Presentación de como montar un Data Wharehouse

Data Warehouse
Data Warehouse
Administración de Bases de Datos
Administración de Bases de Datos
Fernando Bleye
Fernando Bleye
7/5/2003
7/5/2003

Introducción
Introducción
¿Qué es un Sistema de Información de
¿Qué es un Sistema de Información de
Gestión (SIG)?
Gestión (SIG)?
“
“Es el proceso por el cual los datos que son importantes para
Es el proceso por el cual los datos que son importantes para
una empresa son identificados, analizados y recolectados para
una empresa son identificados, analizados y recolectados para
su posterior uso”.
su posterior uso”.
El primer objetivo de un SIG es incrementar la “inteligencia” de
El primer objetivo de un SIG es incrementar la “inteligencia” de
los procesos del negocio
los procesos del negocio (Business Intelligence)
(Business Intelligence).
.
El SIG debe permitir observar el estado del negocio y el
El SIG debe permitir observar el estado del negocio y el
descubrimiento de información.
descubrimiento de información.
En los últimos años ha cambiado la forma de entender los SIG:
En los últimos años ha cambiado la forma de entender los SIG:
Mercados cambiantes y altamente competitivos.
Mercados cambiantes y altamente competitivos.
Las
Las nuevas tecnologías
nuevas tecnologías ofrecen
ofrecen nuevas oportunidades
nuevas oportunidades.
.
Existe deseo de conocer mejor el comportamiento de los clientes.
Existe deseo de conocer mejor el comportamiento de los clientes.
El aumento espectacular del volumen de datos hace evidente la
El aumento espectacular del volumen de datos hace evidente la
necesidad de una infraestructura para la logística de la
necesidad de una infraestructura para la logística de la

Perspectiva histórica de los
Perspectiva histórica de los
Sistemas de Información
Sistemas de Información
Primeros sistemas de información basados en aplicaciones.
Primeros sistemas de información basados en aplicaciones.
Generan ficheros específicos y/o utilizan bases de datos
Generan ficheros específicos y/o utilizan bases de datos
normalmente heterogéneas entre ellas donde almacenan la
normalmente heterogéneas entre ellas donde almacenan la
información.
información.
Diseño marcado por las
Diseño marcado por las necesidades puntuales del día a día
necesidades puntuales del día a día
de diferentes departamentos del negocio.
de diferentes departamentos del negocio.
La integración entre aplicaciones no era un objetivo
La integración entre aplicaciones no era un objetivo.
.
Aunque la tecnología ha mejorado, perdura la falta de
Aunque la tecnología ha mejorado, perdura la falta de
integración, consistencia, coherencia (limitaciones) , sin
integración, consistencia, coherencia (limitaciones) , sin
embargo la demanda de información crece.
embargo la demanda de información crece.
Problema: Las aplicaciones siguen profundamente marcadas
Problema: Las aplicaciones siguen profundamente marcadas
por las primeras consideraciones que dirigieron su desarrollo.
por las primeras consideraciones que dirigieron su desarrollo.
La arquitectura sobre la que se construyeron estas
La arquitectura sobre la que se construyeron estas
aplicaciones (OLTP) no es válida para soportar las necesidades
aplicaciones (OLTP) no es válida para soportar las necesidades
de los sistemas de información de gestión actuales.
de los sistemas de información de gestión actuales.
En estos sistemas la arquitectura de los datos nunca fue un
En estos sistemas la arquitectura de los datos nunca fue un
objetivo del negocio.
objetivo del negocio.

