SlideShare una empresa de Scribd logo
Grupo Nº 5-6 Integrantes: Bajaña Dian Guamán Ernesto Pino Jefferson Rodas Jonathan John Sánchez Robinson Ortiz Andrés Reyes Profesor: Ing. Patricio Vicuña
[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
DIMENSIONES PARA  << slice and dice >> Una dimensión es una vista de los datos categóricamente consistente. Todos los miembros dentro de una dimensión , tales como productos pertenecen juntos a un grupo. Hay dos ejemplos sencillos para esto:  ,[object Object],[object Object],Slice  (rebana) y dice(cubo) : hacen particiones de los datos en una base de datos multidimensional de acuerdo a los valores de ciertas dimensiones, como por ejemplo, podríamos rebanar y hacer cubos de un tomate.
En resumen, los sistemas OLAP organizan los datos por intersecciones multidimensionales. Esta organización, acompañada por una herramienta de interfaz para rotar y anidar dimensiones, permite a los usuarios visualizar rápidamente los valores en detalle, patrones, variaciones y anomalías de los datos que estarían de otra manera ocultos por un análisis dimensional simple. A mayor número de dimensiones, mayor es la profundidad del análisis.
El miembro cerezas de la dimensión producto atraviesa todas las intersecciones de las dimensiones de tiempo y mercado. Una vez mas,  slice-and-dice  en el mundo OLAP está identificando un subconjunto de celdas, que el usuario ha seleccionado para visualizar, desde el cubo maestro OLAP almacenado en un servidor de datos. Cerezas Uvas Manzanas Dimensión Tiempo 1º 2º 3º 4º Trimestres Atlanta Chicago Denver Detroit Melones
JERARQUIAS PARA HACER drill down Un sistema OLAP permite organizar los datos en jerarquías que se agregan desde el detalle hasta los niveles altos. Por ejemplo, los datos mensuales puede ser resumido o totalizados por  trimestres o años, los distritos totalizados por regiones, los productos totalizados por líneas de productos y grupos de productos, así sucesivamente. ,[object Object],[object Object]
Dimensión Tiempo Año Trimestre Meses TIEMPO 2001 Q1 Enero Febrero Marzo Q2 Abril Mayo Junio Q3 Julio Agosto Septiembre Q4 Octubre Noviembre Diciembre
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
MODO DE ALMACENAMIENTO OLAP El concepto  << a la velocidad del pensamiento >>  que tanto hemos usado se evidencia en el sistema OLAP (análisis multidimensional) porque los datos encuentran almacenados en estructuras que está optimizadas para permitir la rápida recuperación de la información. Definición de los tres paradigmas de almacenamiento para dar apoyo al análisis multidimensional. Desktop file:  Conocido como  DOLAP (desktop online analytical processing). Los datos son almacenados en máquinas individuales de sobremesa, este tipo de almacenamiento es útil cuando se deseen desarrollar aplicaciones de pequeña escala donde no existe la necesidad de que múltiples usuarios tengan que acceder a los datos como si fuera un servidor central.
Servidores de base de datos relacionales:  Es conocido como  ROLAP (relational omline analytical processing). Almacena datos en una base de datos relacional permite tomar ventaja de uno de sus más grandes beneficios, el almacenamiento de inmensas cantidades de datos. Lo que suele ocurrir es que el rendimiento de recuperación de la información para  ROLAP  frecuentemente no es tan rápido como otras opciones de almacenamiento. Servidores de base de datos multidimensionales:  Es conocido como  MOLAP (Multidimensional online analytical processing). Los datos son colocados en estructuras especiales que se encuentran en un servidor central.  MOLAP  ofrecen mayor rendimiento de recuperación de información.  Un cuarto modo de almacenamiento es  HOLAP  (Hybryd online analytical processing) no es realmente un modo diferente de almacenamiento de datos. Más bien es la habilidad para diseminar los datos a través de la base de datos relacionales y multidimensionales con la finalidad de obtener lo mejor de ambos sistemas.
CUALES SON LAS TECNOLOGIAS DE BUSINESS INTELLIGENCE ? Cuando una compañía decide implementar una plataforma Business Intelligence, existen consideraciones que necesitan ser tomadas en cuenta relativas al tipo de plataformas en la que será construida, las herramientas y tecnologías que será usada para convertir los datos originales o  << crudos>> en información útil. LA VISION MACRO El proceso que utiliza las plataformas de Business Intelligence para capturar datos y convertirlos en información útil puede ser simple o muy complicada.
¿dónde están los datos almacenados? Conociendo las limitaciones de los sistemas operacionales, muchas compañías consiguen cubrir sus necesidades de análisis e información de negocios acumulando los mismos en un repositorio colectivo. Este repositorio no sólo tienen nombre especial que podría ser bastante familiar: el data warehouse, sino que también identifica lugar donde los datos son almacenados en la plataforma de Business Intelligence. ¿cómo se obtienen los datos para los usuarios de negocio? Una vez descarga la información en el data warehouse, los procesos de análisis e información de negocio son responsables de tomar los datos desde el data warehouse, ensamblar los datos, presentarlos en formatos amigables para el usuario (tales como hojas de cálculo y gráficos) y entregar esta información a los usuarios de negocio.
Para llevar a cabo los procesos de análisis y presentación de informes, de las herramientas de front-end recogen los datos de data warehouse y presentan estos a los usuarios en forma de informes. HERRAMIENTAS DE front -end DATA MINING Puede ser utilizado para analizar las relaciones detalladas de los datos; por ejemplo, data mining puede responder preguntas relacionadas sobre qué cliente deben atacarse para un nuevo producto.
DATA WAREHOUSE El objetivo primario de data warehouse es apoyar a los procesos de análisis y presentación de informes, los requirimientos de los usuarios tienen influencia en su diseño y contenido. En la práctica esto tiene doble significado, uno de los usuarios definen la información que les ayudará a ellos a tomar las mejores decisiones rápidamente y dos para que los profesionales de tecnología puedan construir un data warehouse para alcanzar sus necesidades. Esta práctica es más exitosa cuando los usuarios y los especialistas en tecnologías comparten los mismos lineamientos sobre cuáles son las necesidades de la organización y como un data warehouse cumple con estos requerimientos.
[object Object]
[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
GRUPO Nº 6 INTEGRANTES : ROBINSON ORTIZ V. JOHN SANCHEZ V. ANDRES REYES C.
 
