temas unidad 2 inteligencia de negocios

8/10/2019 Temas Unidad 2 Inteligencia de Negocios

1/23

Unidad 2. Base de Datos para la Toma deDecisiones

2.1. Base de Datos Multidimensionales.2.1.1. Datawarehouse2.1.2. Data Mart2.1.3. Sistemas OLTP2.1.4. Sistemas OLAP2.1.5. Operaciones Analticas Bsicas de los Sistemas OLAP2.1.6. Vista de Datos de los sistemas OLAP2.1.7. Modelo de Datos de los sistemas OLAP.

2.2. Sistemas de Gestin del conocimiento.2.2.1. Preparacin de los Datos.2.2.2. Minera de Datos.2.2.3. Patrones.2.2.4. Evaluacin / Interpretacin / Visualizacin.


2/23

2.1 BASES DE DATOS MULTIDIMIENCIONALES

2.1 BASE DE DATOS MULTIDIMENSIONAL

Las bases de datos multidimensionales son una variacin del modelo relacional que

utiliza cubos OLAP para organizar los datos y expresar las relaciones entre ellos. Las

principales ventajas de este tipo de bases de datos son la versatilidad para cruzar

informacin y la alta velocidad de respuesta. Esto las convierte en herramientas bsicas

para soluciones de Business Intelligence o de Big Data, donde el anlisis de los datos

resulta crucial.

Este tipo de base de datos se aplica sobre el sistema OLAP tambin llamado cubo

multidimensional o hipervnculo. Se compone de hechos numricos llamados medidas

que se clasifican por dimensiones. El cubo de metadatos es creado tpicamente apartar

de un esquema en estrella o copo de nieve y utilizando tablas de una base de datos

relacional.

Las medidas se obtienen de los registros de una tabla de hechos y las dimensiones de

cuadros.

Una base de datos multidimensional, es aquella que almacena sus datos con varias

dimensiones, es decir que en vez de un valor, encontramos varios dependiendo de los

"ejes" definidos o una base de datos de estructura basada en dimensiones orientada a

consultas complejas y alto rendimiento. Puede utilizar un SGBDR en estrella (Base de

datos Multidimensional a nivel lgico) o SGBDM (Base de datos Multidimensional a

niveles lgico y fsico o Base de datos Multidimensional Pura).

En una base de datos multidimensional, la informacin se representa como matrices

multidimensionales, cuadros de mltiples entradas o funciones de varias variables sobre

conjuntos finitos. Cada una de estas matrices se denomina cubo.

OLAP: On-Line Analytical Processing

Los sistemas OLAP son bases de datos orientadas al procesamiento analtico. Este

anlisis suele implicar, generalmente, la lectura de grandes cantidades de datos para

llegar a extraer algn tipo de informacin til: tendencias de ventas, patrones de

comportamiento de los consumidores, elaboracin de informes complejos etc.


3/23

Representando la informacin: los cubos OLAP

Un cubo OLAP no es ms que un vector de varias dimensiones. Desde un punto de vista

relacional, puede verse como una tabla de hechos (fact table ) que tiene dos tipos de

columnas:

Indicadores : tambin denominados mtricas o ratios , son los valores numricos conlos que se opera. Por ejemplo: n de clientes, n de proveedores, importe de las

ventas, n de ventas, importe de las compras, n de compras etc.

Dimensiones : son las caractersticas por las que se pueden filtrar y cruzar losindicadores. Por ejemplo: tiempo (fijando un determinado da, mes o ao), geografa

(fijando un determinado pas, regin o ciudad), proveedor, cliente, modo de pago etc.

Las columnas correspondientes a las dimensiones tienen claves forneas a tablas de

dimensin, que generalmente son tablas de maestros con clave-valor (esquema enestrella) o tablas organizadas en jerarquas (esquema en copo de nieve) como: ciudad

provincia pas.

En general suele resultar necesario dimensionar la volumetra de los cubos para

conseguir que generen los informes deseados, y monitorizar su tamao para garantizar

que los resultados se obtienen en el tiempo esperado. En este sentido suele resultar

fundamental tener en cuenta dos caractersticas bsicas: la cardinalidad del cubo ,posibles combinaciones de todos los valores de todas las dimensiones, y

la granularidad del cubo , nivel de detalle mximo de los datos, o lo que es lo mismo,nivel de agregacin mnimo de la informacin.

Propiedades de las bases de datos OLAP

As como los sistemas OLTP son tpicos para bases de datos convencionales y data

warehouses, los sistemas OLAP son propios de los datamarts.

