Manual bi

Business Intelligence.
MANUAL BI
(INTELIGENCIA DE NEGOCIOS)

CONTENIDO
1. INTELIGENCIA DE NEGOCIOS
2. BASES DE DATOS OPERATIVAS O TRANSACCIONALES
3. ETL
4. CUBOS OLAP
5. MINERÍA DE DATOS

Inteligencia de negocios
La Inteligencia de Negocios (BI) es el proceso de analizar los datos acumulados en la
empresa y extraer un conocimiento de ellos. Se incluyen las bases de datos de
clientes, información de la cadena de suministro, ventas personales y cualquier
actividad de marketing o fuente de información relevante para la empresa. BI apoya a
los tomadores de decisiones con la información correcta, en el momento y lugar
correcto, lo que les permite tomar mejores decisiones de negocios. La información
adecuada en el lugar y momento adecuado incrementa efectividad de cualquier
empresa.
La información es tomada atreves de:
Información generada por los sistemas transaccionales.
Información externa.
Información generada por los departamentos de la empresa
que no corresponden a un sistema transaccional oficial.
Bases de Datos
Estructura de Datos que almacena registros y los movimientos de los sistemas
transaccionales.
Las Bases de Datos pueden estar en Excel, Oracle, SQL, Access, etc. En muchos
casos es necesario generarlas de archivos planos producidos por los sistemas
transaccionales, o se deben crear a partir de cuadros y tablas resumen.
Las bases de datos pueden ser usadas para:
Orientado al Proceso (conocido como OLTP, On-Line
Transactional Processing).
Se hace análisis de los datos en tiempo real sobre la misma
base de datos (conocido como OLAP, On-Line Analytical
Processing).

Sistema de almacén de datos, orientada al análisis (DW)
Extracción
Corresponde a la etapa en la cual los sistemas transaccionales se encargan de la
captura, proceso y generación de la información oficial de la empresa, en donde se
cumple con los requisitos legales de contabilidad, control y demás elementos que se
utilizan para la operación diaria de las organizaciones.
Consolidación
Después del proceso de análisis empresarial y gerencial a profundidad, se realiza la
selección de la información generada por los sistemas transaccionales y las fuentes
externas, para crear la bodega de datos con todos los datos necesarios para poder
realizar los diferentes análisis requeridos por la dirección para la toma de decisiones
que permitan la competitividad de la organización.
Explotación
En ésta etapa es donde se comienzan a aplicar las herramientas existentes para dejar
listos los datos de la bodega en manos de los usuarios, quienes deben estar en
capacidad de empezar a aprovechar y explotar la información ya depurada y filtrada
que hay en la bodega de datos.
En esta etapa tenemos dos tecnologías que nos permiten realizar un proceso de
explotación de los datos, con el fin de poder tomar mejores decisiones soportadas
Visualización
Una vez realizados los procesos de explotación y se han aplicado las herramientas
adecuadas para este proceso, viene una etapa donde lo realizado en la etapa anterior
se puede mejorar al aplicar herramientas que permiten una mejor visualización de
los resultados, y ayudan a conocer lo que está sucediendo de una manera gráfica y
capaz de aprovechar los conceptos de colores y gráficas que facilitan la visualización
de los resultados.

ETL
Extracción-Transformación-Carga
Extracción
Proceso en el cual se extrae los datos de los sistemas.
Transformación
Proceso en el cual se realiza la consistencia de los datos.
Carga
Procedimiento de carga de datos en el objetivo final, suele ser el almacén de datos
(DW).
CUBO (OLAP)
Un cubo OLAP, OnLine Analytical Processing o procesamiento Analítico En Línea,
es una base de datos multidimensional, en la cual el almacenamiento físico de los
datos se realiza en un vector multidimensional. Los cubos OLAP se pueden
considerar como una ampliación de las dos dimensiones de una hoja de cálculo.
Procedimiento para generar un cubo
1. Ingresar a SQL Server y crear una Base de Datos (Modelo estrella generado).