CompUSA Inc. ha pasado por varias transformaciones en su funcionamiento. Inicialmente la compañía vendía directamente a clientes de empresas, pero luego abrió sus ventas al mercado minorista. Cabe señalar que desde su inicio hasta  el presente esta empresa ha crecido mediante expansión de adquisiciones hasta convertirse en el mayor minorista informático de Norteamérica.
El equipo de gestión de operaciones abarca toda la organización e incluye al Director General de cada tienda, Directores regionales, directores de división y ejecutivos corporativos. La empresa no podía realizar comparaciones entre venta en bruto y rentabilidad entre tiendas y regiones; y de la misma manera no podía ofrecer una información que reflejara las ventas en relación a las visitas de los clientes  en el día. La idea que hay detrás del Bussines Analytics Data Warehouse era ofrecer una solución ideal para todas las necesidades mediante un solo repositorio centralizado de información y proporcionar los informes para obtener vistas distintas de la misma.
La primera fase antes de construir el diseño de datos consistía la recopilación y consolidación de los datos (Análisis de Requerimientos) Una vez incorporada en el diseño la información recibida, se tomó un enfoque iterativo para construir el almacén de datos. Poco a poco se fue añadiendo la información de todos los puntos de venta existentes lo que resultó en una satisfactoria consolidación  de los datos. Una vez hecho esto, se podía realizar el estudio del comportamiento de cada uno de los puntos de venta de la empresa y así identificar cuales son las que necesitan una mejora.
La aplicación del Bussines Analytics Data Warehouse ayudó en gran parte a la mejora en la toma de decisiones para el buen desempeño de la compañía. En cada tienda, hasta cuatro directores tienen acceso a la información a través de la intranet corporativa obteniendo información de las ventas, margen bruto y servicios que ofrece cada tienda.
Otro beneficio, es que permite la recolección de información que puede ser muy importante para identificar el desempeño de cada miembro de una organización o de la actividad de los clientes. El tercer beneficio importante es que se pudo mejorar la productividad  y evitar pérdidas  manteniendo un almacén de datos que recolecte todos los datos del negocio y colocar estos en hojas de cálculos consolidándolos de una reforma que resulten utilizables.
Era muy importante tener en consideración que los datos podían crecer en altas magnitudes por lo que Microsoft SQL-Server fue de gran utilidad para el manejo de estos datos de forma regular Este era un problema común ya que los datos se encontraban en distintos sistemas de origen. Para esto fue necesario validar los datos de los diversos sistemas antes de integrarlos.
Muchas veces se solía perder datos durante el sistema de conversión debido a la interfaz del software. Para esto se hizo necesario revisar periódicamente la calidad de datos que se estaban almacenando y si fuere necesario realizar nuevos procesos que permitan mejorar la recolección de datos de los diferentes sistemas. Se puede decir que clave del éxito del almacén de datos dependió mucho del estudio que se realizó en cuanto a las necesidades de la empresa y así almacenar los datos realmente necesarios de manera que se pudiera entregar la información en tiempo casi real para obtener una imagen completa de la actividad diaria del negocio.
 