Optimizadas para operaciones de lectura : dado que la accin ms comn es laconsulta, estas bases de datos disponen de valores agregados y resultados

precalculados que les permiten responder en tiempo rcord. Evitar las restricciones

ACID les da agilidad.

Organizadas segn las necesidades analticas : los datos estn estructurados segnlas reas de negocio, y los formatos de los datos estn integrados de manera uniforme

en toda la organizacin. Se busca evitar islas de datos.
http://es.wikipedia.org/wiki/Tabla_de_hechoshttp://es.wikipedia.org/wiki/Tabla_de_dimensi%C3%B3nhttp://es.wikipedia.org/wiki/Tabla_de_dimensi%C3%B3nhttp://es.wikipedia.org/wiki/Esquema_en_estrellahttp://es.wikipedia.org/wiki/Esquema_en_estrellahttp://es.wikipedia.org/wiki/Esquema_en_copo_de_nievehttp://es.wikipedia.org/wiki/Esquema_en_copo_de_nievehttp://es.wikipedia.org/wiki/Esquema_en_estrellahttp://es.wikipedia.org/wiki/Esquema_en_estrellahttp://es.wikipedia.org/wiki/Tabla_de_dimensi%C3%B3nhttp://es.wikipedia.org/wiki/Tabla_de_dimensi%C3%B3nhttp://es.wikipedia.org/wiki/Tabla_de_hechos


4/23

Asncronas : no siempre se actualizan en tiempo real, sino que se suelen alimentarcon informacin procedente de las bases de datos relacionales mediante un proceso

de extraccin, transformacin y carga (ETL).

Consultas realizadas en MDX : este lenguaje, MDX (MultiDimensional eXpressions )fue desarrollado inicialmente por Microsoft y adoptado posteriormente como estndar

para leer cubos OLAP. Un cliente puede manipular el cubo de distintas formas: rotarlo,

rebanarlo cortarlo en dados etc.

Gestin de datos histricos a largo plazo : una de las exigencias analticas consisteen realizar estudios de evolucin a lo largo del tiempo, esto requiere que estas bases

de datos mantengan un histrico a largo plazo, normalmente no inferior a cinco aos.

TIPOS DE OLAP

Tradicionalmente los sistemas OLAP se clasifican en las siguientes categoras:

ROLAPLa implementacin OLAP almacena los datos en un botn relacional llamado ROLAP los

datos son detallados evitando las agregaciones y las tablas que se encuentran

normalizadas, los esquemas ms comunes son de estrella y copo de nieve aunque es

posible de trabajar sobre cualquier base de datos relacional. La arquitectura de esta se

compone de un servidor de banco de datos relacional y el botn OLAP se encuentra en

el servidor dedicado. La principal ventaja de esta arquitectura es que permite el anlisis

de

Una enorme cantidad de datos.

La arquitectura ROLAP excede a los datos relacionados para proporcionar los anlisis

OLAP. La primicia de los sistemas ROLAP es que las capacidades OLAP se ejecutan

mejor contra las bases de datos relacionales

Utiliza una arquitectura de tres niveles:

Nivel Base De Datos: Usa base de datos relacionales para el manejo, acceso y

obtencin de datos.

Nivel de Aplicacin: Ejecuta las consultas multidimensionales de los usuarios

Motor Rolap: Se integra con niveles de presentacin atreves de los cuales los

usuarios realizan un anlisis OLAP.
http://blog.classora.com/2013/04/30/etl-extraccion-transformacion-y-carga-de-datos-base-de-muchos-proyectos-big-data-y-open-data/http://es.wikipedia.org/wiki/Expresiones_multidimensionaleshttp://es.wikipedia.org/wiki/Expresiones_multidimensionaleshttp://blog.classora.com/2013/04/30/etl-extraccion-transformacion-y-carga-de-datos-base-de-muchos-proyectos-big-data-y-open-data/


5/23

MOLAP Esta almacena los datos de una base de datos multidimensional. Para utilizar los

tiempos de respuesta, hacer resmenes de informacin calculados por adelantado y un

sinfn de operaciones utilizadas de forma multidimensional para proporcionar el anlisis

su principal premisa es que OLAP esta mejor implantado almacenando los datosmultidimensionales.

El sistema MOLAP utiliza una arquitectura de 2 niveles, la base de datos

multidimensional y el motor analtico.