Nacimiento del concepto
Nacimiento del concepto
Data Warehouse
Data Warehouse
La complejidad y dinamismo de la “economía digital” han
La complejidad y dinamismo de la “economía digital” han
situado en un lugar predominante a los gestores, desvelando
situado en un lugar predominante a los gestores, desvelando
las dificultades de acceso a la información de la empresa.
las dificultades de acceso a la información de la empresa.
La calidad y disponibilidad de la información se convierte en
La calidad y disponibilidad de la información se convierte en
un objetivo primordial del negocio.
un objetivo primordial del negocio.
Se apunta como primera solución crear una
Se apunta como primera solución crear una gran base de
gran base de
datos
datos virtual para integrar los datos de las aplicaciones
virtual para integrar los datos de las aplicaciones
existentes, una vez que hayan sido depurados y reconciliadas
existentes, una vez que hayan sido depurados y reconciliadas
sus disparidades.
sus disparidades. Esto posibilitará que los datos sean
Esto posibilitará que los datos sean
utilizados para la gestión
utilizados para la gestión.
.
La solución pasa por separar el procesamiento en dos
La solución pasa por separar el procesamiento en dos
grandes categorías
grandes categorías
Proceso Operacional (OLTP).
Proceso Operacional (OLTP).
Procesamiento para el sistema de soporte de decisiones
Procesamiento para el sistema de soporte de decisiones
(OLAP/DSS/DM).
(OLAP/DSS/DM).
Como consecuencia de lo anterior aparece el concepto de
Como consecuencia de lo anterior aparece el concepto de

Definición Data Warehouse
Definición Data Warehouse
Data Warehousing / Data Warehouse / DW
Data Warehousing / Data Warehouse / DW
(Almacenes de datos)
(Almacenes de datos)
“
“El Data Warehouse es un componente de la arquitectura
El Data Warehouse es un componente de la arquitectura
de sistemas, temático, integrado, no volátil y dependiente
de sistemas, temático, integrado, no volátil y dependiente
del tiempo diseñado para ayudar en la toma de
del tiempo diseñado para ayudar en la toma de
decisiones.”
decisiones.”
[W. H. Inmon (considerado el padre del concepto DW) –
[W. H. Inmon (considerado el padre del concepto DW) –
1992]
1992]
“
“Conjunto de tecnologías de soporte a la toma de
Conjunto de tecnologías de soporte a la toma de
decisión, cuyo objeto es que quien trabaja con los
decisión, cuyo objeto es que quien trabaja con los
conocimientos (ejecutivo, director, analista) pueda tomar
conocimientos (ejecutivo, director, analista) pueda tomar
decisiones de manera más rápida y eficaz.”
decisiones de manera más rápida y eficaz.”
[Chaudhuri y Dayal – 1997]
[Chaudhuri y Dayal – 1997]

Pero…, ¿Qué es un Data Warehouse?
Pero…, ¿Qué es un Data Warehouse?
El DW es un conjunto de tecnologías, NO UN PRODUCTO.
El DW es un conjunto de tecnologías, NO UN PRODUCTO.
Debe construirse, paso a paso.
Debe construirse, paso a paso.
Es una arquitectura que debe construirse de acuerdo a las
Es una arquitectura que debe construirse de acuerdo a las
necesidades y entorno específico del cliente, y debe
necesidades y entorno específico del cliente, y debe
construirse de manera ITERATIVA, para
construirse de manera ITERATIVA, para consolidar y
consolidar y
administrar datos de varias fuentes
administrar datos de varias fuentes con el
con el propósito
propósito de
de
conseguir en un período de tiempo aceptable y gracias a las
conseguir en un período de tiempo aceptable y gracias a las
nuevas capacidades de procesamiento y técnicas analíticas:
nuevas capacidades de procesamiento y técnicas analíticas:
Responder preguntas de negocio (OLAP - Análisis de datos)
Responder preguntas de negocio (OLAP - Análisis de datos)
Ayudar en la toma de decisiones (DSS – EIS)
Ayudar en la toma de decisiones (DSS – EIS)
Descubrir conocimiento (Data Mining - Minería de datos)
Descubrir conocimiento (Data Mining - Minería de datos)
El Data Warehouse es una arquitectura bien definida cuyo
El Data Warehouse es una arquitectura bien definida cuyo
objetivo inicial es satisfacer la demanda de los gestores de
objetivo inicial es satisfacer la demanda de los gestores de
obtener una visión integrada de la empresa y su entorno.
obtener una visión integrada de la empresa y su entorno.

