Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2 Desa Sincrono 1 Clase 01 BI
2 Desa Sincrono 1 Clase 01 BI
HUACHO - 2019
Parálisis por el análisis
Business Intelligence
Datos Ventaja
Información Conocimiento
Competitiva
Data Warehouse o Data Mart
Data Mart
Ventas Data Mart
Marketing
Data Mart
Finanzas
Dw
Datos e Información
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
Tiempo
Ventas Semana
Mes
Año
Vendedor Vendedor
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
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
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%
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.
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
(-)
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
Mayor comprensión de
clientes y atracción de
Transformación Mayor entendimiento del cliente
e incremento de market share nuevos grupos
Digital
Tomado de
https://cdn2.hubspot.net/hubfs/4451076/Infographics/NDGIT-infographic-Open-Banking-key-threats-opport
unities.pdf
Transformación Digital
- 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