MOLAP VS ROLAP

Cuando se comparan estas dos estructuras se pueden realizar las siguientes:

ROLAP delega la negociacin entre el tiempo de respuesta entre el tiempo de respuesta

y procesa en Bach. Mientras que MOLAP requiere que sus bases de datos se compilen

para conseguir un rendimiento aceptable.

Los sistemas con alta volatilidad de datos requieren de una arquitectura

que pueda realizar esta consideracin.

Los sistemas ROLAP soportan esta consolidacin dinmica mientras que

MOLAP estn orientados a una consolidacin Bach.

Los ROLAP pueden crecer un gran nmero de dimensiones mientras que MOLAPgeneralmente son adecuados para 10 o menos dimensiones.

Los ROLAP soportan anlisis OLAP contra grandes volmenes de datos mientras que

los MOLAP se comportan relacionalmente en volmenes ms reducidos (-5gb).

Existen otros modelos OLAP como son:

WOLAP (basado y orientado para web)DOLAP(Basado en escritorio)RTOLAP (o Real Time, basado en tiempo real)SOLAP (o especial Solap, Basado en OLAP especiales)


6/23

BIBLIOGRAFIA:

http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM) .

http://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.html

http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/
http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM)http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM)http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM)http://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.htmlhttp://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.htmlhttp://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.htmlhttp://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vs-oltp/http://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.htmlhttp://www.buenastareas.com/ensayos/Base-De-Datos-Multidimensionales/190823.htmlhttp://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM)http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+(BDM)


7/23

2.1.1 DATAWAREHOUSETras las dificultades de los sistemas tradicionales en satisfacer las necesidadesinformacionales, surge el concepto de Data Warehouse, como solucin a lasnecesidades informacionales globales de la empresa. Este trmino acuado por BillInmon, se traduce literalmente como Almacn de Datos. No obstante si el Data

Warehouse fuese exclusivamente un almacn de datos, los problemas seguiran siendolos mismos que en los Centros de Informacin.

La ventaja principal de este tipo de sistemas se basa en su concepto fundamental, laestructura de la informacin. Este concepto significa el almacenamiento deinformacin homognea y fiable, en una estructura basada en la consulta y eltratamiento jerarquizado de la misma, y en un entorno diferenciado de los sistemasoperacionales. Segn defini Bill Inmon, el Data Warehouse se caracteriza por ser:Integrado, Temtico, Histrico, No voltil

Las diferencias de un Data Warehouse con un sistema tradicional las podramos resumiren el siguiente esquema:

Una de las claves del xito en la construccin de un Data Warehouse es el desarrollo deforma gradual, seleccionando a un departamento usuario como piloto y expandiendoprogresivamente el almacn de datos a los dems usuarios. Por ello es importante elegir

este usuario inicial o piloto, siendo importante que sea un departamento con pocosusuarios, en el que la necesidad de este tipo de sistemas es muy alta y se puedaobtener y medir resultados a corto plazo.

La arquitectura general de un DW es la que se muestra en la figura, este diagramamuestra como primera componente dentro de la arquitectura de DW a las fuentes desdelas cuales se extrae la informacin necesaria para poblar la base de datos. Conectada acada una de las fuentes se encuentran los siguientes componentes bsicos de laarquitectura los wrapper o extractos, los cuales extraen y transforman la informacin de


8/23

las fuentes. Posteriormente atraves de un integrador dicha informacin se carga a labase de datos, la cual constituye el siguiente componente bsico de la arquitectura.

Modelo multidimensional

Para facilitar el anlisis de los datos, un DW representa los datos que contieneusando modelos multidimensionales. De manera general, un modelo multidimensionalprovee dos conceptos principales: medida y dimensin. Una medida es un valor en unespacio multidimensional definido por dimensiones ortogonales. As el cubo es elconcepto central del modelo de datos multidimensional.

Dentro del modelo multidimensional las medidas o atributos numricos describen un

cierto proceso del mundo real el cual va a ser objeto de un anlisis. Estos atributosdependen de ciertas dimensiones las cuales proveen el contexto a travs del cual van aser interpretadas las medidas. Dichas dimensiones regularmente se encuentran enorden jerrquico. Las medidas pueden ser agregadas a lo largo de las dimensiones locual resulta en un cubo el cual es la base para el uso de las operaciones OLAP.