Terminología y definiciones
OLAP (On-Line Analytical Processing o procesamiento analítico on-line)
OLAP (On-Line Analytical Processing o procesamiento analítico on-line)
Se define como análisis rápido de información multidimensional compartida.
Se define como análisis rápido de información multidimensional compartida.
[Richard Creeth, Nigel Pendse]
[Richard Creeth, Nigel Pendse]
Herramientas OLAP (para análisis de datos en DW):
Herramientas OLAP (para análisis de datos en DW):
Frontales para el acceso a los datos del DW (o bases de datos multidimensionales también
Frontales para el acceso a los datos del DW (o bases de datos multidimensionales también
denominadas OLAP) basados en el
denominadas OLAP) basados en el modelo de datos multidimensional.
modelo de datos multidimensional.
DSS (Decision-Support Systems o sistemas de soporte a la toma de decisiones)
DSS (Decision-Support Systems o sistemas de soporte a la toma de decisiones)
EIS (Executive Information Systems o sistemas de información ejecutiva)
EIS (Executive Information Systems o sistemas de información ejecutiva)
Hacen alusión a las herramientas para obtener datos de nivel superior del DW para
Hacen alusión a las herramientas para obtener datos de nivel superior del DW para
la toma de decisiones.
la toma de decisiones.
Herramientas DSS / EIS:
Herramientas DSS / EIS:
Objetivo: apoyar la toma de decisiones mediante la aplicación de modelos matemáticos y
Objetivo: apoyar la toma de decisiones mediante la aplicación de modelos matemáticos y
estadísticos, o de conocimiento específico a un problema particular.
estadísticos, o de conocimiento específico a un problema particular.
Son un sistema integrado de planificación y tratamiento de la información que incorpora la
Son un sistema integrado de planificación y tratamiento de la información que incorpora la
habilidad de consultar los datos del DW en una forma determinada, analizar la información
habilidad de consultar los datos del DW en una forma determinada, analizar la información
obtenida y predecir, en base a unos determinados modelos, el impacto de las futuras
obtenida y predecir, en base a unos determinados modelos, el impacto de las futuras
decisiones antes de llevarlas a la práctica.
decisiones antes de llevarlas a la práctica.
DM (Data Mining o minería de datos)
DM (Data Mining o minería de datos)
Se emplea como parte del proceso de descubrir conocimiento:
Se emplea como parte del proceso de descubrir conocimiento:
Reglas de asociación, Patrones secuenciales, Árboles de clasificación.
Reglas de asociación, Patrones secuenciales, Árboles de clasificación.
Objetivos:
Objetivos:
Predicción, Identificación, Clasificación, Optimización.
Predicción, Identificación, Clasificación, Optimización.

OLTP (On-Line Transaction Processing o procesamiento de
OLTP (On-Line Transaction Processing o procesamiento de
transacciónes on-line)
transacciónes on-line)
Los datos que una empresa utiliza como soporte a los negocios se les
Los datos que una empresa utiliza como soporte a los negocios se les
denomina “operacionales”. Los sistemas usados con el fin de recogerlos
denomina “operacionales”. Los sistemas usados con el fin de recogerlos
u operar con ellos reciben el nombre de OLTP.
u operar con ellos reciben el nombre de OLTP.
Es el procesamiento de datos soportado por las
Es el procesamiento de datos soportado por las bases de datos
bases de datos
tradicionales
tradicionales (también denominadas transaccionales).
(también denominadas transaccionales).
BDs Relacionales (normalmente), Red, Jerárquicas, …
BDs Relacionales (normalmente), Red, Jerárquicas, …
Operaciones de: Añadir, Modificar, Eliminar, Consulta.
Operaciones de: Añadir, Modificar, Eliminar, Consulta.
Optimizado para transacciones que habitualmente sólo abarcan una
Optimizado para transacciones que habitualmente sólo abarcan una
pequeña parte de una base de datos.
pequeña parte de una base de datos.
Orientado a conseguir la máxima eficacia y rapidez en las transacciones
Orientado a conseguir la máxima eficacia y rapidez en las transacciones
(actualizaciones) individuales de los datos, y no a su análisis de forma
(actualizaciones) individuales de los datos, y no a su análisis de forma
agregada.
agregada.
Bases de datos transaccionales (basadas en el modelo de datos ER) no
Bases de datos transaccionales (basadas en el modelo de datos ER) no
pueden ser optimizadas para OLAP, DSS o Minería de Datos.
pueden ser optimizadas para OLAP, DSS o Minería de Datos.

