Diego Martí­n Fernández, profile picture
Subido porDiego Martí­n Fernández
PPTX, PDF3,231 vistas

Introducción Business Intelligence

El documento aborda el concepto de Business Intelligence (BI), su evolución histórica y su importancia en el análisis de datos para la toma de decisiones empresariales. Se describen componentes clave como data warehouses, business analytics y su distinción con el Big Data, así como metodologías de implementación y beneficios asociados. Además, se exploran técnicas de minería de datos y análisis predictivo que ayudan a las organizaciones a entender mejor el comportamiento del cliente y optimizar procesos.

Incrustar presentación

Descargado 299 veces
PRESENTACIÓN • Diego Martín Fernández • Ingeniero Superior en Informática (UEM) • Dirección y Gestión Estratégica de Proyectos (IE Business School) • Aprendizaje Estadístico y Data Mining (UNED) • Responsable de Business Intelligence • QDQ Media • Grupo EULEN • AGS Group • Contacto: • linkedin.com/in/dmfdez - dmfdez@gmail.com 2 ABRIL 2015
ÍNDICE • Introducción • Business Intelligence • Data Warehouse • Business Analytics • Visualización de Datos 3 ABRIL 2015
INTRODUCCIÓN Pasado, presente y futuro del Business Intelligence 4 ABRIL 2015
HISTORIA DEL BI • El término Business Intelligence fue acuñado por Gartner Group a finales de los 80’s. • Sin embargo, el concepto es mucho más antiguo y sigue evolucionando • 1970’s - MIS reporting - static/periodic reports • 1980’s - Executive Information Systems (EIS) • 1990’s - OLAP, dynamic, multidimensional, ad-hoc reporting • 2010’s - Data/Text/Web Mining; Web-based Portals, Dashboards, Big Data, Social Media, and Visual Analytics • 2020’s - … 5 ABRIL 2015
ACTUALIDAD • Compañías en mercados hipercompetitivos. • Los clientes son más exigentes, mejor informados y demandan productos personalizados. • Las empresas necesitan conocer mejor al cliente para saber cual es su fuerte y potenciarlo. • Customer Intelligence • Maketing Intelligence • Social Business Intelligence • … 6 ABRIL 2015
FUTURO • Data Discovery • Real Time Data • Big Data • Social Business Intelligence • Modelado descriptivo, predictivo y prescriptivo 7 ABRIL 2015
BUSINESS INTELLIGENCE Introducción al Business Intelligence, del dato al conocimiento. 8 ABRIL 2015
DEFINICIÓN • Business intelligence (BI) es un término genérico que incluye las aplicaciones, la infraestructura y herramientas y las mejores prácticas que permitan el acceso y el análisis de la información para mejorar y optimizar las decisiones y rendimiento. 9 ABRIL 2015
DEL DATO AL CONOCIMIENTO Dato Información Conocimiento 10 ABRIL 2015
DATO • Hechos objetivos y discretos sobre eventos. • Registros estructurado de operaciones. • Muchos datos pueden hacer difícil identificar y dar sentido a los datos que importan • Los datos sólo describen una parte de lo que ocurre, no proporcionan significado, juicio o interpretación. • Gestión del Dato: • Velocidad, coste y capacidad • Relevancia y claridad • El dato es la fuente de origen para la toma de decisión pero no puede decirnos que hacer. 11 ABRIL 2015
INFORMACIÓN • Convierte los datos en útiles para decidir y/o realizar una acción. • La información es definida como datos que son dotados de un sentido y un propósito. • La información nos permite responder a preguntas como: • ¿Quién? • ¿Qué? • ¿Cómo? • ¿Cuándo? • ¿Donde? 12 ABRIL 2015
INFORMACIÓN Medir Comparar Reportar Analizar Predecir Avisar Experimentar Colaborar Recompensar Saber 13 ABRIL 2015
CONOCIMIENTO • Finalmente, el conocimiento se define habitualmente como información que ha sido procesada, organizada y estructura de alguna manera o que ha sido aplicada a una acción. • En las organizaciones, a menudo se convierte implícito no sólo en documentos o repositorios sino también en rutinas organizativas, procesos, prácticas y normas. • El conocimiento puede ser visto como • Proceso: aprendizaje organizacional • Stock: conocimiento 14 ABRIL 2015
¿PARA QUE NOS SIRVE EL BI? • Impacto de una campaña. • Conocer a nuestros clientes • ¿Cómo y qué compran? • ¿Dónde suelen hacerlo? • ¿A qué horas? • Rendimiento de nuestro proceso de venta. • Rendimiento de nuestro proceso de postventa. • … 15 ABRIL 2015
TIPO DE PROYECTOS • Sistema MDM (Master Data Management) • Sistema Data Warehouse • Procesos ETL • Construir sistemas OLAP • Diseñar Informes y/o cuadros de mando • Business Analytics • Big Data 16 ABRIL 2015
ARQUITECTURA “TRADICIONAL” BI ERP Social Otras Excel/CSV CRM ETL Informes Analítica KPI Cuadros de Mando Data Warehouse RRHH Ventas Marketing Datamarts 17 ABRIL 2015
COMPONENTES DE UN BI •Un sistema de Business Intelligence tiene 4 componentes principales: • Un Data Warehouse, es un gran repositorio de datos históricos bien organizados. • Business Analytics, es una colección de herramientas para manipular, explotar y analizar los datos del Data Warehouse. • Business Performance Management permite monitorizar, medir y analizar los KPIs definidos. • Un Interfaz de Usuario (e.g., dashboard) , nos permite acceder y trabajar con las herramientas de BI. 18 ABRIL 2015
INFORMACIÓN EN UNA ORGANIZACIÓN 19 ABRIL 2015
BUSINESS INTELLIGENCE VS BIG DATA Business Intelligence Big Data Información Conocida Preguntas que no puedes responder Preguntas que puedes responder Información Desconocida 20 ABRIL 2015
BIG DATA • Big Data es la información de gran volumen, de alta velocidad y/o de gran variedad que exige formas rentables e innovadoras de procesamiento de la información para mejorar la comprensión y la toma de decisiones. 21 ABRIL 2015
3 4 5 V’S DEL BIG DATA Big Data Volumen Velocida d Valor Veracida d Variedad 22 ABRIL 2015
APLICACIONES BIG DATA 23 ABRIL 2015
BENEFICIOS DEL BUSINESS INTELLIGENCE • Mejorar los procesos de gestión • planificación, control, medición y / o cambiar lo que resulta en un aumento de los ingresos y reducción de costos. • Mejorar los procesos operativos • la detección de fraudes, procesamiento de pedidos, compras .. resultando en mayores ingresos y menores costos. • Predecir el Futuro 24 ABRIL 2015
¿POR DONDE EMPEZAMOS? • Analizar nuestras fuentes de datos: • CRM (Customer Relationship Management): • Cliente • Productos • Campañas • Actividades • ERP (Enterprise Resource Planning) • Facturación • Costes • … 25 ABRIL 2015
EVOLUCIÓN DEL CRM ABRIL 201526
ESQUEMA CRM TÍPICO ABRIL 201527 Clientes Oferta Contrato Actividad CampañaProductos
DATA WAREHOUSE Introducción a Data Warehouse y procesos ETL 28 ABRIL 2015
DEFINICIÓN • Un Data Warehouse es un sistema de almacenamiento diseñado para contener los datos extraidos en los sistemas transaccionales, de los sistemas operativos y de fuentes externas. • Un Data Mart contiene datos similares en el tiempo y temática, es decir, son subconjuntos de un Data Warehouse de un área específica del negocio para ayudarle a la toma de decisiones. 29 ABRIL 2015
BILL INMON • Bill Inmon define un data warehouse en términos de las características del repositorio de datos: • Orientado a temas.- Los datos en la base de datos están organizados de manera que todos los elementos de datos relativos al mismo evento u objeto del mundo real queden unidos entre sí. • Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo quedan registrados para que los informes que se puedan generar reflejen esas variaciones. • No volátil.- La información no se modifica ni se elimina, una vez almacenado un dato, éste se convierte en información de sólo lectura, y se mantiene para futuras consultas. • Integrado.- La base de datos contiene los datos de todos los sistemas operacionales de la organización, y dichos datos deben ser consistentes. 30 ABRIL 2015
METODOLOGÍA TOP DOWN 31 ABRIL 2015
RALPH KIMBALL • Ralph Kimball define un almacén de datos como: "una copia de las transacciones de datos específicamente estructurada para la consulta y el análisis”. 32 ABRIL 2015
METODOLOGÍA BOTTOM-UP 33 ABRIL 2015
INMON VS KIMBALL • Es muy difícil de decantarse por uno por otro. • En los proyectos de BI típicos, normalmente se empieza por el modelo de Kimball creando Datamarts de los departamentos debido a presupuestos ajustados, desconfianza o como punto de entrada. • A medida que una organización crece en BI, lo mejor sería pasar a Immon para ahorrar mantenimiento de etl, crear un repositorio único, etc… 34 ABRIL 2015