Bibliografa: http//: www.capitulo2.Datawarehouse.pdf.com
http://www.capitulo2.datawarehouse.pdf.com/http://www.capitulo2.datawarehouse.pdf.com/http://www.capitulo2.datawarehouse.pdf.com/


9/23

2.1.2 DATA MART Un Data mart es una versin especial de almacn de datos (data warehouse).Son subconjuntos de datos con el propsito de ayudar a que un rea especficadentro del negocio pueda tomar mejores decisiones. Los datos existentes en estecontexto pueden ser agrupados, explorados y propagados de mltiples formas

para que diversos grupos de usuarios realicen la explotacin de los mismos de laforma ms conveniente segn sus necesidades.

El Data mart es un sistema orientado a la consulta, en el que se producenprocesos batch de carga de datos (altas) con una frecuencia baja y conocida. Esconsultado mediante herramientas OLAP (On line Analytical Processing -Procesamiento Analtico en Lnea) que ofrecen una visin multidimensional de lainformacin. Sobre estas bases de datos se pueden construir EIS (ExecutiveInformation Systems, Sistemas de Informacin para Directivos) y DSS (DecisionSupport Systems, Sistemas de Ayuda a la toma de Decisiones). Por otra parte,se conoce como Data Mining al proceso no trivial de anlisis de grandescantidades de datos con el objetivo de extraer informacin til, por ejemplo pararealizar clasificaciones o predicciones.

En sntesis, se puede decir que los data Mart son pequeos datawarehouse centrados en un tema o un rea de negocio especfico dentro de unaorganizacin.

Fuente de informacin:

http://es.wikipedia.org/wiki/Data_mart
http://es.wikipedia.org/wiki/Almac%C3%A9n_de_datoshttp://es.wikipedia.org/wiki/OLAPhttp://es.wikipedia.org/wiki/Sistemas_de_informaci%C3%B3n_ejecutivahttp://es.wikipedia.org/wiki/Sistemas_de_soporte_a_decisioneshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Data_marthttp://es.wikipedia.org/wiki/Data_marthttp://es.wikipedia.org/wiki/Data_marthttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Sistemas_de_soporte_a_decisioneshttp://es.wikipedia.org/wiki/Sistemas_de_informaci%C3%B3n_ejecutivahttp://es.wikipedia.org/wiki/OLAPhttp://es.wikipedia.org/wiki/Almac%C3%A9n_de_datos


10/23

2.1.3 SISTEMAS OLTPOLTP - On-Line Transactional Processing

Los sistemas OLTP son bases de datos orientadas al procesamiento detransacciones. Una transaccin genera un proceso atmico (que debe servalidado con un commit, o invalidado con un rollback), y que puede involucraroperaciones de insercin, modificacin y borrado de datos. El procesotransaccional es tpico de las bases de datos operacionales.

El acceso a los datos est optimizado para tareas frecuentes de lectura yescritura. (Por ejemplo, la enorme cantidad de transacciones que tienen quesoportar las BD de bancos o hipermercados diariamente).

Los datos se estructuran segn el nivel aplicacin (programa de gestin amedida, ERP o CRM implantado, sistema de informacin departamental...).

Los formatos de los datos no son necesariamente uniformes en los diferentesdepartamentos (es comn la falta de compatibilidad y la existencia de islas dedatos).

El historial de datos suele limitarse a los datos actuales o recientes.


http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx
http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspxhttp://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspxhttp://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx


11/23

2.1.4 SISTEMAS OLAPOLAP - On-Line Analytical Processing

Los sistemas OLAP son bases de datos orientadas al procesamiento analtico.Este anlisis suele implicar, generalmente, la lectura de grandes cantidades dedatos para llegar a extraer algn tipo de informacin til: tendencias de ventas,patrones de comportamiento de los consumidores, elaboracin de informescomplejos etc. Este sistema es tpico de los datamarts.

El acceso a los datos suele ser de slo lectura. La accin ms comn es laconsulta, con muy pocas inserciones, actualizaciones o eliminaciones.

Los datos se estructuran segn las reas de negocio, y los formatos de los datosestn integrados de manera uniforme en toda la organizacin.

El historial de datos es a largo plazo, normalmente de dos a cinco aos.

Las bases de datos OLAP se suelen alimentar de informacin procedente de lossistemas operacionales existentes, mediante un proceso de extraccin,transformacin y carga (ETL).


http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx
http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspxhttp://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspxhttp://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx


12/23

2.1.5 OPERACIONES ANALTICAS BSICAS DE SISTEMAS OLAP

Los sistemas OLAP soportan las siguientes operaciones

Consolidacin: este comprende el conjunto de datos. Esto puede involucraracumulaciones simples o agrupaciones complejas que incluyen datos

interrelacionados.