2. Ingresar a SQL Server Bussines Intellingence.
3. Opción nuevo proyecto (Archivo/ nuevo / proyecto).
Creación de Proyecto
4. Seleccionar Bussiness Intelligence Projects.
5. Analysis Services Project, una solución puede tener uno o más proyectos.

a. Nombre Nombre del proyecto, debe recordarse que un proyecto
puede tener varias soluciones.
b. Nombre de la Solución Nombre de la solución a crear.
Guardar Proyecto
6. Escoge ubicación
7. Aceptar.

8. Buscar explorador de Soluciones.
Nota: Obligatorio data source y data source viewes(origen y vista de datos ) ya sea
para realizar un cubo o para aplicar una técnica de minería de datos.

9. Creación de Origen carpeta data source dar click derecho nuevo origen.
10. Next.

Es para vincular por strign de conexión el sql bisness
11. Next.

Muestra que no hay conexión presiona el botón nuevo, abrirá la ventana de
Connection Manager.
Para vínculo de datos:
12. Seleccionar el controlador en este caso sql navigate cliente.
13. Seleccionar el Nombre de Servidor donde estamos ubicados
14. Seleccionar Conexión con el servidor en la opción Utilizar autenticación de
Windows.
15. Establecer conexión con una Base de datos buscar la BD con la que
utilizaremos para la creación del cubo.

Se puede validar la conexión con el botón test connection
16. Mensaje de confirmación de conexión Presionar OK.
17. Seleccionamos la conexión generada.
18. Presionar Next.

19. Nos presenta una ventana donde se procede a seleccionar Default, de esta
manera usara la autenticación de Windows por defecto.

20. Seleccionar Next.

21. Presenta la pantalla del string de conexión.
22. Proceder a nombrar la conexión.

23. Presionar Finish.
De esta manera queda la conexión con la BD lista, pero No tengo acceso a los datos
para esto se creara la vista.

VISTA
1. Click derecho nueva vista.
2. Presionar Next.
3. Seleccionamos la conexión anteriormente creada, en este caso
OrigenSoftware.

4. Presionar Next.
Esta imagen muestra todas las características del origen de datos.

Nota: Para el proceso OLAP debemos escoger lo que vamos a usar por eso no se
toman las vistas que estén generadas en la BD, solo se escogen las tablas de esta
necesarias para el proceso que realizaremos.
Por esto se debe escoger la tabla de hechos y dimensiones, estas las pasaremos a la
columna o campo (Included objects), presionando el botón de envío.
5. Presionamos Next.
6. Le ponemos el nombre a la vista.

7. Presionar Next.
8. Pasa todo e importa el modelo completo de la BD.

Crear el Cubo
1. Damos, click derecho nuevo cubo.
2. Inicia el ayudante para la generación de cubos.

3. Le damos siguiente, y nos muestra la pantalla para llenar los datos

4. Muestra que va a crear el cubo con los datos establecidos en el modelo.
5. Presionar Next.
6. Presenta la vista, debe proceder a escoger la vista generada.

7. Presionar Next.
El ayudante realiza la verificación e informa el proceso que hará.
8. Se presiona Next.

9. Presenta la pantalla donde mostrara cuales son las tablas que ingresaran como
factor y dimensiones para el proceso de generación.
10. Se procede a seleccionar la tabla de dimensión en este caso Tiempo.

11. Seleccionar la pestaña diagrama, de esta manera ver como quedara.
12. Presionar Next para realizar el proceso de relacionar los atributos.

En este caso los atributos principales para el cubo son año y mes.
13. Presionar Next. No muestra las medidas que estarán en la creación del cubo.

Nota: Relaciona los atributos contra la característica del modelo, indica las medidas
asociadas a la tabla de hechos, selecciona las medidas que dejara para el cubo.
14. Presionar Next, esta pantalla muestra como se detecta la jerarquía
15. Presionar Next.
Para visualizar el nivel de detalle jerarquía o granularidad que tendrá el cubo

16. Presionar Next. Se da le nombre al cubo.

17. Presionar Next. Vista preliminar del cubo que medidas dimensiones que
tendrá el cubo como tal.
18. Finalizar
Resalta las tablas, Hechos en el centro y las dimensiones

Podemos observar las Características en el lado izq.