MODELADO: ESQUEMA EN ESTRELLA (OLAP) • Se compone: • Dimensiones • Hechos • OLAP (On-Line Analytical Processing) Ventas Producto Tiempo Cliente Tienda 35 ABRIL 2015
HECHOS • ¿Qué queremos medir? • Euros, unidades, coste, litros, kilos… • Normalmente se almacenan datos agregados. • Esto no es una copia de nuestros sistemas es para analizar!! • La granuladidad de las medidas es crítica, siempre hay que pensar el nivel más detallado que queremos analizar 36 ABRIL 2015
SELECCIÓN DE MEDIDAS Imagen de Gerd Leonard 37 ABRIL 2015
DIMENSIÓN • ¿Qué queremos analizar? • Tiempo, Tienda, Producto, Cliente, … • Contienen los descriptores de los hechos • Pueden ser jerarquías Tiempo Año Mes Día Tienda País Provincia Tienda 38 ABRIL 2015
EJERCICIO • Identificar Dimensiones (Jerarquías) y Hechos Datos Empresa/Profesional, etc Cliente Fecha Pedido Nº Factura Vendedor Vendedor 1 Cliente 1 12/12/2015 10:10 465132 Tienda Tienda Madrid Código artículo Artículo/Concepto/Descripción/etc. Unidades Precio Unidad Descuento Descuento total Total % A001 Grupo A: Descripción producto A001 4 1.000,00 8,00% 80 3920 A002 Grupo A: Descripción producto A002 2 1.500,00 5,00% 75 2925 A003 Grupo A: Descripción producto A003 3 2.000,00 4,80% 96 5904 B001 Grupo B: Descripción producto B001 3 3.000,00 4,40% 132 8868 B002 Grupo B: Descripción producto B002 2 4.000,00 4,00% 160 7840 C001 Grupo C: Descripción producto C001 3 4.500,00 3,80% 171 13329 Total Bruto 42.786,00 I.V.A. % 21% 8.985,06 Suma total 51.771,06 € 39 ABRIL 2015
KEY PERFORMANCE INDICATOR • KPI o Indicador Clave de Desempeño • Son medidas financieras o no financieras • Identificar las necesidades de información y luego diseñar los indicadores más apropiados para evaluar el desempeño • S.M.A.R.T. • eSpecíficos • Medibles • Alcanzables • Relevantes • Temporales ABRIL 201540
TIPOS DE HECHOS • Transacción • Un evento que ha ocurrido en un instante de tiempo, una fila por ocurrencia • Una compra, venta, una velocidad, temperatura • Periodic Snapshot • Se toma una fotografía, al final de un periodo de tiempo, multiples filas • Balances, estados de cuenta, inventarios…. • Acumulating SnapShot • Se va modificando el status de una fila a lo largo del tiempo. Múltiples filas. • Suele llevar una marca de tiempo 41 ABRIL 2015
TIPOS DE DIMENSIONES (I) • SCD. Slowly Changing Dimensions • Tipo 1, se sobreescriben los valores. • Tipo 2, se incluye una nueva línea. • Tipo 3, se incluye una columna para conservar el valor original o anterior. • Tipo 4, la dimensión sería tipo 1 pero se tabla una tabla con el histórico. • Tipo 6, combinación de los tipos 1, 2 y 3. 42 ABRIL 2015
TIPOS DE DIMENSIONES (II) • Esquema Copo de Nieve (Snowflake) • Se normalizan las dimensiones para extraer los atributos redundantes a una nueva tabla. Tienda País Provincia TiendaHecho Tienda Tienda Hecho Provincia Provincia País País 43 ABRIL 2015
TIPOS DE DIMENSIONES (III) • Dimensión degenerada • Cada fila en la tabla de hechos es un “documento” • Número de factura, de orden, etc.. • Parent – Child Dimensions • Manejar dimensiones recursivas que tienen profundidad variable • Dimension Role-Playing • Una misma dimensión aparece varias veces en la misma tabla de hechos. • Junk Dimensions • Flags e indicadores de baja cardinalidad • En la tabla de hechos aumentaría mucho la granularidad. • Se combinan en una dimensión. 44 ABRIL 2015
OPERACIONES TÍPICAS EN OLAP • Roll up (drill-up): resumir los datos • Subiendo por la jerarquía o por reducción de dimensiones. • Drill down (roll down): Inverso al roll-up • Desde los niveles superior a los de más detalle o introducciendo unas nuevas dimensiones. • Slice and dice • Seleccionar. Y proyectar. • Pivot (rotate) • Reorientar el cubo. • Otras operaciones: • drill across: involucrar más de un cubo a través de una medida en común. • drill through: ver el detalle en las tablas. 45 ABRIL 2015
MODELADO: ACTIVE DATA WAREHOUSE (OLTP) • Active Data Warehousing es otro tipo de modelo de nuestro Data Warehouse en este caso lo que nos basamos en la captura de las transacciones cuando estas ocurren y las integramos en nuestro Data Warehouse. Esto nos proporcionada las posibilidad de automatizar tareas rutinarias y decisiones. 46 ABRIL 2015
DIFERENCIAS ENTRE OLTP VS OLAP Sistemas OLTP Sistemas OLAP Objetivo Garantizar la consistencia de los datos. Consolidar los datos ya validados y adecuados a las necesidades para la toma de decisiones. Orientación Orientado a la aplicación, hace cumplir las reglas del negocio. Orientado al sujeto, se define en base a lo que el analista necesita ver. Vigencia de los datos Los datos se usan a medida que se van produciendo y dejan de ser importantes a corto plazo. Se guardan los datos actuales y los históricos para poder realizar análisis comparativos. Granularidad de datos Es dada por controles definidos por la organización, así como por normas legales importantes. Estará dado por el tipo de análisis que se requiera analizar. Organización Es normalizado. Se basa en estructuras jerárquicas desnormalizadas modeladas de acuerdo a como se analizaran los datos. ABRIL 201547
INTEGRACIÓN DE DATOS • Procesos ETL (Extract, Transform & Load): • Extraer datos de múltiples fuentes • Transformar los datos • Comprobamos la calidad del dato. • Limpiamos y/o normalizamos los datos. • Unificamos conceptos. • Cargar los datos en un DW 48 ABRIL 2015
CREAR UN MODELO DE BI ABRIL 201549 Clientes Oferta Contrato Actividad CampañaProductos
BUSINESS ANALYTICS 50 ABRIL 2015
DEFINICIÓN • Business analytics se compone de las soluciones utilizadas para construir los modelos de análisis y simulaciones para crear escenarios, entender las realidades y predecir los estados futuros. Business analytics incluye la minería de datos, análisis predictivo, análisis aplicadas y las estadísticas, y se entrega como una aplicación adecuada para un usuario de negocios. Estas soluciones de análisis a menudo vienen con las industrias de contenido creado previamente que se dirige a un proceso de negocio de la industria (por ejemplo, los reclamos, suscripción o un requisito reglamentario específico). 51 ABRIL 2015
MODELOS DESCRIPTIVOS VS PREDICTIVOS • Modelos descriptivos • Dado un conjunto de variables sobre unos datos de una empresa, pretendemos buscar en ellos características relevantes o segmentar los datos en grupos • Modelos predictivos • Dado un conjunto de variables sobre unos datos, pretendemos aquí predecir una variable especial que depende de alguna del conjunto de datos inicial. El objetivo es “aprender” un modelo que nos permita adivinar la etiqueta a partir de las relaciones encontradas en el pasado. 52 ABRIL 2015
¿QUÉ ES DATA MINING? •Data mining • Descubrimiento de Conocimiento desde los Datos • Extracción de patrones triviales o no triviales, desconocidos y potencialemente útiles de una gran cantidad de datos. •Otros nombres • Knowledge discovery in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, etc. ABRIL 201553
FUNCIONALIDADES I • Descripción concepto multidimensional: Caracterización y la discriminación • Generalizada, resumir y características de los datos de contraste • Patrones frecuentes, asociación, correlación vs. casualidad. • Pañal  Beer [0,5%, 75%], Educación  Ingresos • La clasificación y predicción • Construir modelos que describen y distinguir clases o conceptos para la futura predicción • Por ejemplo: • clasificar a los países sobre la base de (economía), automóviles basado en (rendimiento de la gasolina), noticias de internet (Google News), producto (Amazon) • Predecir el precio de las acciones, atasco de tráfico ABRIL 201554
FUNCIONALIDADES II • El análisis de agrupaciones • Maximizar similitud del grupo y minimizando similitud entre grupos • Ánálisis de valores atípicos (Outlier) • Objeto de datos que no cumpla con el comportamiento general de los datos: valores atípicos • ¿Ruido o excepción? Útil en la detección del fraude, el análisis de eventos raros • El análisis de tendencias y la evolución • Tendencia y desviación: las encuestas políticas. • Minería de secuencias: la minería de vídeo -> identificar objetos • Análisis Periodicidad: el cambio climático • Basado en el análisis de similaridad ABRIL 201555