A pesar de tener un Programa denominado DiscoPlus, los usuarios dependían del departamento de tecnología para conocer la información proveniente de los sistemas transaccionales. Los informes podían ser actualizados con nuevos datos en intervalos semanales  y además producir un nuevo informe tomaba varias horas y se requería de la gente de tecnología. Por ello el departamento de tecnología sugirió la implementación de un Data Warehouse y de esta manera se solucionarían los problemas de acceso a la información.
Evaluar la funcionalidad de OLAP y de data mining. El equipo llegó a la conclusión que la tecnología OLAP era la mejor opción ya que permitiría el acceso a información detallada y consolidada. Los datos genéricos fueron recopilados desde los puntos de venta para ser almacenados en el data warehouse diariamente. El equipo de Data warehouse utilizó combinaciones de técnicas descriptivas: la segmentación y el clustering. La segmentación consistía en agrupar a los clientes de acuerdo a la frecuencia de compra, tamaño de la compra que luego sería combinada con la información de los clientes inscritos en el DiscoPlus. El clustering evalúa cada grupo segmentado de los clientes para localizar características comunes de cada grupo.
Después de almacenar los datos en el data warehouse  se creó un cubo OLAP que proporcionaría a los usuarios finales una rápida vista multidimensional de los datos de ventas a clientes. Rápido y fácil acceso a la información por haber aplicado técnicas correctas de análisis para los problemas del negocio. Con las técnicas  de segmentación y clustering ha sido creado un perfil para grupos específicos de clientes. Cabe recalcar que el éxito del data mining depende mucho de la calidad de los datos que se almacenan. Por ello esta es la fase más larga y compleja de este proyecto.
Producto Uvas Manzanas Melones Cerezas Peras T4 Tiempo T1 T2 T3 Localidad Guayaquil Salinas Milagro
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object]
[object Object]
[object Object]
[object Object]
[object Object],[object Object]
[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object]
[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],Prestar especial atención a su primer paso Su primer data mart es el mas importante por las criticas de soluciones BI y por que afectará a proyectos futuro.
[object Object],Data Mart Departamental Data Mart Empresarial
[object Object],[object Object],[object Object],[object Object]
[object Object],Las decisiones fundamentales La segunda parte incluye consejos prácticos  para la toma de decisiones que también incluye la selección del equipo de implementación.
[object Object],[object Object],[object Object]
Escalabilidad Ambas bases de datos deben tener la capacidad de manejar el número de usuarios y volúmenes de datos que usted tiene en la actualidad y los que prevé tener en el futuro. Ambas bases de datos deben mantener sus objetivos de rendimiento. Estos objetivos pueden ser divididos en dos categorías:  Rendimiento Velocidad de procesamiento de datos Velocidad de recuperación de los datos.
En combinación con el rendimiento, las bases de datos relacionales y las OLAP deben tener un mecanismo para gestionar y optimizar los motores de bases de datos como sea necesario. Ambas bases de datos deben tener un mecanismo para administrar la seguridad con la finalidad de tener la garantía  de que los usuarios adecuados tienen acceso a los datos correctos. Manejabilidad Seguridad
Ambas bases de datos deben cubrir las necesidades  de disponibilidad o accesibilidad necesarias para garantizar que el sistema siempre este en funcionamiento y con la posibilidad de ser respaldados o restaurados cuando algo funcione de forma inadecuada. Ambas bases de datos deben permitir a los programadores configurar y adaptar las mismas, tanto como sea necesario para mantener almacenamiento de datos específicos y necesidades de administración. Disponibilidad Adaptación
las bases de datos relacionales proporcionan grandes capacidades para introducir actualizaciones. Es importante resaltar que muchas bases de datos OLAP son muy débiles en este aspecto. Las bases de datos relacionales proporcionan un gran soporte para tener acceso a  la última información esencialmente en tiempo real. Write Back Tiempo Real
 
[object Object],[object Object]
[object Object],[object Object]
[object Object]
[object Object]
PRUEBA DE DISEÑO DE DIMENSIONES: AÑOS Y PRODUCTOS PRUEBA DE DISEÑO DE DIMENSIONES: PRODUCTOS Y CATEGORIA DE PRODUCTOS Tiene   sentido No  tiene   sentido
 

Más contenido relacionado

La actualidad más candente

Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
jeffersonjsk
 
Bigdata trabajo de investigacion
Bigdata trabajo de investigacion Bigdata trabajo de investigacion
Bigdata trabajo de investigacion
Ris Fernandez
 
Big data presentación
Big data presentaciónBig data presentación
Big data presentación
Julio C Baracaldo
 
Business Intelligence
Business Intelligence Business Intelligence
Business Intelligence
Isairi Cab
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
grupo nkjr
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
jo_unwell
 
Inteligencia de Negocios presentacion
Inteligencia de Negocios presentacionInteligencia de Negocios presentacion
Inteligencia de Negocios presentacion
Clinica Internacional
 
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOSMétodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
lalopg
 
Importancia estratégica del pronóstico y la demanda
Importancia estratégica del pronóstico y la demandaImportancia estratégica del pronóstico y la demanda
Importancia estratégica del pronóstico y la demanda
Salon Naid
 
Big Data
Big DataBig Data
Big Data
alejandraehb
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
lobi7o
 
Similitud entre metodo cientifico y toma de decisiones
Similitud entre metodo cientifico y toma de decisionesSimilitud entre metodo cientifico y toma de decisiones
Similitud entre metodo cientifico y toma de decisiones
Fermin Toro
 
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
Sandrita Rafael Estela
 
Arquitectura empresarial
Arquitectura empresarialArquitectura empresarial
Arquitectura empresarial
Sistemas Integrados de Gestión
 
Presentacion data mining (mineria de datos)- base de datos
Presentacion data mining (mineria de datos)- base de datosPresentacion data mining (mineria de datos)- base de datos
Presentacion data mining (mineria de datos)- base de datos
María Inés Cahuana Lázaro
 
Mapa Conceptual del Concepto de BigData
Mapa Conceptual del Concepto de BigDataMapa Conceptual del Concepto de BigData
Mapa Conceptual del Concepto de BigData
José Rosales
 
Los sistemas de información en los negocios globales contemporáneos
Los sistemas de información en los negocios globales contemporáneosLos sistemas de información en los negocios globales contemporáneos
Los sistemas de información en los negocios globales contemporáneos
marlon duarte
 
Introduccion a mineria de datos
Introduccion a mineria de datosIntroduccion a mineria de datos
Introduccion a mineria de datos
Fernando Alfonso Casas De la Torre
 
El marketing y el valor para el cliente
El marketing y el valor para el clienteEl marketing y el valor para el cliente
El marketing y el valor para el cliente
VALERIAKLING
 
El conocimiento del cliente, clave de competitividad (1)
El conocimiento del cliente, clave de competitividad (1)El conocimiento del cliente, clave de competitividad (1)
El conocimiento del cliente, clave de competitividad (1)
Circulo Economía de la Provincia de Alicante
 