19. Iniciamos la ejecución para que el servidor procese el cubo.
Esta es la presentación del cubo.
Muestra todos los atributos

Para procesar los datos y generar la información que necesitamos procedemos a
Arrastrar detalles que usaremos, dándole la granularidad deseada
Granularidad: Nivel de detalle de la información.

Se combinan las variables

Generación de archivo (exportado)
1. Se conecta los datos
2. Datos de otras fuentes
3. Se conecta al de analissi services

4. Siguiente aparece el cubo
5. Siguiente y finalizar
6. Informe grafico y tabla dinámica

7. Seleccionar propiedades para que actualice el grafico
EJEMPLO:
Modelo en Estrella
Dimensiones y Tabla de Hechos

DIMENSIONES
Region
id_reg int
Descripcion_reg varchar(50)
Tipo_negocio
tipo_neg varchar(50)
Descripcion varchar(50)
Tabla de hechos
Hechos _ venta
Cliente
id_cliente int
nombre varchar(50)
tipo_neg varchar(50)
id_region int
barrio varchar(50)
Proveedor
id_prov int
Descripcion_prov varchar(50)
Tiempo
id_sem int
descripcion varchar(50)
Producto
id_prov int
id_prod int
descripcion_prod varchar(50)

total_productos varchar(50)
id_reg int
id_cliente int
total_venta varchar(50)
id_prov int
id_prod int
id_sem int
Imagen deL modelo

Vista de Datos
Vista Generada
Cubo de Datos
Imagen de CUBO (CUBO estructurA)
(Cuatro imágenes)

IMAGEN DE CUBO (BROWSER)

Presentación de Datos (Excel)
Imagen1 Consulta de ventas por. Municipios
En la imagen anterior se puede observar el índice de ventas para los trimestres del
año 2010, representados en un gráfico de barras. Dicho gráfico presenta las
siguientes tendencias para cada trimestre:
Primer trimestre, el municipio de Andes es el que presenta el mayor indice de
compras al distribuidor en contraposiciòn, el municipio con menor indice de compra
es Cocorná.
Ello puede deberse a que Andes se ha presentado como un municipio centro en la
zona donde se ubica y como tal puede surtir a los municipios cercanos, lo de
Cocorná y Tarso, se puede explicar debido a los diferentes conflictos de orden
público que afectan la solicitud y llegada de los productos.
Segundo trimestre, se puede observar un aumento en las ventas para municipios
como Angelopolis, Betulia, Ciudad Bolivar, Medellín, Montebello, Pueblorico, Santa
Barbara, Támesis, Tarso y Titiribí. Esta alza representantiva nos indica que para el
38% de los municipios de la muestra el segundo trimestre presenta mejor estabilidad

económica para los clientes y pueden acceder en mayor cantidad a solicitar los
productos de la empresa. Podría pensarce para el año siguiente en ofrecer algún tipo
de promoción con el ánimo de involucrar a los municipios restantes ó no saturar
tanto el mercado en el primer trimestre con el ánimo de aumentar las ventas en los
trimestres siguientes.
Tercer trimestre, se observa una altísima caída de las ventas en todos los municipios,
esto puede presentarse debido a falta de información de éste trimestre o factores
externos que afectaron considerablemente las ventas de la empresa.
En las siguientes imágenes (Imagen2, Imagen3), se presenta la misma información
pero con diferentes efectos de color, lo que permite una mejor visualización del
gráfico de barras para la persona que debe tomar las decisiones basado en esta
información.
Imagen 2 Consulta de ventas por municipios
Imagen 3 Consulta de ventas por municipios

Imagen 4 Producto con mayor movimiento total.
De la gran variedad de productos de la empresa que se observan en la Imagen 4, se
puede observar que el producto con más rotación es la “Arveja con Zanahoria en
empaque de 300grs”, juntamente con otros de tipo refrigerado; dejando con un
poco menos de salida los cereales y dulces, quienes a la luz de esta información
podrían ser ofrecidos en algún tipo de combo con el ánimo de lograr mayor
aceptación por parte de los consumidores. Los productos cárnicos no tienen
movimiento significativo.