Drill-Down: OLAP puede moverse en la direccin contraria y presentarautomticamente datos detallados que abarcan datos consolidados.

Slicing and Dicing: se refiere a la capacidad de visualizar a la BD desdediferentes puntos de vista. Tambin se la conoce como operacin

de Pivotaje .

Vistas de Datos

La vista de datos como cubos es una extensin de la manera normal en que los

usuarios de negocios interactan con los datos. Por Ejemplo: la mayora de los

usuarios deseara ver cmo se desarrollan las ventas a lo largo del tiempo. Para

ello se necesitara ver varas planillas de clculo.

Debido a su representacin pueden ser tomadas rebanadas de datos de las

mismas, para responder diversas preguntas.

Herramientas de Mineo de Datos

Mineo de datos es el proceso de descubrir nuevas correlaciones significativas,

patrones y tendencias por medio del mineo de grandes cantidades de datos

almacenados en un Datawarehouse o en un data mart, usando tcnicas

estadsticas, reconocimiento de patrones y algoritmos de aprendizaje para

identificar relaciones entre los elementos de datos.


http://www.adictosaltrabajo.com/tutoriales/tutoriales.php?pagina=datawarehouse

3


13/23

2.1.6. VISTA DE DATOS DE LOS SISTEMAS OLAP Las herramientas OLAP proporcionan a las compaas un sistema confiable para

procesar datos que luego sern utilizados para llevar a cabo anlisis e informes que

permitan mejorar las operaciones productivas, tomar decisiones inteligentes y optimizar

la competitividad en el mercado.

Para funcionar, las aplicaciones OLAP utilizan un tipo de base de datos que posee la

peculiaridad de ser multidimensional, denominada comnmente Cubo OLAP.

Bsicamente, el Cubo OLAP, es una base de datos que posee diversas dimensiones,

ampliando las posibilidades que hasta el momento ofrecan las conocidas hojas de

clculo.

Mediante la incorporacin de estos vectores o cubos, se han ampliado las posibilidades

de las bases de datos relacionales, permitiendo el procesamiento de importantesvolmenes de informacin, que de lo contrario sera imposible realizar.

Cada una de las dimensiones que posee la base de datos incorpora un campo

determinado para un tipo de dato especfico, que luego podr ser comparado con la

informacin contenida en el resto de dimensiones, para hacer posible la evaluacin y

posteriores informes de la informacin realmente relevante para una compaa.

Una base de datos multidimensional puede contener varios cubos o vectores que

extendern las posibilidades del sistema OLAP con el cual se trabaja.

Por ello, si bien en general los sistemas OLAP suelen estar compuestos por tres

dimensiones, lo cierto es que existe la posibilidad de que el sistema OLAP albergue ms

de tres dimensiones mediante la utilizacin de estos Cubos OLAP.

Para tener una idea ms simple de la funcin de los Cubos OLAP dentro de una base de

datos multidimensional, cabe destacar que cada una de las dimensiones o escalas del

cubo corresponde bsicamente a una jerarqua de datos.

Caractersticas

En este modelo los datos son vistos como cubos los cuales consisten

en categora descriptivas (dimensiones) y valores cuantitativos (medidas).
http://www.ecured.cu/index.php/Modelo_OSIhttp://www.ecured.cu/index.php?title=Categor%C3%ADa)&action=edit&redlink=1http://www.ecured.cu/index.php?title=Valores_cuantitativos&action=edit&redlink=1http://www.ecured.cu/index.php?title=Valores_cuantitativos&action=edit&redlink=1http://www.ecured.cu/index.php?title=Categor%C3%ADa)&action=edit&redlink=1http://www.ecured.cu/index.php/Modelo_OSI


14/23

Es un modelo multidimensional de datos, que simplifica a los usuarios

realizar consultas complejas, arreglar datos en un reporte, cambiar de datos

resumidos a datos detallados, etc.

Los Cubos OLAP son vectores en los cuales se dispone la informacin, y gracias aesta ordenada jerarqua es posible llevar a cabo un anlisis rpido de los datos.

Existen tres tipos de modelos OLAP ellos son:

MOLAP: en estos sistemas se encuentran almacenados los datos en una estructura de

datos multidimensional (OLAP Multidimensional)

ROLAP: son sistemas en los cuales los datos se encuentran almacenados en una base

de datos relacional (OLAP Relacional)

HOLAP: estos sistemas mantienen los registros detallados en la base de datos

relacional, mientras que los datos resumidos o agregados se almacenan en una base de

datos multidimensional separada.