La actualidad más candente (20)

Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Bigdata trabajo de investigacion
Bigdata trabajo de investigacion Bigdata trabajo de investigacion
Bigdata trabajo de investigacion
 
Big data presentación
Big data presentaciónBig data presentación
Big data presentación
 
Business Intelligence
Business Intelligence Business Intelligence
Business Intelligence
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Inteligencia de Negocios presentacion
Inteligencia de Negocios presentacionInteligencia de Negocios presentacion
Inteligencia de Negocios presentacion
 
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOSMétodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
 
Importancia estratégica del pronóstico y la demanda
Importancia estratégica del pronóstico y la demandaImportancia estratégica del pronóstico y la demanda
Importancia estratégica del pronóstico y la demanda
 
Big Data
Big DataBig Data
Big Data
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Similitud entre metodo cientifico y toma de decisiones
Similitud entre metodo cientifico y toma de decisionesSimilitud entre metodo cientifico y toma de decisiones
Similitud entre metodo cientifico y toma de decisiones
 
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)INTELIGENCIA DE NEGOCIOS  (BUSINESS INTELLIGENCE)
INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE)
 
Arquitectura empresarial
Arquitectura empresarialArquitectura empresarial
Arquitectura empresarial
 
Presentacion data mining (mineria de datos)- base de datos
Presentacion data mining (mineria de datos)- base de datosPresentacion data mining (mineria de datos)- base de datos
Presentacion data mining (mineria de datos)- base de datos
 
Mapa Conceptual del Concepto de BigData
Mapa Conceptual del Concepto de BigDataMapa Conceptual del Concepto de BigData
Mapa Conceptual del Concepto de BigData
 
Los sistemas de información en los negocios globales contemporáneos
Los sistemas de información en los negocios globales contemporáneosLos sistemas de información en los negocios globales contemporáneos
Los sistemas de información en los negocios globales contemporáneos
 
Introduccion a mineria de datos
Introduccion a mineria de datosIntroduccion a mineria de datos
Introduccion a mineria de datos
 
El marketing y el valor para el cliente
El marketing y el valor para el clienteEl marketing y el valor para el cliente
El marketing y el valor para el cliente
 
El conocimiento del cliente, clave de competitividad (1)
El conocimiento del cliente, clave de competitividad (1)El conocimiento del cliente, clave de competitividad (1)
El conocimiento del cliente, clave de competitividad (1)
 

Destacado

Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)
saanett
 
Business Intelligence Exposición
Business Intelligence ExposiciónBusiness Intelligence Exposición
Business Intelligence Exposición
tereunisur7610
 
Cómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresaCómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresa
EvaluandoSoftware
 
La inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentosLa inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentos
deysiyarilka
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
Tiberth Garcia
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
VDanielrs
 
U3 clase-01
U3 clase-01U3 clase-01
U3 clase-01
Marcelo A. Sánchez
 
Marlabs- ISMNY Deck
Marlabs- ISMNY DeckMarlabs- ISMNY Deck
Marlabs- ISMNY Deck
Marlabs
 
Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1
hfrancob
 
BI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business IntelligenceBI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business Intelligence
Mario Guedes de Rezende
 
Introduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data ScienceIntroduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data Science
IMC Institute
 
Seguridad Electronica
Seguridad ElectronicaSeguridad Electronica
Seguridad Electronica
localtlv
 
Business intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lakeBusiness intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lake
Data Science Thailand
 
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
DANIEL VENTURA
 
Que Es Seguridad ElectróNica
Que Es Seguridad ElectróNicaQue Es Seguridad ElectróNica
Que Es Seguridad ElectróNica
GUstavo
 
Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)
Daniel Espinar
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
Lenin Alevski Huerta Arias
 

Destacado (17)

Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)Exposicion inteligencia de negocios (1)
Exposicion inteligencia de negocios (1)
 
Business Intelligence Exposición
Business Intelligence ExposiciónBusiness Intelligence Exposición
Business Intelligence Exposición
 
Cómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresaCómo instalar una solución de business intelligence en su empresa
Cómo instalar una solución de business intelligence en su empresa
 
La inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentosLa inteligencia de negocio en los diferentes departamentos
La inteligencia de negocio en los diferentes departamentos
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
U3 clase-01
U3 clase-01U3 clase-01
U3 clase-01
 
Marlabs- ISMNY Deck
Marlabs- ISMNY DeckMarlabs- ISMNY Deck
Marlabs- ISMNY Deck
 
Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1Arquitectura De Business Intelligence - Parte 1
Arquitectura De Business Intelligence - Parte 1
 
BI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business IntelligenceBI 2012 - Redes Sociales y Business Intelligence
BI 2012 - Redes Sociales y Business Intelligence
 
Introduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data ScienceIntroduction to Data Mining, Business Intelligence and Data Science
Introduction to Data Mining, Business Intelligence and Data Science
 
Seguridad Electronica
Seguridad ElectronicaSeguridad Electronica
Seguridad Electronica
 
Business intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lakeBusiness intelligence 3.0 and the data lake
Business intelligence 3.0 and the data lake
 
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
 
Que Es Seguridad ElectróNica
Que Es Seguridad ElectróNicaQue Es Seguridad ElectróNica
Que Es Seguridad ElectróNica
 
Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)Nivel morfológico. la estructura de la palabra (17 10-11)
Nivel morfológico. la estructura de la palabra (17 10-11)
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 