Como conclusión de este primer informe de ventas por municipio y por producto,
cabe anotar que es necesario un análisis más profundo de la información, solicitando
al grupo de Ingenieros de BI de la empresa, el cruce de otras variables del modelo
que brinde la suficiente información para la toma de deciones de alta gerencia y que
afecten de manera positiva la cadena de provisión, distribución y entrega al usuario
final de los productos.
Conclusión de esta primera entrega, como estudiantes del curso de Bases de Datos
Avanzadas (Inteligencia de Negocios): Los Ingenieros nos vemos cada vez más
involucrados en el proceso de interpretación de la información y no sólo en la
producción de ésta, ya que, con la simple elaboración de gráficos o estadísticos sin
una explicación racional de éstos, se convierten sólo en datos pero no en
información.
No sólo tener la información brinda el poder, saber usarla, adelantarse al futuro,
prever con base en ella los posibles picos y caídas, es lo que hace la diferencia entre
un “Negocio” y un “Negocio Inteligente”.
REGLAS DE ASOCIACIÓN (WEKA)

Verificar valores
REGLAS DE ASOCIACIÓN
START ESTA APRIRORI
MINERÍA DE DATOS

REGALAS DE ASOCIACIÓN
1. Creación de tabla para la herramienta de minería de datos
2. Técnicas minería
3. Crear Origen de datos
4. Crear Vista.
5. Seleccionar Mining Structures.
6. Click derecho nueva estructura de minería

7. Presionar Next.
8. Seleccionar que estructura usara se tomara (Cubo o Modelo relacional) en
esta ocasión es de un Modelo relacional.

9. Presionar next.
La pantalla que continua nos muéstralas diferentes técnicas de minería que se
encuentran en el aplicativo. Tomaremos las Reglas de asociación.
10. Presionar Next.

11. Aparece la vista generada.
12. Presionar Next.
13. Contiene las variables relacionadas

14. Presionar Next.
Nota: Hay técnicas que exigen dos o mas vistas por defecto en asociación dejamos
Case o escenario si esta en español, Nested es anidado vamos a elegir Case.
15. Presionamos Next.
16. Escoger la variable de preedición

El sistema indica atributo principal o calve primaria, la variable de predicción o
dependiente, y las de entrada o independientes edad, y vehiculo.
En estos modelos estadísticos se trabaja con una variable de predicción o múltiples
de entrada, dependiendo de la tendencia o comportamiento. Un modelo que apunte
ha determinado riesgo. Este modelo exige una variable predictora.

17. Presionar Next.
18. Clasificación de tipos de datos o valores.

19. Next.
20. Colocamos nombre a la estructura y nombre al modelo.

21. Damos finalizar
22. Procesaremos el modelo

23. En la parte superior dice rules
24. Esta pantalla nos informa que iniciara el proceso.
25. Presionar el Botón Run.

Presenta la generación del proceso de minería, mostrando los datos.
Presenta las reglas generadas Gráficamente.

EJEMPLO:
Reglas de asociación
1,000 0,301029995663981 Factor = RENDIMIENTOACA, Univeridadtipo = PUBLICA -> Desercion
= ALTA
La deserción alta de estudiantes en la universidad pública es alta gracias al
rendimiento académico
1,000 0,301029995663981 Factor = RENDIMIENTOACA, Tipoestu = SI -> Desercion
= ALTA
La deserción es alta cuando el rendimiento académico es bajo y el estudiante trabaja
1,000 0,301029995663981 Factor = RENDIMIENTOACA, Genero = MASCULINO ->
Desercion = ALTA
La deserción alta se encuentra cuando el rendimiento es bajo y el estudiante es
hombre
1,000 0,209259622308336 Factor = RENDIMIENTOACA, Edad = JOVEN -> Desercion
= ALTA