BIBLIOGRAFIA:

http://www.ecured.cu/index.php/Cubos_OLAP

2.1.7 MODELO DE DATOS DE LOS SISTEMAS OLAPLos sistemas OLAP son bases de datos orientadas al procesamiento analtico.

Este anlisis suele implicar, generalmente, la lectura de grandes cantidades de

datos para llegar a extraer algn tipo de informacin til: tendencias de ventas,

patrones de comportamiento de los consumidores, elaboracin de informes

complejos, etc.. Este sistema es tpico de los datamarts. Los sistemas de ayuda

a la toma de decisiones se presentan en varios formatos, incluidos los sistemasOLAP y los sistemas de recopilacin de datos.

En un modelo de datos OLAP, la informacin es vista como cubos, los cuales

consisten de categoras descriptivas (dimensiones) y valores cuantitativos

(medidas). El modelo de datos multidimensional simplifica a los usuarios formular
http://www.ecured.cu/index.php?title=Consulta&action=edit&redlink=1http://www.ecured.cu/index.php/Cubos_OLAPhttp://www.ecured.cu/index.php/Cubos_OLAPhttp://www.ecured.cu/index.php/Cubos_OLAPhttp://www.ecured.cu/index.php?title=Consulta&action=edit&redlink=1


15/23

consultas complejas, arreglar datos en un reporte, cambiar de datos resumidos a

datos detallados y filtrar o rebanar los datos en subconjuntos significativos.

Visualizacin de los datos. Las herramientas de procesamiento analtico enlnea (online analytical processing, OLAP) ayudan a los analistas a ver los datos

resumidos de diferentes maneras, de manera que puedan obtener una

perspectiva del funcionamiento de la organizacin

.Se ve a un problema de negocios en trminos de un cierto nmero de

componentes (dimensiones) tales como productos, tiempo, regiones, fabricantes,

o artculos. Los usuarios de negocios desean poder analizar un conjunto de

nmeros usando cualquier par de estos componentes, como as tambin poder

intercambiarlos para lograr distintas vistas.

Implementacin de OLAP.

Los primeros sistemas de OLAP utilizaban arrays de memoria

multidimensionales para almacenar los cubos de datos y se denominaban

sistemas OLAP multidimensionales (Multidimensional OLAP, MOLAP).

Posteriormente, los servicios OLAP se integraron en los sistemas relacionales y

los datos se almacenaron en las bases de datos relacionales. Estos sistemas sedenominan sistemas OLAP relacionales (Relational OLAP, ROLAP). Los

sistemas hbridos, que almacenan algunos resmenes en la memoria y los datos

bsicos y otros resmenes en bases de datos relacionales, se denominan

sistemas OLAP hbridos (Hybrid OLAP, HOLAP).


http://tallerbd.wikispaces.com/OLAP
http://tallerbd.wikispaces.com/OLAPhttp://tallerbd.wikispaces.com/OLAPhttp://tallerbd.wikispaces.com/OLAP


16/23

2.2 SISTEMAS DE GESTIN DEL CONOCIMIETOSe define como herramientas para llevar a cabo la gestin del conocimiento.

La gestin del conocimiento : Es el proceso que continuamente asegura eldesarrollo y la aplicacin de todo tipo de conocimientos pertinentes de unaempresa con objeto de mejorar su capacidad de resolucin de problemas y ascontribuir a la sostenibilidad de sus ventajas competitivas

Estn manifestados en una variedad de implementaciones (por ejemplo):

Repositorios de documentos Bases de datos de experticia Listas de discusin Sistemas de recuperacin especficos del contexto

Objetivos:

EN GENERAL

Apoyar los procesos de creacin, almacenamiento, recuperacin,transferencia y aplicacin del conocimiento.

EN LA ORGANIZACIN

Hacer visible el conocimiento y mostrar a las personas el rol delconocimiento en la organizacin usando herramientas tales comomapas de conocimiento, pginas amarillas e hipertextos.

Desarrollar una cultura intensiva en conocimiento, fomentandoconductas que propicien el compartirlo y sean proactivas a pedirlo yofrecerlo.

Construir una infraestructura de conocimiento. No solo un sistematcnico, sino toda una red de conexiones entre personas, facilitndolesespacio, tiempo y herramientas para que interacten y colaboren.