EJEMPO: ANÁLISIS DEL MERCADO I • ¿De dónde sacamos los datos? • Tarjeta de crédito, tarjetas de fidelización, cupones de descuento, queja de un cliente llama, además de estudios publicos sociodemográficos. • Público Objetivo • Encuentra grupos de clientes "modelo" que comparten las mismas características: el interés, nivel de ingresos, hábitos de consumo, etc. • Determinar los patrones de compra de los clientes a través del tiempo • Venta cruzada • Buscar asociaciones entre las ventas de productos y predicen basa en dicha asociación ABRIL 201556
EJEMPO: ANÁLISIS DEL MERCADO II • Perfil del Cliente • ¿Qué tipo de clientes compra qué tipo de productos? • Análisis de las necesidades del cliente • Identificar los mejores productos para los diferentes grupos de clientes • Predecir qué factores van a atraer nuevos clientes • Provisión de información resumida • Informes resumidos multidimensionales • Resumen estadístico de información (datos de tendencia central y de variación) ABRIL 201557
DESCUBRIMIENTO DE CONOCIMIENTO ABRIL 201558
ÁRBOLES DE DECISIÓN I • Son modelos estadísticos en los que interesa explicar una variable dependiente cualitativa (en nuestro caso binaria) en función de varias variables explicativas. • Consiste en clasificar a los individuos en grupos de comportamiento diferente discriminando por las variables de entrada. • Es una técnica de modelización supervisada. • Beneficios: • Su principal virtud es que son entendibles y explicables. • Buena capacidad predictiva con variables categóricas. • Alta flexibilidad • Muy fáciles de implementar, mantener y revisar. ABRIL 201559
ÁRBOLES DE DECISIÓN II ABRIL 201560
CLÚSTER (SEGMENTACIÓN) I • Se utiliza para la identificación automática de las agrupaciones naturales de las cosas • Parte de la familia de aprendizaje de máquinas • Emplear aprendizaje no supervisado • También conocida como la segmentación ABRIL 201561
CLÚSTER (SEGMENTACIÓN) II 62 ABRIL 2015
CLÚSTER (SEGMENTACIÓN) III •Pueden ser utilizados para • Identificar agrupaciones naturales de clientes. • Identificar las normas para la asignación de nuevos casos a su grupo. • Proporcionar caracterización, definición, etiquetado de las poblaciones. • Disminuir el tamaño y la complejidad de los problemas. • Identificar los valores atípicos en un dominio específico. 63 ABRIL 2015
SOCIAL MEDIA • Experiencia personal y opiniones sobre cualquier cosa en revistas, foros, blogs, twitter. • Publicaciones en redes sociales, Facebook. • Comentarios sobre artículos, temas, tópicos, críticas. • Se convierte en la VOZ DEL CLIENTE: • Nos propociona información útil del feedback del cliente. • Está disponible y suele ser gratuita. • Este análisis es muy parecido al que nos puede proporcionar los investigadores de mercado pero este es a tiempo real. 64 ABRIL 2015
ANÁLISIS DEL SENTIMIENTO • Sentimiento • Un pensamiento, una vista o actitud, especialmente uno basado principalmente en la emoción en lugar de la razón • Análisis del Sentimiento • Opinion Mining • Se usan técnicas de procesamiento del lenguaje natural (NLP) y técnicas computacionales para automatizar la extracción y clasificación de sentimiento de texto normalmente no estructurada 65 ABRIL 2015
ANÁLISIS DEL SENTIMIENTO • ¿Cómo interpretar las características para la detección de emociones? • Bolsa de palabras (IR) • Léxicos anotados (WordNet, SentiWordNet) • Patrones sintácticos • ¿Qué características usar? • Palabras (n gramos) • Frases / n-gramas • Sentencias 66 ABRIL 2015
VISUALIZACIÓN DE DATOS 67 ABRIL 2015
•Cuadros de Mando •La necesidad de ejecutar, controlar y gestionar los procesos de una organización genera y consume cantidades ingentes de datos, eso lleva a la creación de sistemas de toma de decisiones con reporting, pivots, métricas, índices,… •No todo el mundo debe usar todos y cada uno de los elementos. Al menos no todo el tiempo. •Los CdM son una representación simplificada de un conjunto de indicadores que nos dan una idea de cómo se está comportando un área o un proceso de nuestra empresa VISUALIZACIÓN DE DATOS 68 ABRIL 2015
• Existen muchos tipos de clasificación. • ¿Cuándo se usan unos u otros? Soportados por un modelo teórico • BSC • EFQM Referentes a conceptos de la organización • KPI vs. KGI •Se pueden dividir en operacionales, tácticos y estratégicos CLASIFICACIÓN 69 ABRIL 2015
•EFQM •Fundación europea para el control de calidad •El uso principal del modelo es la autoevaluación , de la que se obtiene un conjunto de puntos fuertes y otro de áreas susceptibles de mejora . •Se construye un plan de acción tendente a mantener resultados y realizar las mejoras correspondientes •La EFQM concede anualmente el Premio Europeo a la Excelencia EFQM 70 ABRIL 2015
EJEMPLO EFQM ABRIL 201571
BALANCED SCORECARD I • La medición del rendimiento y la metodología de gestión que ayuda a traducir las finanzas, los clientes, los procesos internos y los objetivos de aprendizaje y crecimiento en un conjunto de iniciativas viables • "The Balanced Scorecard: Measures That Drive Performance” (HBR, 1992) 72 ABRIL 2015
BALANCED SCORECARD II • Perspectivas: • Financiera • Basados en la contabilidad de la empresa. • Ej: Rentabilidad, margen operativo, facturación, … • Cliente • Los KPIs dependerán del tipo de actividad de la empresa pero basados principalmente en entrevistas y encuestas • Ej: Grado de Satisfacción, % Reclamaciones, Interacciones, Tiempos de servicio, Calidad del servicio, … • Procesos • Operaciones, gestión de clientes, RSC, … • Ej: tiempo medio, calidad, coste, captación de clientes, … • Innovación • Mejoras, crear valor e innovar • Ej: time-to-market, ciclo de vida de productos, desarrollo de nuevos productos, … ABRIL 201573
BALANCED SCORECARD III 74 ABRIL 2015
CDM - OPERACIONAL I • Cuadro de mando operacional •De respuesta rápida. •Gráficos y tablas simples •Capacidad de atracción de la atención ante eventos (avisan de errores o anomalías) •Alto nivel de detalle •Proveen un único nivel más de profundidad, que suele enlazar con el operacional (si no ataca a este directamente). Informes tabulares 75 ABRIL 2015
CDM - OPERACIONAL II ABRIL 201576
CDM – TÁCTICO I •Cuadro de mando táctico •Mas contextualizado, comparativo e histórico •Datos consolidados que no cambian en un periodo de tiempo largo •Visualizaciones mas complejas (perfil mas lato) •Permiten exploración para aclarar las causas (no los detalles) •Suelen enlazar con otros cuadros de mando y OLAP. 77 ABRIL 2015
CDM – TÁCTICO II ABRIL 201578
CDM – ESTRATÉGICO I •Cuadro de mando estratégico •Se centran en indicadores de alto nivel que permitan evaluar tendencias •No suelen contener mucha información (ranking, etc…) •Tipos de gráficos muy simples •Los datos se basan en snapshots •No aportan mucha interacción 79 ABRIL 2015
CDM – ESTRATÉGICO II ABRIL 201580
• Medida del éxito: Que el cuadro de mando se está utilizando. •responde a la necesidad informacional que se planteaba •es rápido y accesible (usable) •permite hacer inferencia de información (profundidad de análisis) •en mayor o menos medida, es “bonito” ¿QUÉ ES IMPORTANTE? 81 ABRIL 2015
ERRORES A EVITAR I • Exceder los límites de una pantalla • Se tiene que ver todo lo que se necesite ver, de una vez, para que se puedan producir inferencias o descubrir patrones ABRIL 201582
ERRORES A EVITAR II • Descontextualizar la información • La cantidad que se muestra ¿con que se compara?¿es buena o mala? ABRIL 201583
ERRORES A EVITAR III • Mostrar mucho detalle (o precisión), o mucha variedad. • Elegir medidas no representativas (usuario) ABRIL 201584
ERRORES A EVITAR IV • Elegir la gráfica inapropiada ABRIL 201585
ERRORES A EVITAR V ABRIL 201586
ERRORES A EVITAR VI ABRIL 201587
ERRORES A EVITAR VII • El eje sobre el que lo miramos es muy importante ABRIL 201588 Ejemplo1 Ejemplo2
ERRORES A EVITAR VIII ABRIL 201589 49 51 Ejemplo1 0 100 Ejemplo2
• Añadir decoración innecesaria (non-data pixels) • Utilizar color y saturación excesivamente ERRORES A EVITAR IX ABRIL 201590