Se presenta una alta deserción cuando el estudiante es joven y posee unl rendimiento
académico bajo
1,000 0,209259622308336 Factor = RENDIMIENTOACA, Edad = ADULTO ->
Desercion = ALTA
La deserción alta se presenta cuando el estudiante es adulto y su rendimiento
académico es bajo
1,000 0,477121254719662 Univeridadtipo = PUBLICA, Factor = ECONOMIA -> Desercion =
MEDIA
Se presenta una deserción media por la influencia del factor económico y si estudia
en una universidad publica
1,000 0,301029995663981 Factor = RENDIMIENTOACA -> Desercion = ALTA
Uno de los factores que influyen en la deserción alta de estudiantes se debe al
rendimiento académico del mismo
0,750 0,271066772286538 Univeridadtipo = PUBLICA, Tipoestu = SI -> Desercion =
ALTA
Se presenta una alta deserción de estudiantes en la universidad pública si estos son
trabajadores
0,750 0,271066772286538 Tipoestu = SI, Edad = ADULTO -> Desercion = ALTA
Se presenta una deserción alta si el estudiante es empleado y adulto
0,750 0,271066772286538 Tipoestu = SI, Genero = MASCULINO -> Desercion =
ALTA
Se presenta deserción alta en hombres que trabajan
0,750 0,492915521902894 Tipoestu = NO, Factor = ECONOMIA -> Desercion =
MEDIA
Se presenta deserción baja en estudiantes con problemas económicos y que no
trabajan
0,750 0,492915521902894 Univeridadtipo = PUBLICA, Tipoestu = NO -> Desercion =
MEDIA

Se presenta una deserción media en estudiantes de la universidad pública que no
trabajan
0,667 0,176091259055681 Factor = LABORAL, Edad = JOVEN -> Desercion = ALTA
Se presenta una deserción alta de estudiantes jóvenes que laboran
0,667 0,477121254719662 Factor = LABORAL, Edad = ADULTO -> Desercion =
BAJA
Se presenta una deserción baja en estudiantes adultos que laboran
0,625 0,301029995663981 Tipoestu = SI -> Desercion = ALTA
Se presenta una deserción alta en estudiantes que trabajan
Red de dependencias

La red de dependencia muestra la deserción media en el cual influye notoriamente el
factor económico donde el estudiante no trabaja
Se presenta una alta deserción en la universidad donde esta es pública, el estudiante
es hombre, trabaja, adulto y su rendimiento académico es bajo.

CLUSTERING
Con base de datos riesgo colisión BI proyecto nuevo
1. Ubicar BD riesgos colisión en sql.
2. Crear un nuevo proyecto en bussines intelligence.
3. Apuntando a análisis services.
4. Crear el origen.
5. Crear la vista
6. Técnicas de minería de datos o estructura
7. Seleccionar Microsoft Clustering.

8. Next.
9. Seleccionamos la vista.
10. Tomamos las Variables.

Nota: Debe recordarse que puede ser de tipo (Anidado o escenario) por que solo
se necesita una sola estructura para esta técnica. Es igual que al generar las reglas
de asociación.
11. Seleccionar que atributos usaran para esta técnica.

Nota: Esta pantalla muestra la clasificación y tipo de datos Asignados a cada
variable. Discreto medible o finitos y con estos el modelo exige trabajar (discrete).
12. Damos nombre al modelo y la estructura. Presionar Finish

13. La diferencia se ve en el modelo de Clustering, seleccionamos F5 o Flechita

Cada Cluster es un subconjunto de la muestra poblacional que se tomo,
caracterizado por la tendencia

Permite tomar una variable de comportamiento para el análisis específico. Los costler
cambian de color, los que tiene el color más resaltado son los que están asociado a
esta relación.
Closter profiles nos muestra los subgrupos con más detalle.

Variables según la tendencia que maneja
Las características generales del closter muestra las variables la de mas tendencia

Esto muestra la tendencia del vehiculo
Discriminación closter
Muestra cual es el mayor dependiendo de la variable seleccionada.

Manual bi

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (6)

Similar a Manual bi

Similar a Manual bi (20)

Último

Último (20)

Manual bi