BIBLIOGRAFIA:

http://es.slideshare.net/difagram/sistemas-de-gestion-del-conocimiento
http://es.slideshare.net/difagram/sistemas-de-gestion-del-conocimientohttp://es.slideshare.net/difagram/sistemas-de-gestion-del-conocimientohttp://es.slideshare.net/difagram/sistemas-de-gestion-del-conocimiento


17/23

2.2.1 PREPARACIN DE DATOS

El propsito fundamental de la preparacin de los datos es la manipulacin y

transformacin de los datos sin refinar para que la informacin contenida en el

conjunto de datos pueda ser Descubierta o estar accesible de forma ms fcil.

Los datos reales pueden ser impuros, pueden conducir a la extraccin depatrones/reglas poco tiles.

Esto se puede deber a: Datos Incompletos: falta de valores de atributos,

Datos con Ruido.

Datos inconsistentes (incluyendo discrepancias).

Pre procesamiento de Datos

Importancia de la preparacin de datos

2. La preparacin de datos puede generar un conjunto de

Datos ms pequeo que el original, lo cual puede mejorar la eficiencia delproceso de Minera de Datos.

Esta actuacin incluye:

Seleccin relevante de datos: eliminando registros Duplicados, eliminando anomalas, Reduccin de Datos: Seleccin de caractersticas, Muestreo o seleccin de instancias, desratizacin.

3. La preparacin de datos genera datos de calidad, los cuales pueden conducira patrones/reglas de calidad.

Por ejemplo, se puede:

Recuperar informacin incompleta. Eliminar outliers Resolver conflictos, Datos de baja calidad puede llevar a modelos de minera de datos de baja

calidad. Decisiones de calidad deben ser basadas en datos de calidad.

Fuente de informacin

http://sci2s.ugr.es/docencia/in/pdf/Tema05-PreparacionDeDatos-v2.pdf
http://sci2s.ugr.es/docencia/in/pdf/Tema05-PreparacionDeDatos-v2.pdfhttp://sci2s.ugr.es/docencia/in/pdf/Tema05-PreparacionDeDatos-v2.pdfhttp://sci2s.ugr.es/docencia/in/pdf/Tema05-PreparacionDeDatos-v2.pdf


18/23

CUESTIONARIO

1. El propsito fundamental de la preparacin de los datos es?

La manipulacin y transformacin de los datos

2. La preparacin de datos puede generar un conjunto de?

Datos ms pequeo que el original, lo cual puede mejorar la eficiencia del

proceso de Minera de Datos

3. La preparacin de datos genera?

Datos de calidad

4. Los datos de calidad, los cuales pueden conducir a patrones/reglas de

calidad se puede?

Recuperar informacin incompleta.

Eliminar outliers

Resolver conflictos.


19/23

1.2.2. MINERA DE DATOS.

El datamining (minera de datos ), es el conjunto de tcnicas y tecnologas que permitenexplorar grandes bases de datos, de manera automtica o semiautomtica, con el

objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el

comportamiento de los datos en un determinado contexto.

Bsicamente, el datamining surge para intentar ayudar a comprender el contenido de un

repositorio de datos. Con este fin, hace uso de prcticas estadsticas y, en algunos

casos, de algoritmos de bsqueda prximos a la Inteligencia Artificial y a las redes

neuronales.

De forma general, los datos son la materia prima bruta. En el momento que el usuarioles atribuye algn significado especial pasan a convertirse en informacin. Cuando los

especialistas elaboran o encuentran un modelo, haciendo que la interpretacin que

surge entre la informacin y ese modelo represente un valor agregado, entonces nos

referimos al conocimiento. Vea ms diferencias entre datos, informacin y conocimiento.

Aunque en datamining cada caso concreto puede ser radicalmente distinto al anterior, el

proceso comn a todos ellos se suele componer de cuatro etapas principales:

Determinacin de los objetivos. Trata de la delimitacin de los objetivos que elcliente desea bajo la orientacin del especialista en data mining.

Preprocesamiento de los datos. Se refiere a la seleccin, la limpieza, elenriquecimiento, la reduccin y la transformacin de las bases de datos. Esta

etapa consume generalmente alrededor del setenta por ciento del tiempo total de

un proyecto de data mining.