BI (Business Intelligence)
BI (Business Intelligence)
Considerado como una Tecnología de Información
Considerado como una Tecnología de Información
Describe un conjunto de conceptos y métodos diseñados para
Describe un conjunto de conceptos y métodos diseñados para
mejorar la toma de decisiones en los negocios a través del uso de
mejorar la toma de decisiones en los negocios a través del uso de
sistemas basados en hechos. Los sistemas basados en hechos
sistemas basados en hechos. Los sistemas basados en hechos
abarcan:
abarcan:
Sistemas de información ejecutiva - EIS (Executive Information
Sistemas de información ejecutiva - EIS (Executive Information
Systems)
Systems)
Sistemas de soporte a la toma de decisiones - DSS (Decision-Support
Sistemas de soporte a la toma de decisiones - DSS (Decision-Support
Systems)
Systems)
Procesamiento analítico on-line - OLAP (On-Line Analytical Processing)
Procesamiento analítico on-line - OLAP (On-Line Analytical Processing)
Minería de datos - DM (Data Mining)
Minería de datos - DM (Data Mining)
Herramientas de visualización de datos – Data Visualization
Herramientas de visualización de datos – Data Visualization
Sistemas de información Geográfica - Geoghaphic Information Systems
Sistemas de información Geográfica - Geoghaphic Information Systems
[Howard Dresner]
[Howard Dresner]
Es el conjunto de tecnologías que permiten a las empresas utilizar
Es el conjunto de tecnologías que permiten a las empresas utilizar
la información disponible en cualquier parte de la organización
la información disponible en cualquier parte de la organización
para hacer mejores análisis, descubrir nuevas oportunidades y
para hacer mejores análisis, descubrir nuevas oportunidades y
tomar mejores decisiones estratégicas.
tomar mejores decisiones estratégicas.

Metadata
Metadata en un Data Warehouse
en un Data Warehouse
Metadata es la información sobre los datos que se
Metadata es la información sobre los datos que se
introducen, transforman y existen en el DW.
introducen, transforman y existen en el DW. (Datos acerca
(Datos acerca
de los datos)
de los datos)
Metadata normalmente incluye los siguientes elementos:
Metadata normalmente incluye los siguientes elementos:
Las estructuras de datos.
Las estructuras de datos.
Las definiciones del sistema de registro desde el cual se
Las definiciones del sistema de registro desde el cual se
construye el DW.
construye el DW.
Las especificaciones de transformaciones de datos que deben
Las especificaciones de transformaciones de datos que deben
realizarse para la carga de nuevos datos en el DW desde las
realizarse para la carga de nuevos datos en el DW desde las
fuentes de datos.
fuentes de datos.
El modelo de datos del DW.
El modelo de datos del DW.
Información de cuando los nuevos elementos de datos se
Información de cuando los nuevos elementos de datos se
agregan al DW y cuando los elementos de datos antiguos se
agregan al DW y cuando los elementos de datos antiguos se
eliminan o se resumen.
eliminan o se resumen.
Los niveles de sumarización, el método de sumarización y las
Los niveles de sumarización, el método de sumarización y las
tablas de registros de el DW.
tablas de registros de el DW.

Sistemas operacionales (OLTP)
Sistemas operacionales (OLTP) vs
vs
Sistemas analíticos (OLAP, DSS, DM)
Sistemas analíticos (OLAP, DSS, DM)
Sistema Operacional (BD tradicional)
Sistema Operacional (BD tradicional) Sistema Analítico (DW o almacén de datos)
Sistema Analítico (DW o almacén de datos)
Almacena datos actuales
Almacena datos actuales Almacena datos históricos
Almacena datos históricos
(datos tienen clave de tiempo)
(datos tienen clave de tiempo)
Almacena datos de detalle
Almacena datos de detalle Almacena datos de detalle y datos
Almacena datos de detalle y datos
agregados a distintos niveles
agregados a distintos niveles
Los datos son dinámicos (actualizables)
Los datos son dinámicos (actualizables) Los datos son principalmente estáticos
Los datos son principalmente estáticos
Las actualizaciones no suelen estar
Las actualizaciones no suelen estar
programadas
programadas
Las actualizaciones son escasas y
Las actualizaciones son escasas y
programadas, incremental a intervalos
programadas, incremental a intervalos
regulares
regulares
Los procesos (transacciones) son repetitivos
Los procesos (transacciones) son repetitivos Los procesos no son previsibles
Los procesos no son previsibles
Dedicado al procesamiento de
Dedicado al procesamiento de
transacciones
transacciones
Dedicado al análisis de datos
Dedicado al análisis de datos
Orientado a los procesos operativos
Orientado a los procesos operativos Orientado a la obtención de información
Orientado a la obtención de información
Soporta decisiones diarias (corto plazo)
Soporta decisiones diarias (corto plazo) Soporta decisiones estratégicas
Soporta decisiones estratégicas
(medio y largo plazo)
(medio y largo plazo)
Sirve a muchos usuarios
Sirve a muchos usuarios Sirve a técnicos de dirección pocos
Sirve a técnicos de dirección pocos
usuarios
usuarios*
*
Requerimientos de respuesta inmediata
Requerimientos de respuesta inmediata Requerimientos de respuesta no críticos
Requerimientos de respuesta no críticos