Más contenido relacionado

PPTX
Inteligencia de negocios
porjeffersonjsk
 
PDF
Introducción a business intelligence
porJorge Rodriguez
 
PDF
BI Competir con Informacion
porPedro Chavez
 
PPTX
Metodologías Ágiles
porDiego Martí­n Fernández
 
PPTX
Business intelligence uoc alumni
porUOC Alumni
 
PPTX
Inteligencia de negocios - Business Intelligence
porJosé Antonio Sandoval Acosta
 
PDF
Inteligencia de Negocios
porCIMA IT
 
PPT
Inteligencia De Negocios para Dummies
porSorey García
 
Inteligencia de negocios
porjeffersonjsk
 
Introducción a business intelligence
porJorge Rodriguez
 
BI Competir con Informacion
porPedro Chavez
 
Metodologías Ágiles
porDiego Martí­n Fernández
 
Business intelligence uoc alumni
porUOC Alumni
 
Inteligencia de negocios - Business Intelligence
porJosé Antonio Sandoval Acosta
 
Inteligencia de Negocios
porCIMA IT
 
Inteligencia De Negocios para Dummies
porSorey García
 

La actualidad más candente

PDF
Bussiness intelligent
porMariaTeresaRenteriaO
 
PPTX
Ciclo de vida del dato en ambientes de Business Intelligence
porAlex Rayón Jerez
 
PPTX
Presentacion de BI asignacion 5
porsiusma
 
PDF
Tecnologías Aplicadas a Business Intelligence - Clase1 - 2012
porPaola Amadeo
 
DOCX
Investigación
porVictoriaPilco
 
PPTX
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
porDANIEL VENTURA
 
PPT
Inteligencia de Negocios presentacion
porJuan Carlos Gutierrez Izquierdo
 
PPTX
Business intelligence diapositivas
porHector Gabriel Gonzalez Silva
 
PPT
Introduccion inteligencia negocios | business intelligence
porJose Luis Bugarin Peche
 
PPTX
BUSSINESS INTELLIGENT
porMirian Janeth Paquirachin Garcia
 
PPTX
Inteligencia de negocios
porEmmanuel Peña
 
PPTX
¿Cómo implementar con éxito una solución de BI?
porDaniel Chavez Flores
 
PDF
Fundamentos de BI
porJOSE AHIAS LOPEZ PORTILLO
 
PPTX
Business intelligence
porYamily96
 
PPTX
Casos prácticos en la vida de un profesional del BI
porUOC Sede de Madrid
 
DOCX
Casos practicos
porAlbert Jhonatan Guerrero Jimenez
 
PPT
Inteligancia de negocios
porEdgar Barrios
 
PDF
Inteligencia de negocios la informacin como factor crtico de exito
porMaurice Frayssinet
 
PDF
Inteligencia De Negocios Para La Competitividad Management Summit & Exp...
porhfrancob
 
PPTX
¿Business Intelligence?
porBeverly Alejandra Pérez
 
Bussiness intelligent
porMariaTeresaRenteriaO
 
Ciclo de vida del dato en ambientes de Business Intelligence
porAlex Rayón Jerez
 
Presentacion de BI asignacion 5
porsiusma
 
Tecnologías Aplicadas a Business Intelligence - Clase1 - 2012
porPaola Amadeo
 
Investigación
porVictoriaPilco
 
Implementación de inteligencia de Negocios paso a paso (Business Intelligence)
porDANIEL VENTURA
 
Inteligencia de Negocios presentacion
porJuan Carlos Gutierrez Izquierdo
 
Business intelligence diapositivas
porHector Gabriel Gonzalez Silva
 
Introduccion inteligencia negocios | business intelligence
porJose Luis Bugarin Peche
 
BUSSINESS INTELLIGENT
porMirian Janeth Paquirachin Garcia
 
Inteligencia de negocios
porEmmanuel Peña
 
¿Cómo implementar con éxito una solución de BI?
porDaniel Chavez Flores
 
Fundamentos de BI
porJOSE AHIAS LOPEZ PORTILLO
 
Business intelligence
porYamily96
 
Casos prácticos en la vida de un profesional del BI
porUOC Sede de Madrid
 
Casos practicos
porAlbert Jhonatan Guerrero Jimenez
 
Inteligancia de negocios
porEdgar Barrios
 
Inteligencia de negocios la informacin como factor crtico de exito
porMaurice Frayssinet
 
Inteligencia De Negocios Para La Competitividad Management Summit & Exp...
porhfrancob
 
¿Business Intelligence?
porBeverly Alejandra Pérez
 

Similar a Introducción Business Intelligence

PDF
Presentacion de bi como busines inteligence
porbetaxavier97
 
PPTX
Seminario BI CLEFormación
porCLEFormación
 
DOC
Balota la inteligencia de negocios como estrategia en la organizacion (tesis)
porJC Alca Arequi
 