Determinacin del modelo. Se comienza realizando unos anlisis estadsticosde los datos, y despus se lleva a cabo una visualizacin grfica de los mismos

para tener una primera aproximacin. Segn los objetivos planteados y la tarea

que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en

diferentes reas de la Inteligencia Artificial.
http://www.sinnexus.com/business_intelligence/piramide_negocio.aspxhttp://www.sinnexus.com/business_intelligence/piramide_negocio.aspx


20/23

Anlisis de los resultados. Verifica si los resultados obtenidos son coherentes ylos coteja con los obtenidos por los anlisis estadsticos y de visualizacin

grfica. El cliente determina si son novedosos y si le aportan un nuevo

conocimiento que le permita considerar sus decisiones.

Un proyecto de minera de datos tiene varias fases necesarias que son, esencialmente:

Comprensin: del negocio y del problema que se quiere resolver.

Determinacin, obtencin y limpieza: de los datos necesarios.

Creacin de modelos matemticos.

Validacin, comunicacin: de los resultados obtenidos.

Integracin: si procede, de los resultados en un sistema transaccional o similar.

La relacin entre todas estas fases slo es lineal sobre el papel. En realidad, es muchoms compleja y esconde toda una jerarqua de subfases. A travs de la experiencia

acumulada en proyectos de minera de datos se han ido desarrollando metodologas que

permiten gestionar esta complejidad de una manera ms o menos uniforme.

BIBLIOGRAFIA:

http://www.sinnexus.com/business_intelligence/datamining.aspx

http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos
http://www.sinnexus.com/business_intelligence/datamining.aspxhttp://www.sinnexus.com/business_intelligence/datamining.aspxhttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://www.sinnexus.com/business_intelligence/datamining.aspx


21/23

2.2.3 PATRONES

La tarea de minera de datos real es el anlisis automtico o semi-automtico de

grandes cantidades de datos para extraer patrones interesantes hasta ahoradesconocidos, como los grupos de registros de datos (anlisis cluster), registrospoco usuales (la deteccin de anomalas) y dependencias (minera por reglas deasociacin). Esto generalmente implica el uso de tcnicas de bases de datoscomo los ndices espaciales. Estos patrones pueden entonces ser vistos comouna especie de resumen de los datos de entrada, y pueden ser utilizados en elanlisis adicional o, por ejemplo, en la mquina de aprendizaje y anlisispredictivo. Por ejemplo, el paso de minera de datos podra identificar variosgrupos en los datos, que luego pueden ser utilizados para obtener resultadosms precisos de prediccin por un sistema de soporte de decisiones. Ni larecoleccin de datos, preparacin de datos, ni la interpretacin de los resultadosy la informacin son parte de la etapa de minera de datos, pero que pertenecena todo el proceso KDD como pasos adicionales.

Los trminos relacionados con la obtencin de datos, la pesca de datos yespionaje de los datos se refieren a la utilizacin de mtodos de minera de datosa las partes de la muestra de un conjunto de datos de poblacin ms grandesestablecidas que son (o pueden ser) demasiado pequeas para las inferencias

estadsticas fiables que se hizo acerca de la validez de cualquier patrndescubierto. Estos mtodos pueden, sin embargo, ser utilizados en la creacinde nuevas hiptesis que se prueban contra poblaciones de datos ms grandes.

Patrones de fugaUn ejemplo ms habitual es el de la deteccin de patrones de fuga . En muchasindustrias como la banca, las telecomunicaciones, etc. existe un

comprensible inters en detectar cuanto antes aquellos clientes que puedan

estar pensando en rescindir sus contratos para, posiblemente, pasarse a la

competencia. A estos clientes y en funcin de su valor se les podran hacer

ofertas personalizadas, ofrecer promociones especiales, etc., con el objetivo

ltimo de retenerlos. La minera de datos ayuda a determinar qu clientes son los

ms proclives a darse de baja estudiando sus patrones de comportamiento y


22/23

comparndolos con muestras de clientes que, efectivamente, se dieron de baja

en el pasado.

Fuente de informacin: http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

Cuestionario

1. La tarea de minera de datos real es el anlisis automtico o semi-automtico de grandes cantidades de datos sirve para extraer?Patrones como los grupos de registro.

2. Estos patrones pueden entonces ser vistos como una especie de?

Resumen de los datos de entrada, y pueden ser utilizados en el anlisisadicional.

3. En qu forma ayuda a la minera de datos en los patrones de fuga? A Determinar qu clientes son los ms proclives a darse de baja

estudiando sus patrones de comportamiento y comparndolos con

muestras de clientes que, efectivamente, se dieron de baja en el pasado.
http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttp://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos


23/23

temas unidad 2 inteligencia de negocios

Documents