Similar a Exposicion Business Intelligence

BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
UNEMIGrupo6
 
BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
UNEMIGrupo6
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
UJAP
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
romangm
 
Trabajo final
Trabajo finalTrabajo final
Trabajo final
Fernando Navarro
 
Analitica de Datos clase numero uno, enfoque basico
Analitica de Datos clase numero uno, enfoque basicoAnalitica de Datos clase numero uno, enfoque basico
Analitica de Datos clase numero uno, enfoque basico
Wilson Cardenas
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligence
brobelo
 
Primer parcial wilmer satuquinga
Primer parcial wilmer satuquingaPrimer parcial wilmer satuquinga
Primer parcial wilmer satuquinga
Jorge Alvarez
 
Introduccion Inteligencia De Negocios
Introduccion Inteligencia De NegociosIntroduccion Inteligencia De Negocios
Introduccion Inteligencia De Negocios
UJAP
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
Flor Loera
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
Jazmin Lopez
 
Sistemas de información
Sistemas de informaciónSistemas de información
Sistemas de información
Leonardo Quintero R
 
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOSFUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
Cristian Lopez
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
DavidAcurio2
 
Sistema de información
Sistema de informaciónSistema de información
Sistema de información
dariany linarez
 
Seminario De Tecnologia
Seminario De TecnologiaSeminario De Tecnologia
Seminario De Tecnologia
Reynaldo Massiah
 
conceptos de inteligencia de negocios
conceptos de inteligencia de negociosconceptos de inteligencia de negocios
conceptos de inteligencia de negocios
mascorroale
 
Informatica
InformaticaInformatica
Informatica
Elizbel Medina
 
Bisness inteligent
Bisness inteligentBisness inteligent
Bisness inteligent
Jesus Alberto Velasquez Abanto
 
Unidad III Sistema de Información Gerencial
Unidad III Sistema de Información GerencialUnidad III Sistema de Información Gerencial
Unidad III Sistema de Información Gerencial
Neliza Queralez Duran
 

Similar a Exposicion Business Intelligence (20)

BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
 
BUSINESS INTELIGENCE
BUSINESS INTELIGENCEBUSINESS INTELIGENCE
BUSINESS INTELIGENCE
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
 
Taller De Inteligencia De Negocios
Taller De Inteligencia De NegociosTaller De Inteligencia De Negocios
Taller De Inteligencia De Negocios
 
Trabajo final
Trabajo finalTrabajo final
Trabajo final
 
Analitica de Datos clase numero uno, enfoque basico
Analitica de Datos clase numero uno, enfoque basicoAnalitica de Datos clase numero uno, enfoque basico
Analitica de Datos clase numero uno, enfoque basico
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligence
 
Primer parcial wilmer satuquinga
Primer parcial wilmer satuquingaPrimer parcial wilmer satuquinga
Primer parcial wilmer satuquinga
 
Introduccion Inteligencia De Negocios
Introduccion Inteligencia De NegociosIntroduccion Inteligencia De Negocios
Introduccion Inteligencia De Negocios
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Sistemas de información
Sistemas de informaciónSistemas de información
Sistemas de información
 
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOSFUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
FUNDAMENTOS Y MÉTODOS DE ANÁLISIS DE REQUERIMIENTOS
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Sistema de información
Sistema de informaciónSistema de información
Sistema de información
 
Seminario De Tecnologia
Seminario De TecnologiaSeminario De Tecnologia
Seminario De Tecnologia
 
conceptos de inteligencia de negocios
conceptos de inteligencia de negociosconceptos de inteligencia de negocios
conceptos de inteligencia de negocios
 
Informatica
InformaticaInformatica
Informatica
 
Bisness inteligent
Bisness inteligentBisness inteligent
Bisness inteligent
 
Unidad III Sistema de Información Gerencial
Unidad III Sistema de Información GerencialUnidad III Sistema de Información Gerencial
Unidad III Sistema de Información Gerencial
 

Último

Elmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internetElmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internet
Elmer Crizologo Rojas
 
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdfGui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
FRANCISCO PAVON RABASCO
 
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
Shirley Vásquez Esparza
 
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdfCarnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
EleNoguera
 
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdfAPUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
VeronicaCabrera50
 
Calidad de vida laboral - Ética y Responsabilidad Social Empresarial
Calidad de vida laboral - Ética y Responsabilidad Social EmpresarialCalidad de vida laboral - Ética y Responsabilidad Social Empresarial
Calidad de vida laboral - Ética y Responsabilidad Social Empresarial
JonathanCovena1
 
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdfCompartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
JimmyDeveloperWebAnd
 
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptxMapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
ElizabethLpez634570
 
Programación de la XI semana cultural del CEIP Alfares
Programación de la XI semana cultural del CEIP AlfaresProgramación de la XI semana cultural del CEIP Alfares
Programación de la XI semana cultural del CEIP Alfares
Alfaresbilingual
 
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsadUrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
JorgeVillota6
 
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
MiNeyi1
 
CUADRO COMPARATIVO Aylen.docx............
CUADRO COMPARATIVO Aylen.docx............CUADRO COMPARATIVO Aylen.docx............
CUADRO COMPARATIVO Aylen.docx............
LuanaJaime1
 
Presentación simple corporativa degradado en violeta blanco.pdf
Presentación simple corporativa degradado en violeta blanco.pdfPresentación simple corporativa degradado en violeta blanco.pdf
Presentación simple corporativa degradado en violeta blanco.pdf
eleandroth
 