PPTX
Inteligencia_de_negocios de Sesion01.pptx
porastoperezhector
 
PDF
Business intelligence-ibermatica
poreboadaspsm
 
PPTX
CLASE I - Business Intelligence (Fundamentos)
porFabio Pinto Oviedo
 
PDF
Oracle bI(inteligencia de negocios)
porEduardo Lazo Cisneros
 
PPT
Introducción al Datawarehousing
porBig Data Colombia
 
PDF
SESIÓN 13 IM.pdf..INTELIGENCIA DE MERCADO
porSaritaOteroRuiz
 
PDF
Presentación unidad V Inteligencia de Negocios.pdf
porl21450317
 
PPTX
La inteligencia de negocio en los diferentes departamentos
pordeysiyarilka
 
DOCX
Inteligencia de negocios
porMiriam Cardenas Rodriguez
 
PPTX
Presentación semana académica unam big data abril 2015
porPeter Kroll
 
DOCX
Actividad 1
porDayana Villanueva
 
PPTX
Businnes intelligence
porSebastiana Velazquez Alejandro
 
PPTX
Business intelligence
porBryan
 
PPTX
Bi (Negocios Inteligentes)
porSebass Osorio
 
PPTX
Business intelligence (bi) y big data0
porPedro Contreras Flores
 
PDF
Architect Forum Bi
porJuan Pablo
 
PPTX
Business intelligence
porEmilio Rodríguez García
 
Presentacion de bi como busines inteligence
porbetaxavier97
 
Seminario BI CLEFormación
porCLEFormación
 
Balota la inteligencia de negocios como estrategia en la organizacion (tesis)
porJC Alca Arequi
 
Inteligencia_de_negocios de Sesion01.pptx
porastoperezhector
 
Business intelligence-ibermatica
poreboadaspsm
 
CLASE I - Business Intelligence (Fundamentos)
porFabio Pinto Oviedo
 
Oracle bI(inteligencia de negocios)
porEduardo Lazo Cisneros
 
Introducción al Datawarehousing
porBig Data Colombia
 
SESIÓN 13 IM.pdf..INTELIGENCIA DE MERCADO
porSaritaOteroRuiz
 
Presentación unidad V Inteligencia de Negocios.pdf
porl21450317
 
La inteligencia de negocio en los diferentes departamentos
pordeysiyarilka
 
Inteligencia de negocios
porMiriam Cardenas Rodriguez
 
Presentación semana académica unam big data abril 2015
porPeter Kroll
 
Actividad 1
porDayana Villanueva
 
Businnes intelligence
porSebastiana Velazquez Alejandro
 
Business intelligence
porBryan
 
Bi (Negocios Inteligentes)
porSebass Osorio
 
Business intelligence (bi) y big data0
porPedro Contreras Flores
 
Architect Forum Bi
porJuan Pablo
 
Business intelligence
porEmilio Rodríguez García
 

Último

PDF
Las familias africanas más ricas por PPA a nivel global (2026).pdf
porJC Díaz Herrera
 
PPT
CLASE 1. INTRODUCCIÓN dissssssssfruten.ppt
porITALOTORRES21
 
PPTX
Exposición FRUTOS ROJOS BOYACA, presentac
porIvanGomez925724
 
PDF
Principales potencias geopolíticas de América Latina (1819-2026).pdf
porJC Díaz Herrera
 
PPTX
UNIDAD II-Contabilidad Intermedia II.pptx
porguevaraaguilaroliver
 
PDF
Ingreso familiar por etnias a ppa (1960-2040).pdf
porJC Díaz Herrera
 
PDF
ESTADISTICA HIDROCARBURIFERA ENE-DIC BOLIVIA.pdf
porCarlosDelgadoMiranda
 
PDF
Portafolio de servicios freelance en TIC
porDiego M. Ramírez
 
PDF
Impacto económico de la música en directo de la Comunitat Valenciana 2024
porIvie
 
PDF
Bautismo de los Barrios, Montevideanos, por parte de Piria y Pittamiglio
porPablo Raúl AGESTA TOLEDO
 
Las familias africanas más ricas por PPA a nivel global (2026).pdf
porJC Díaz Herrera
 
CLASE 1. INTRODUCCIÓN dissssssssfruten.ppt
porITALOTORRES21
 
Exposición FRUTOS ROJOS BOYACA, presentac
porIvanGomez925724
 
Principales potencias geopolíticas de América Latina (1819-2026).pdf
porJC Díaz Herrera
 
UNIDAD II-Contabilidad Intermedia II.pptx
porguevaraaguilaroliver
 
Ingreso familiar por etnias a ppa (1960-2040).pdf
porJC Díaz Herrera
 
ESTADISTICA HIDROCARBURIFERA ENE-DIC BOLIVIA.pdf
porCarlosDelgadoMiranda
 
Portafolio de servicios freelance en TIC
porDiego M. Ramírez
 
Impacto económico de la música en directo de la Comunitat Valenciana 2024
porIvie
 
Bautismo de los Barrios, Montevideanos, por parte de Piria y Pittamiglio
porPablo Raúl AGESTA TOLEDO
 

