parados hoy?

2020 2021

Data -
Data - Driven
• Generan
Data - Savvy descubrimientos
• Analizan los datos (Insights) a partir
Data - Guided de los datos
estratégicamente
Aware • Analizan los datos • Generan • Capaces de
Data - • Aprenden de sus descubrimientos contestar a la
• Conscientes de
Resistant los datos
errores y mejoran (Insights) pregunta: ¿qué
procesos viene después?
• Resistentes al • No usan los
cambio datos
correctamente
Caso de Estudio

Con la data que tenemos en un supermercado

¿podemos saber si una mujer va a ser madre?
¿Qué hay del comportamiento de compra del
padre?

Armar una arquitectura de Big Data conceptual,

que se combine con una estructura de BI
clásica. Pueden leer libros, artículos, pero al
final es lo que Uds proponen.
Transformación Digital
 Pérdida de clientes por
nuevos jugadores más
Quedando atrás de avanzados
competidores tecnológicamente
más avanzados

Mayor comprensión de
clientes y atracción de
Transformación Mayor entendimiento del cliente
e incremento de market share nuevos grupos

Digital

Reduce uso tarjetas de

créditos y débitos

Open Data habilita mejores Scores de

créditos baja la necesidad de CRA Ser parte del core de la
infraestructura de pagos

Con Open Data mejora

capacides y servicios para
incrementar su uso

Tomado de
https://cdn2.hubspot.net/hubfs/4451076/Infographics/NDGIT-infographic-Open-Banking-key-threats-opport
unities.pdf
Transformación Digital

los bancos establecidos desarrollan

plataformas digitales equivalentes y la
avalancha de clientes dificulta la adopción

Convertirse en la plataforma elegida

debido a la ventaja de ser el primero
Incremento de la competencia en moverse y a la participación
debido al surgimiento De más superior del cliente
proveedores terceros

Aumentar significativamente la base

de clientes a través del acceso a
plataformas y mercados integrados
Ecosistemas Digitales y Sociales
Creación de los servicios Big Data y Analytics
En el marco de la transformación Digital
El análisis de los datos en el proceso de
transformación de negocio

- UBER FOOD
- COVID ECOMERCE
- REAL TIME FRAUDES
- DEMORAS EN ATENCIÓN
EN TIENDA TX ON LINE,
BATCH YA PASÓ HOY
QUIERO SABER PQ LA
DEMORA EN
APROBACIÓN DE UNA
SOLICITUD
- OPI:
- EL ANALISS VA MÁS ALLÁ
ALIMENTA A LOS
SITEMAS DE VENTAS EN
LÍNEA
Data lake o Data warehouse

• Híbridos
• Migración

Dw
HBR – Data Driven Company
 Tecnologías

Los proveedores de tecnología se fueron adaptando a las necesidades

No hay productos buenos ni

malos
Tecnologías
GARTNER