Marketing responsable - Ética y Responsabilidad Social Empresarial
Marketing responsable - Ética y Responsabilidad Social EmpresarialMarketing responsable - Ética y Responsabilidad Social Empresarial
Marketing responsable - Ética y Responsabilidad Social Empresarial
JonathanCovena1
 
Los acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdfLos acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdf
Alejandrino Halire Ccahuana
 
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdfprincupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
Elvis Bailón de la Cruz
 
Power Point: El conflicto inminente (Bosquejo)
Power Point: El conflicto inminente (Bosquejo)Power Point: El conflicto inminente (Bosquejo)
Power Point: El conflicto inminente (Bosquejo)
https://gramadal.wordpress.com/
 
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLAROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
JAVIER SOLIS NOYOLA
 
PPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierraPPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierra
https://gramadal.wordpress.com/
 
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
carla526481
 

Último (20)

Elmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internetElmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internet
 
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdfGui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
 
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
Leyes de los gases según Boyle-Marriote, Charles, Gay- Lussac, Ley general de...
 
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdfCarnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
 
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdfAPUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
 
Calidad de vida laboral - Ética y Responsabilidad Social Empresarial
Calidad de vida laboral - Ética y Responsabilidad Social EmpresarialCalidad de vida laboral - Ética y Responsabilidad Social Empresarial
Calidad de vida laboral - Ética y Responsabilidad Social Empresarial
 
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdfCompartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
Compartir p4s.co Pitch Hackathon Template Plantilla final.pptx-2.pdf
 
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptxMapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
Mapa-conceptual-de-la-Evolucion-del-Hombre-3.pptx
 
Programación de la XI semana cultural del CEIP Alfares
Programación de la XI semana cultural del CEIP AlfaresProgramación de la XI semana cultural del CEIP Alfares
Programación de la XI semana cultural del CEIP Alfares
 
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsadUrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
 
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
2.- DIARIO -MANIFESTACIONES-LECTURA...pdf
 
CUADRO COMPARATIVO Aylen.docx............
CUADRO COMPARATIVO Aylen.docx............CUADRO COMPARATIVO Aylen.docx............
CUADRO COMPARATIVO Aylen.docx............
 
Presentación simple corporativa degradado en violeta blanco.pdf
Presentación simple corporativa degradado en violeta blanco.pdfPresentación simple corporativa degradado en violeta blanco.pdf
Presentación simple corporativa degradado en violeta blanco.pdf
 
Marketing responsable - Ética y Responsabilidad Social Empresarial
Marketing responsable - Ética y Responsabilidad Social EmpresarialMarketing responsable - Ética y Responsabilidad Social Empresarial
Marketing responsable - Ética y Responsabilidad Social Empresarial
 
Los acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdfLos acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdf
 
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdfprincupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
princupalesplagasyenfermedadesdelpaltopdf-230717165119-fd68bcac.pdf
 
Power Point: El conflicto inminente (Bosquejo)
Power Point: El conflicto inminente (Bosquejo)Power Point: El conflicto inminente (Bosquejo)
Power Point: El conflicto inminente (Bosquejo)
 
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLAROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
 
PPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierraPPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierra
 
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
REGIMÉN ACADÉMICO PARA LA EDUCACIÓN SECUNDARIA - RESOC-2024-1650-GDEBA-DGC...
 