Introducción Business Intelligence

  • 2.
    PRESENTACIÓN • Diego MartínFernández • Ingeniero Superior en Informática (UEM) • Dirección y Gestión Estratégica de Proyectos (IE Business School) • Aprendizaje Estadístico y Data Mining (UNED) • Responsable de Business Intelligence • QDQ Media • Grupo EULEN • AGS Group • Contacto: • linkedin.com/in/dmfdez - dmfdez@gmail.com 2 ABRIL 2015
  • 3.
    ÍNDICE • Introducción • BusinessIntelligence • Data Warehouse • Business Analytics • Visualización de Datos 3 ABRIL 2015
  • 4.
    INTRODUCCIÓN Pasado, presente yfuturo del Business Intelligence 4 ABRIL 2015
  • 5.
    HISTORIA DEL BI •El término Business Intelligence fue acuñado por Gartner Group a finales de los 80’s. • Sin embargo, el concepto es mucho más antiguo y sigue evolucionando • 1970’s - MIS reporting - static/periodic reports • 1980’s - Executive Information Systems (EIS) • 1990’s - OLAP, dynamic, multidimensional, ad-hoc reporting • 2010’s - Data/Text/Web Mining; Web-based Portals, Dashboards, Big Data, Social Media, and Visual Analytics • 2020’s - … 5 ABRIL 2015
  • 6.
    ACTUALIDAD • Compañías enmercados hipercompetitivos. • Los clientes son más exigentes, mejor informados y demandan productos personalizados. • Las empresas necesitan conocer mejor al cliente para saber cual es su fuerte y potenciarlo. • Customer Intelligence • Maketing Intelligence • Social Business Intelligence • … 6 ABRIL 2015
  • 7.
    FUTURO • Data Discovery •Real Time Data • Big Data • Social Business Intelligence • Modelado descriptivo, predictivo y prescriptivo 7 ABRIL 2015
  • 8.
    BUSINESS INTELLIGENCE Introducción alBusiness Intelligence, del dato al conocimiento. 8 ABRIL 2015
  • 9.
    DEFINICIÓN • Business intelligence(BI) es un término genérico que incluye las aplicaciones, la infraestructura y herramientas y las mejores prácticas que permitan el acceso y el análisis de la información para mejorar y optimizar las decisiones y rendimiento. 9 ABRIL 2015
  • 10.
    DEL DATO ALCONOCIMIENTO Dato Información Conocimiento 10 ABRIL 2015
  • 11.
    DATO • Hechos objetivosy discretos sobre eventos. • Registros estructurado de operaciones. • Muchos datos pueden hacer difícil identificar y dar sentido a los datos que importan • Los datos sólo describen una parte de lo que ocurre, no proporcionan significado, juicio o interpretación. • Gestión del Dato: • Velocidad, coste y capacidad • Relevancia y claridad • El dato es la fuente de origen para la toma de decisión pero no puede decirnos que hacer. 11 ABRIL 2015
  • 12.
    INFORMACIÓN • Convierte losdatos en útiles para decidir y/o realizar una acción. • La información es definida como datos que son dotados de un sentido y un propósito. • La información nos permite responder a preguntas como: • ¿Quién? • ¿Qué? • ¿Cómo? • ¿Cuándo? • ¿Donde? 12 ABRIL 2015
  • 13.
  • 14.
    CONOCIMIENTO • Finalmente, elconocimiento se define habitualmente como información que ha sido procesada, organizada y estructura de alguna manera o que ha sido aplicada a una acción. • En las organizaciones, a menudo se convierte implícito no sólo en documentos o repositorios sino también en rutinas organizativas, procesos, prácticas y normas. • El conocimiento puede ser visto como • Proceso: aprendizaje organizacional • Stock: conocimiento 14 ABRIL 2015
  • 15.
    ¿PARA QUE NOSSIRVE EL BI? • Impacto de una campaña. • Conocer a nuestros clientes • ¿Cómo y qué compran? • ¿Dónde suelen hacerlo? • ¿A qué horas? • Rendimiento de nuestro proceso de venta. • Rendimiento de nuestro proceso de postventa. • … 15 ABRIL 2015
  • 16.
    TIPO DE PROYECTOS •Sistema MDM (Master Data Management) • Sistema Data Warehouse • Procesos ETL • Construir sistemas OLAP • Diseñar Informes y/o cuadros de mando • Business Analytics • Big Data 16 ABRIL 2015
  • 17.
    ARQUITECTURA “TRADICIONAL” BI ERP Social Otras Excel/CSV CRM ETL Informes Analítica KPI Cuadrosde Mando Data Warehouse RRHH Ventas Marketing Datamarts 17 ABRIL 2015
  • 18.
    COMPONENTES DE UNBI •Un sistema de Business Intelligence tiene 4 componentes principales: • Un Data Warehouse, es un gran repositorio de datos históricos bien organizados. • Business Analytics, es una colección de herramientas para manipular, explotar y analizar los datos del Data Warehouse. • Business Performance Management permite monitorizar, medir y analizar los KPIs definidos. • Un Interfaz de Usuario (e.g., dashboard) , nos permite acceder y trabajar con las herramientas de BI. 18 ABRIL 2015
  • 19.
    INFORMACIÓN EN UNAORGANIZACIÓN 19 ABRIL 2015
  • 20.
    BUSINESS INTELLIGENCE VSBIG DATA Business Intelligence Big Data Información Conocida Preguntas que no puedes responder Preguntas que puedes responder Información Desconocida 20 ABRIL 2015
  • 21.
    BIG DATA • BigData es la información de gran volumen, de alta velocidad y/o de gran variedad que exige formas rentables e innovadoras de procesamiento de la información para mejorar la comprensión y la toma de decisiones. 21 ABRIL 2015
  • 22.
    3 4 5V’S DEL BIG DATA Big Data Volumen Velocida d Valor Veracida d Variedad 22 ABRIL 2015
  • 23.
  • 24.
    BENEFICIOS DEL BUSINESS INTELLIGENCE •Mejorar los procesos de gestión • planificación, control, medición y / o cambiar lo que resulta en un aumento de los ingresos y reducción de costos. • Mejorar los procesos operativos • la detección de fraudes, procesamiento de pedidos, compras .. resultando en mayores ingresos y menores costos. • Predecir el Futuro 24 ABRIL 2015
  • 25.
    ¿POR DONDE EMPEZAMOS? •Analizar nuestras fuentes de datos: • CRM (Customer Relationship Management): • Cliente • Productos • Campañas • Actividades • ERP (Enterprise Resource Planning) • Facturación • Costes • … 25 ABRIL 2015
  • 26.
  • 27.
    ESQUEMA CRM TÍPICO ABRIL201527 Clientes Oferta Contrato Actividad CampañaProductos
  • 28.
    DATA WAREHOUSE Introducción aData Warehouse y procesos ETL 28 ABRIL 2015
  • 29.
    DEFINICIÓN • Un DataWarehouse es un sistema de almacenamiento diseñado para contener los datos extraidos en los sistemas transaccionales, de los sistemas operativos y de fuentes externas. • Un Data Mart contiene datos similares en el tiempo y temática, es decir, son subconjuntos de un Data Warehouse de un área específica del negocio para ayudarle a la toma de decisiones. 29 ABRIL 2015
  • 30.
    BILL INMON • BillInmon define un data warehouse en términos de las características del repositorio de datos: • Orientado a temas.- Los datos en la base de datos están organizados de manera que todos los elementos de datos relativos al mismo evento u objeto del mundo real queden unidos entre sí. • Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo quedan registrados para que los informes que se puedan generar reflejen esas variaciones. • No volátil.- La información no se modifica ni se elimina, una vez almacenado un dato, éste se convierte en información de sólo lectura, y se mantiene para futuras consultas. • Integrado.- La base de datos contiene los datos de todos los sistemas operacionales de la organización, y dichos datos deben ser consistentes. 30 ABRIL 2015
  • 31.
  • 32.
    RALPH KIMBALL • RalphKimball define un almacén de datos como: "una copia de las transacciones de datos específicamente estructurada para la consulta y el análisis”. 32 ABRIL 2015
  • 33.
  • 34.
    INMON VS KIMBALL •Es muy difícil de decantarse por uno por otro. • En los proyectos de BI típicos, normalmente se empieza por el modelo de Kimball creando Datamarts de los departamentos debido a presupuestos ajustados, desconfianza o como punto de entrada. • A medida que una organización crece en BI, lo mejor sería pasar a Immon para ahorrar mantenimiento de etl, crear un repositorio único, etc… 34 ABRIL 2015
  • 35.
    MODELADO: ESQUEMA ENESTRELLA (OLAP) • Se compone: • Dimensiones • Hechos • OLAP (On-Line Analytical Processing) Ventas Producto Tiempo Cliente Tienda 35 ABRIL 2015
  • 36.
    HECHOS • ¿Qué queremosmedir? • Euros, unidades, coste, litros, kilos… • Normalmente se almacenan datos agregados. • Esto no es una copia de nuestros sistemas es para analizar!! • La granuladidad de las medidas es crítica, siempre hay que pensar el nivel más detallado que queremos analizar 36 ABRIL 2015
  • 37.
    SELECCIÓN DE MEDIDAS Imagende Gerd Leonard 37 ABRIL 2015
  • 38.
    DIMENSIÓN • ¿Qué queremosanalizar? • Tiempo, Tienda, Producto, Cliente, … • Contienen los descriptores de los hechos • Pueden ser jerarquías Tiempo Año Mes Día Tienda País Provincia Tienda 38 ABRIL 2015
  • 39.
    EJERCICIO • Identificar Dimensiones(Jerarquías) y Hechos Datos Empresa/Profesional, etc Cliente Fecha Pedido Nº Factura Vendedor Vendedor 1 Cliente 1 12/12/2015 10:10 465132 Tienda Tienda Madrid Código artículo Artículo/Concepto/Descripción/etc. Unidades Precio Unidad Descuento Descuento total Total % A001 Grupo A: Descripción producto A001 4 1.000,00 8,00% 80 3920 A002 Grupo A: Descripción producto A002 2 1.500,00 5,00% 75 2925 A003 Grupo A: Descripción producto A003 3 2.000,00 4,80% 96 5904 B001 Grupo B: Descripción producto B001 3 3.000,00 4,40% 132 8868 B002 Grupo B: Descripción producto B002 2 4.000,00 4,00% 160 7840 C001 Grupo C: Descripción producto C001 3 4.500,00 3,80% 171 13329 Total Bruto 42.786,00 I.V.A. % 21% 8.985,06 Suma total 51.771,06 € 39 ABRIL 2015
  • 40.
    KEY PERFORMANCE INDICATOR •KPI o Indicador Clave de Desempeño • Son medidas financieras o no financieras • Identificar las necesidades de información y luego diseñar los indicadores más apropiados para evaluar el desempeño • S.M.A.R.T. • eSpecíficos • Medibles • Alcanzables • Relevantes • Temporales ABRIL 201540
  • 41.
    TIPOS DE HECHOS •Transacción • Un evento que ha ocurrido en un instante de tiempo, una fila por ocurrencia • Una compra, venta, una velocidad, temperatura • Periodic Snapshot • Se toma una fotografía, al final de un periodo de tiempo, multiples filas • Balances, estados de cuenta, inventarios…. • Acumulating SnapShot • Se va modificando el status de una fila a lo largo del tiempo. Múltiples filas. • Suele llevar una marca de tiempo 41 ABRIL 2015
  • 42.
    TIPOS DE DIMENSIONES(I) • SCD. Slowly Changing Dimensions • Tipo 1, se sobreescriben los valores. • Tipo 2, se incluye una nueva línea. • Tipo 3, se incluye una columna para conservar el valor original o anterior. • Tipo 4, la dimensión sería tipo 1 pero se tabla una tabla con el histórico. • Tipo 6, combinación de los tipos 1, 2 y 3. 42 ABRIL 2015
  • 43.
    TIPOS DE DIMENSIONES(II) • Esquema Copo de Nieve (Snowflake) • Se normalizan las dimensiones para extraer los atributos redundantes a una nueva tabla. Tienda País Provincia TiendaHecho Tienda Tienda Hecho Provincia Provincia País País 43 ABRIL 2015
  • 44.
    TIPOS DE DIMENSIONES(III) • Dimensión degenerada • Cada fila en la tabla de hechos es un “documento” • Número de factura, de orden, etc.. • Parent – Child Dimensions • Manejar dimensiones recursivas que tienen profundidad variable • Dimension Role-Playing • Una misma dimensión aparece varias veces en la misma tabla de hechos. • Junk Dimensions • Flags e indicadores de baja cardinalidad • En la tabla de hechos aumentaría mucho la granularidad. • Se combinan en una dimensión. 44 ABRIL 2015
  • 45.
    OPERACIONES TÍPICAS ENOLAP • Roll up (drill-up): resumir los datos • Subiendo por la jerarquía o por reducción de dimensiones. • Drill down (roll down): Inverso al roll-up • Desde los niveles superior a los de más detalle o introducciendo unas nuevas dimensiones. • Slice and dice • Seleccionar. Y proyectar. • Pivot (rotate) • Reorientar el cubo. • Otras operaciones: • drill across: involucrar más de un cubo a través de una medida en común. • drill through: ver el detalle en las tablas. 45 ABRIL 2015
  • 46.
    MODELADO: ACTIVE DATAWAREHOUSE (OLTP) • Active Data Warehousing es otro tipo de modelo de nuestro Data Warehouse en este caso lo que nos basamos en la captura de las transacciones cuando estas ocurren y las integramos en nuestro Data Warehouse. Esto nos proporcionada las posibilidad de automatizar tareas rutinarias y decisiones. 46 ABRIL 2015
  • 47.
    DIFERENCIAS ENTRE OLTPVS OLAP Sistemas OLTP Sistemas OLAP Objetivo Garantizar la consistencia de los datos. Consolidar los datos ya validados y adecuados a las necesidades para la toma de decisiones. Orientación Orientado a la aplicación, hace cumplir las reglas del negocio. Orientado al sujeto, se define en base a lo que el analista necesita ver. Vigencia de los datos Los datos se usan a medida que se van produciendo y dejan de ser importantes a corto plazo. Se guardan los datos actuales y los históricos para poder realizar análisis comparativos. Granularidad de datos Es dada por controles definidos por la organización, así como por normas legales importantes. Estará dado por el tipo de análisis que se requiera analizar. Organización Es normalizado. Se basa en estructuras jerárquicas desnormalizadas modeladas de acuerdo a como se analizaran los datos. ABRIL 201547
  • 48.
    INTEGRACIÓN DE DATOS •Procesos ETL (Extract, Transform & Load): • Extraer datos de múltiples fuentes • Transformar los datos • Comprobamos la calidad del dato. • Limpiamos y/o normalizamos los datos. • Unificamos conceptos. • Cargar los datos en un DW 48 ABRIL 2015
  • 49.
    CREAR UN MODELODE BI ABRIL 201549 Clientes Oferta Contrato Actividad CampañaProductos
  • 50.
  • 51.
    DEFINICIÓN • Business analyticsse compone de las soluciones utilizadas para construir los modelos de análisis y simulaciones para crear escenarios, entender las realidades y predecir los estados futuros. Business analytics incluye la minería de datos, análisis predictivo, análisis aplicadas y las estadísticas, y se entrega como una aplicación adecuada para un usuario de negocios. Estas soluciones de análisis a menudo vienen con las industrias de contenido creado previamente que se dirige a un proceso de negocio de la industria (por ejemplo, los reclamos, suscripción o un requisito reglamentario específico). 51 ABRIL 2015
  • 52.
    MODELOS DESCRIPTIVOS VS PREDICTIVOS •Modelos descriptivos • Dado un conjunto de variables sobre unos datos de una empresa, pretendemos buscar en ellos características relevantes o segmentar los datos en grupos • Modelos predictivos • Dado un conjunto de variables sobre unos datos, pretendemos aquí predecir una variable especial que depende de alguna del conjunto de datos inicial. El objetivo es “aprender” un modelo que nos permita adivinar la etiqueta a partir de las relaciones encontradas en el pasado. 52 ABRIL 2015
  • 53.
    ¿QUÉ ES DATAMINING? •Data mining • Descubrimiento de Conocimiento desde los Datos • Extracción de patrones triviales o no triviales, desconocidos y potencialemente útiles de una gran cantidad de datos. •Otros nombres • Knowledge discovery in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, etc. ABRIL 201553
  • 54.
    FUNCIONALIDADES I • Descripciónconcepto multidimensional: Caracterización y la discriminación • Generalizada, resumir y características de los datos de contraste • Patrones frecuentes, asociación, correlación vs. casualidad. • Pañal  Beer [0,5%, 75%], Educación  Ingresos • La clasificación y predicción • Construir modelos que describen y distinguir clases o conceptos para la futura predicción • Por ejemplo: • clasificar a los países sobre la base de (economía), automóviles basado en (rendimiento de la gasolina), noticias de internet (Google News), producto (Amazon) • Predecir el precio de las acciones, atasco de tráfico ABRIL 201554
  • 55.
    FUNCIONALIDADES II • Elanálisis de agrupaciones • Maximizar similitud del grupo y minimizando similitud entre grupos • Ánálisis de valores atípicos (Outlier) • Objeto de datos que no cumpla con el comportamiento general de los datos: valores atípicos • ¿Ruido o excepción? Útil en la detección del fraude, el análisis de eventos raros • El análisis de tendencias y la evolución • Tendencia y desviación: las encuestas políticas. • Minería de secuencias: la minería de vídeo -> identificar objetos • Análisis Periodicidad: el cambio climático • Basado en el análisis de similaridad ABRIL 201555
  • 56.