Exposicion Business Intelligence

  • 1. Grupo Nº 5-6 Integrantes: Bajaña Dian Guamán Ernesto Pino Jefferson Rodas Jonathan John Sánchez Robinson Ortiz Andrés Reyes Profesor: Ing. Patricio Vicuña
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22. En resumen, los sistemas OLAP organizan los datos por intersecciones multidimensionales. Esta organización, acompañada por una herramienta de interfaz para rotar y anidar dimensiones, permite a los usuarios visualizar rápidamente los valores en detalle, patrones, variaciones y anomalías de los datos que estarían de otra manera ocultos por un análisis dimensional simple. A mayor número de dimensiones, mayor es la profundidad del análisis.
  • 23. El miembro cerezas de la dimensión producto atraviesa todas las intersecciones de las dimensiones de tiempo y mercado. Una vez mas, slice-and-dice en el mundo OLAP está identificando un subconjunto de celdas, que el usuario ha seleccionado para visualizar, desde el cubo maestro OLAP almacenado en un servidor de datos. Cerezas Uvas Manzanas Dimensión Tiempo 1º 2º 3º 4º Trimestres Atlanta Chicago Denver Detroit Melones
  • 24.
  • 25. Dimensión Tiempo Año Trimestre Meses TIEMPO 2001 Q1 Enero Febrero Marzo Q2 Abril Mayo Junio Q3 Julio Agosto Septiembre Q4 Octubre Noviembre Diciembre
  • 26.
  • 27.
  • 28. MODO DE ALMACENAMIENTO OLAP El concepto << a la velocidad del pensamiento >> que tanto hemos usado se evidencia en el sistema OLAP (análisis multidimensional) porque los datos encuentran almacenados en estructuras que está optimizadas para permitir la rápida recuperación de la información. Definición de los tres paradigmas de almacenamiento para dar apoyo al análisis multidimensional. Desktop file: Conocido como DOLAP (desktop online analytical processing). Los datos son almacenados en máquinas individuales de sobremesa, este tipo de almacenamiento es útil cuando se deseen desarrollar aplicaciones de pequeña escala donde no existe la necesidad de que múltiples usuarios tengan que acceder a los datos como si fuera un servidor central.
  • 29. Servidores de base de datos relacionales: Es conocido como ROLAP (relational omline analytical processing). Almacena datos en una base de datos relacional permite tomar ventaja de uno de sus más grandes beneficios, el almacenamiento de inmensas cantidades de datos. Lo que suele ocurrir es que el rendimiento de recuperación de la información para ROLAP frecuentemente no es tan rápido como otras opciones de almacenamiento. Servidores de base de datos multidimensionales: Es conocido como MOLAP (Multidimensional online analytical processing). Los datos son colocados en estructuras especiales que se encuentran en un servidor central. MOLAP ofrecen mayor rendimiento de recuperación de información. Un cuarto modo de almacenamiento es HOLAP (Hybryd online analytical processing) no es realmente un modo diferente de almacenamiento de datos. Más bien es la habilidad para diseminar los datos a través de la base de datos relacionales y multidimensionales con la finalidad de obtener lo mejor de ambos sistemas.
  • 30. CUALES SON LAS TECNOLOGIAS DE BUSINESS INTELLIGENCE ? Cuando una compañía decide implementar una plataforma Business Intelligence, existen consideraciones que necesitan ser tomadas en cuenta relativas al tipo de plataformas en la que será construida, las herramientas y tecnologías que será usada para convertir los datos originales o << crudos>> en información útil. LA VISION MACRO El proceso que utiliza las plataformas de Business Intelligence para capturar datos y convertirlos en información útil puede ser simple o muy complicada.
  • 31. ¿dónde están los datos almacenados? Conociendo las limitaciones de los sistemas operacionales, muchas compañías consiguen cubrir sus necesidades de análisis e información de negocios acumulando los mismos en un repositorio colectivo. Este repositorio no sólo tienen nombre especial que podría ser bastante familiar: el data warehouse, sino que también identifica lugar donde los datos son almacenados en la plataforma de Business Intelligence. ¿cómo se obtienen los datos para los usuarios de negocio? Una vez descarga la información en el data warehouse, los procesos de análisis e información de negocio son responsables de tomar los datos desde el data warehouse, ensamblar los datos, presentarlos en formatos amigables para el usuario (tales como hojas de cálculo y gráficos) y entregar esta información a los usuarios de negocio.
  • 32. Para llevar a cabo los procesos de análisis y presentación de informes, de las herramientas de front-end recogen los datos de data warehouse y presentan estos a los usuarios en forma de informes. HERRAMIENTAS DE front -end DATA MINING Puede ser utilizado para analizar las relaciones detalladas de los datos; por ejemplo, data mining puede responder preguntas relacionadas sobre qué cliente deben atacarse para un nuevo producto.
  • 33. DATA WAREHOUSE El objetivo primario de data warehouse es apoyar a los procesos de análisis y presentación de informes, los requirimientos de los usuarios tienen influencia en su diseño y contenido. En la práctica esto tiene doble significado, uno de los usuarios definen la información que les ayudará a ellos a tomar las mejores decisiones rápidamente y dos para que los profesionales de tecnología puedan construir un data warehouse para alcanzar sus necesidades. Esta práctica es más exitosa cuando los usuarios y los especialistas en tecnologías comparten los mismos lineamientos sobre cuáles son las necesidades de la organización y como un data warehouse cumple con estos requerimientos.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49. GRUPO Nº 6 INTEGRANTES : ROBINSON ORTIZ V. JOHN SANCHEZ V. ANDRES REYES C.
  • 50.  
  • 51. CompUSA Inc. ha pasado por varias transformaciones en su funcionamiento. Inicialmente la compañía vendía directamente a clientes de empresas, pero luego abrió sus ventas al mercado minorista. Cabe señalar que desde su inicio hasta el presente esta empresa ha crecido mediante expansión de adquisiciones hasta convertirse en el mayor minorista informático de Norteamérica.
  • 52. El equipo de gestión de operaciones abarca toda la organización e incluye al Director General de cada tienda, Directores regionales, directores de división y ejecutivos corporativos. La empresa no podía realizar comparaciones entre venta en bruto y rentabilidad entre tiendas y regiones; y de la misma manera no podía ofrecer una información que reflejara las ventas en relación a las visitas de los clientes en el día. La idea que hay detrás del Bussines Analytics Data Warehouse era ofrecer una solución ideal para todas las necesidades mediante un solo repositorio centralizado de información y proporcionar los informes para obtener vistas distintas de la misma.
  • 53. La primera fase antes de construir el diseño de datos consistía la recopilación y consolidación de los datos (Análisis de Requerimientos) Una vez incorporada en el diseño la información recibida, se tomó un enfoque iterativo para construir el almacén de datos. Poco a poco se fue añadiendo la información de todos los puntos de venta existentes lo que resultó en una satisfactoria consolidación de los datos. Una vez hecho esto, se podía realizar el estudio del comportamiento de cada uno de los puntos de venta de la empresa y así identificar cuales son las que necesitan una mejora.
  • 54. La aplicación del Bussines Analytics Data Warehouse ayudó en gran parte a la mejora en la toma de decisiones para el buen desempeño de la compañía. En cada tienda, hasta cuatro directores tienen acceso a la información a través de la intranet corporativa obteniendo información de las ventas, margen bruto y servicios que ofrece cada tienda.
  • 55. Otro beneficio, es que permite la recolección de información que puede ser muy importante para identificar el desempeño de cada miembro de una organización o de la actividad de los clientes. El tercer beneficio importante es que se pudo mejorar la productividad y evitar pérdidas manteniendo un almacén de datos que recolecte todos los datos del negocio y colocar estos en hojas de cálculos consolidándolos de una reforma que resulten utilizables.
  • 56. Era muy importante tener en consideración que los datos podían crecer en altas magnitudes por lo que Microsoft SQL-Server fue de gran utilidad para el manejo de estos datos de forma regular Este era un problema común ya que los datos se encontraban en distintos sistemas de origen. Para esto fue necesario validar los datos de los diversos sistemas antes de integrarlos.
  • 57. Muchas veces se solía perder datos durante el sistema de conversión debido a la interfaz del software. Para esto se hizo necesario revisar periódicamente la calidad de datos que se estaban almacenando y si fuere necesario realizar nuevos procesos que permitan mejorar la recolección de datos de los diferentes sistemas. Se puede decir que clave del éxito del almacén de datos dependió mucho del estudio que se realizó en cuanto a las necesidades de la empresa y así almacenar los datos realmente necesarios de manera que se pudiera entregar la información en tiempo casi real para obtener una imagen completa de la actividad diaria del negocio.
  • 58.  
  • 59. A pesar de tener un Programa denominado DiscoPlus, los usuarios dependían del departamento de tecnología para conocer la información proveniente de los sistemas transaccionales. Los informes podían ser actualizados con nuevos datos en intervalos semanales y además producir un nuevo informe tomaba varias horas y se requería de la gente de tecnología. Por ello el departamento de tecnología sugirió la implementación de un Data Warehouse y de esta manera se solucionarían los problemas de acceso a la información.
  • 60. Evaluar la funcionalidad de OLAP y de data mining. El equipo llegó a la conclusión que la tecnología OLAP era la mejor opción ya que permitiría el acceso a información detallada y consolidada. Los datos genéricos fueron recopilados desde los puntos de venta para ser almacenados en el data warehouse diariamente. El equipo de Data warehouse utilizó combinaciones de técnicas descriptivas: la segmentación y el clustering. La segmentación consistía en agrupar a los clientes de acuerdo a la frecuencia de compra, tamaño de la compra que luego sería combinada con la información de los clientes inscritos en el DiscoPlus. El clustering evalúa cada grupo segmentado de los clientes para localizar características comunes de cada grupo.
  • 61. Después de almacenar los datos en el data warehouse se creó un cubo OLAP que proporcionaría a los usuarios finales una rápida vista multidimensional de los datos de ventas a clientes. Rápido y fácil acceso a la información por haber aplicado técnicas correctas de análisis para los problemas del negocio. Con las técnicas de segmentación y clustering ha sido creado un perfil para grupos específicos de clientes. Cabe recalcar que el éxito del data mining depende mucho de la calidad de los datos que se almacenan. Por ello esta es la fase más larga y compleja de este proyecto.
  • 62. Producto Uvas Manzanas Melones Cerezas Peras T4 Tiempo T1 T2 T3 Localidad Guayaquil Salinas Milagro
  • 63.
  • 64.
  • 65.
  • 66.
  • 67.
  • 68.
  • 69.
  • 70.
  • 71.
  • 72.
  • 73.
  • 74.
  • 75.
  • 76.
  • 77.
  • 78.
  • 79.
  • 80.
  • 81.
  • 82.
  • 83.
  • 84.
  • 85.
  • 86.
  • 87.
  • 88.
  • 89.
  • 90.
  • 91.
  • 92.
  • 93.
  • 94. Escalabilidad Ambas bases de datos deben tener la capacidad de manejar el número de usuarios y volúmenes de datos que usted tiene en la actualidad y los que prevé tener en el futuro. Ambas bases de datos deben mantener sus objetivos de rendimiento. Estos objetivos pueden ser divididos en dos categorías: Rendimiento Velocidad de procesamiento de datos Velocidad de recuperación de los datos.
  • 95. En combinación con el rendimiento, las bases de datos relacionales y las OLAP deben tener un mecanismo para gestionar y optimizar los motores de bases de datos como sea necesario. Ambas bases de datos deben tener un mecanismo para administrar la seguridad con la finalidad de tener la garantía de que los usuarios adecuados tienen acceso a los datos correctos. Manejabilidad Seguridad
  • 96. Ambas bases de datos deben cubrir las necesidades de disponibilidad o accesibilidad necesarias para garantizar que el sistema siempre este en funcionamiento y con la posibilidad de ser respaldados o restaurados cuando algo funcione de forma inadecuada. Ambas bases de datos deben permitir a los programadores configurar y adaptar las mismas, tanto como sea necesario para mantener almacenamiento de datos específicos y necesidades de administración. Disponibilidad Adaptación
  • 97. las bases de datos relacionales proporcionan grandes capacidades para introducir actualizaciones. Es importante resaltar que muchas bases de datos OLAP son muy débiles en este aspecto. Las bases de datos relacionales proporcionan un gran soporte para tener acceso a la última información esencialmente en tiempo real. Write Back Tiempo Real
  • 98.  
  • 99.
  • 100.
  • 101.
  • 102.
  • 103. PRUEBA DE DISEÑO DE DIMENSIONES: AÑOS Y PRODUCTOS PRUEBA DE DISEÑO DE DIMENSIONES: PRODUCTOS Y CATEGORIA DE PRODUCTOS Tiene sentido No tiene sentido
  • 104.