    EJEMPO: ANÁLISIS DELMERCADO I • ¿De dónde sacamos los datos? • Tarjeta de crédito, tarjetas de fidelización, cupones de descuento, queja de un cliente llama, además de estudios publicos sociodemográficos. • Público Objetivo • Encuentra grupos de clientes "modelo" que comparten las mismas características: el interés, nivel de ingresos, hábitos de consumo, etc. • Determinar los patrones de compra de los clientes a través del tiempo • Venta cruzada • Buscar asociaciones entre las ventas de productos y predicen basa en dicha asociación ABRIL 201556
  • 57.
    EJEMPO: ANÁLISIS DELMERCADO II • Perfil del Cliente • ¿Qué tipo de clientes compra qué tipo de productos? • Análisis de las necesidades del cliente • Identificar los mejores productos para los diferentes grupos de clientes • Predecir qué factores van a atraer nuevos clientes • Provisión de información resumida • Informes resumidos multidimensionales • Resumen estadístico de información (datos de tendencia central y de variación) ABRIL 201557
  • 58.
  • 59.
    ÁRBOLES DE DECISIÓNI • Son modelos estadísticos en los que interesa explicar una variable dependiente cualitativa (en nuestro caso binaria) en función de varias variables explicativas. • Consiste en clasificar a los individuos en grupos de comportamiento diferente discriminando por las variables de entrada. • Es una técnica de modelización supervisada. • Beneficios: • Su principal virtud es que son entendibles y explicables. • Buena capacidad predictiva con variables categóricas. • Alta flexibilidad • Muy fáciles de implementar, mantener y revisar. ABRIL 201559
  • 60.
    ÁRBOLES DE DECISIÓNII ABRIL 201560
  • 61.
    CLÚSTER (SEGMENTACIÓN) I •Se utiliza para la identificación automática de las agrupaciones naturales de las cosas • Parte de la familia de aprendizaje de máquinas • Emplear aprendizaje no supervisado • También conocida como la segmentación ABRIL 201561
  • 62.
  • 63.
    CLÚSTER (SEGMENTACIÓN) III •Puedenser utilizados para • Identificar agrupaciones naturales de clientes. • Identificar las normas para la asignación de nuevos casos a su grupo. • Proporcionar caracterización, definición, etiquetado de las poblaciones. • Disminuir el tamaño y la complejidad de los problemas. • Identificar los valores atípicos en un dominio específico. 63 ABRIL 2015
  • 64.
    SOCIAL MEDIA • Experienciapersonal y opiniones sobre cualquier cosa en revistas, foros, blogs, twitter. • Publicaciones en redes sociales, Facebook. • Comentarios sobre artículos, temas, tópicos, críticas. • Se convierte en la VOZ DEL CLIENTE: • Nos propociona información útil del feedback del cliente. • Está disponible y suele ser gratuita. • Este análisis es muy parecido al que nos puede proporcionar los investigadores de mercado pero este es a tiempo real. 64 ABRIL 2015
  • 65.
    ANÁLISIS DEL SENTIMIENTO •Sentimiento • Un pensamiento, una vista o actitud, especialmente uno basado principalmente en la emoción en lugar de la razón • Análisis del Sentimiento • Opinion Mining • Se usan técnicas de procesamiento del lenguaje natural (NLP) y técnicas computacionales para automatizar la extracción y clasificación de sentimiento de texto normalmente no estructurada 65 ABRIL 2015
  • 66.
    ANÁLISIS DEL SENTIMIENTO •¿Cómo interpretar las características para la detección de emociones? • Bolsa de palabras (IR) • Léxicos anotados (WordNet, SentiWordNet) • Patrones sintácticos • ¿Qué características usar? • Palabras (n gramos) • Frases / n-gramas • Sentencias 66 ABRIL 2015
  • 67.
  • 68.
    •Cuadros de Mando •Lanecesidad de ejecutar, controlar y gestionar los procesos de una organización genera y consume cantidades ingentes de datos, eso lleva a la creación de sistemas de toma de decisiones con reporting, pivots, métricas, índices,… •No todo el mundo debe usar todos y cada uno de los elementos. Al menos no todo el tiempo. •Los CdM son una representación simplificada de un conjunto de indicadores que nos dan una idea de cómo se está comportando un área o un proceso de nuestra empresa VISUALIZACIÓN DE DATOS 68 ABRIL 2015
  • 69.
    • Existen muchostipos de clasificación. • ¿Cuándo se usan unos u otros? Soportados por un modelo teórico • BSC • EFQM Referentes a conceptos de la organización • KPI vs. KGI •Se pueden dividir en operacionales, tácticos y estratégicos CLASIFICACIÓN 69 ABRIL 2015
  • 70.
    •EFQM •Fundación europea parael control de calidad •El uso principal del modelo es la autoevaluación , de la que se obtiene un conjunto de puntos fuertes y otro de áreas susceptibles de mejora . •Se construye un plan de acción tendente a mantener resultados y realizar las mejoras correspondientes •La EFQM concede anualmente el Premio Europeo a la Excelencia EFQM 70 ABRIL 2015
  • 71.
  • 72.
    BALANCED SCORECARD I •La medición del rendimiento y la metodología de gestión que ayuda a traducir las finanzas, los clientes, los procesos internos y los objetivos de aprendizaje y crecimiento en un conjunto de iniciativas viables • "The Balanced Scorecard: Measures That Drive Performance” (HBR, 1992) 72 ABRIL 2015
  • 73.
    BALANCED SCORECARD II •Perspectivas: • Financiera • Basados en la contabilidad de la empresa. • Ej: Rentabilidad, margen operativo, facturación, … • Cliente • Los KPIs dependerán del tipo de actividad de la empresa pero basados principalmente en entrevistas y encuestas • Ej: Grado de Satisfacción, % Reclamaciones, Interacciones, Tiempos de servicio, Calidad del servicio, … • Procesos • Operaciones, gestión de clientes, RSC, … • Ej: tiempo medio, calidad, coste, captación de clientes, … • Innovación • Mejoras, crear valor e innovar • Ej: time-to-market, ciclo de vida de productos, desarrollo de nuevos productos, … ABRIL 201573
  • 74.
  • 75.
    CDM - OPERACIONALI • Cuadro de mando operacional •De respuesta rápida. •Gráficos y tablas simples •Capacidad de atracción de la atención ante eventos (avisan de errores o anomalías) •Alto nivel de detalle •Proveen un único nivel más de profundidad, que suele enlazar con el operacional (si no ataca a este directamente). Informes tabulares 75 ABRIL 2015
  • 76.
    CDM - OPERACIONALII ABRIL 201576
  • 77.
    CDM – TÁCTICOI •Cuadro de mando táctico •Mas contextualizado, comparativo e histórico •Datos consolidados que no cambian en un periodo de tiempo largo •Visualizaciones mas complejas (perfil mas lato) •Permiten exploración para aclarar las causas (no los detalles) •Suelen enlazar con otros cuadros de mando y OLAP. 77 ABRIL 2015
  • 78.
    CDM – TÁCTICOII ABRIL 201578
  • 79.
    CDM – ESTRATÉGICOI •Cuadro de mando estratégico •Se centran en indicadores de alto nivel que permitan evaluar tendencias •No suelen contener mucha información (ranking, etc…) •Tipos de gráficos muy simples •Los datos se basan en snapshots •No aportan mucha interacción 79 ABRIL 2015
  • 80.
    CDM – ESTRATÉGICOII ABRIL 201580
  • 81.
    • Medida deléxito: Que el cuadro de mando se está utilizando. •responde a la necesidad informacional que se planteaba •es rápido y accesible (usable) •permite hacer inferencia de información (profundidad de análisis) •en mayor o menos medida, es “bonito” ¿QUÉ ES IMPORTANTE? 81 ABRIL 2015
  • 82.
    ERRORES A EVITARI • Exceder los límites de una pantalla • Se tiene que ver todo lo que se necesite ver, de una vez, para que se puedan producir inferencias o descubrir patrones ABRIL 201582
  • 83.
    ERRORES A EVITARII • Descontextualizar la información • La cantidad que se muestra ¿con que se compara?¿es buena o mala? ABRIL 201583
  • 84.
    ERRORES A EVITARIII • Mostrar mucho detalle (o precisión), o mucha variedad. • Elegir medidas no representativas (usuario) ABRIL 201584
  • 85.
    ERRORES A EVITARIV • Elegir la gráfica inapropiada ABRIL 201585
  • 86.
    ERRORES A EVITARV ABRIL 201586
  • 87.
    ERRORES A EVITARVI ABRIL 201587
  • 88.
    ERRORES A EVITARVII • El eje sobre el que lo miramos es muy importante ABRIL 201588 Ejemplo1 Ejemplo2
  • 89.
    ERRORES A EVITARVIII ABRIL 201589 49 51 Ejemplo1 0 100 Ejemplo2
  • 90.
    • Añadir decoracióninnecesaria (non-data pixels) • Utilizar color y saturación excesivamente ERRORES A EVITAR IX ABRIL 201590