Base de Datos operativa
Base de Datos operativa vs
vs
Data Warehouse
Data Warehouse
Una base de datos operativa:
Una base de datos operativa:
Almacena la información de un sector del negocio.
Almacena la información de un sector del negocio.
Se actualiza a medida que llegan datos que deban ser almacenados.
Se actualiza a medida que llegan datos que deban ser almacenados.
Se opera mediante los cuatro mecanismos clásicos “añadir-eliminar-
Se opera mediante los cuatro mecanismos clásicos “añadir-eliminar-
modificar-consulta”.
modificar-consulta”.
Normalmente se orienta hacia la elaboración de informes periódicos.
Normalmente se orienta hacia la elaboración de informes periódicos.
Suele manejar “pequeños” volúmenes de datos.
Suele manejar “pequeños” volúmenes de datos.
Entorno optimizado para muchas transacciones (con gran cantidad de
Entorno optimizado para muchas transacciones (con gran cantidad de
actualizaciones).
actualizaciones).
Sirve de infraestructura al día a día de las funciones de explotación de una
Sirve de infraestructura al día a día de las funciones de explotación de una
empresa.
empresa.
Un Data Warehouse:
Un Data Warehouse:
Almacena información integrada de los distintos sectores del negocio.
Almacena información integrada de los distintos sectores del negocio.
Su actualización se realiza a intervalos regulares (típicamente una al día)
Su actualización se realiza a intervalos regulares (típicamente una al día)
dentro de un proceso controlado, y tras realizar un preprocesado de los
dentro de un proceso controlado, y tras realizar un preprocesado de los
datos que se van a almacenar.
datos que se van a almacenar.
Su orientación es hacia la consulta del estado del negocio y obtención de
Su orientación es hacia la consulta del estado del negocio y obtención de
información para ayuda en la toma de decisiones estratégicas.
información para ayuda en la toma de decisiones estratégicas.
Se ofrece información bajo demanda (análisis mediante el uso de
Se ofrece información bajo demanda (análisis mediante el uso de
herramientas de generación de informes que consultan el data warehouse).
herramientas de generación de informes que consultan el data warehouse).
Refleja el modelo de negocio, frente al modelo de proceso.
Refleja el modelo de negocio, frente al modelo de proceso.

Características de un Data Warehouse
Un DW es normalmente un almacén de datos
Un DW es normalmente un almacén de datos
integrados proveniente de fuentes diversas (datos de
integrados proveniente de fuentes diversas (datos de
“una” empresa o negocio):
“una” empresa o negocio):
Datos externos de ficheros generados por aplicaciones ad hoc.
Datos externos de ficheros generados por aplicaciones ad hoc.
Administración, Contabilidad, Facturación…
Administración, Contabilidad, Facturación…
Datos provenientes de diferentes sistemas de BDs
Datos provenientes de diferentes sistemas de BDs
transaccionales (datos operacionales), que normalmente son
transaccionales (datos operacionales), que normalmente son
heterogéneas.
heterogéneas.
Datos generados por las herramientas de análisis y de
Datos generados por las herramientas de análisis y de
obtención de información y conocimiento a partir de los datos
obtención de información y conocimiento a partir de los datos
originales del DW.
originales del DW.
Los datos almacenados en el DW mantienen series de
Los datos almacenados en el DW mantienen series de
tiempo y de tendencia.
tiempo y de tendencia.
Mayor cantidad de datos históricos que los contenidos
Mayor cantidad de datos históricos que los contenidos
normalmente por las BDs transaccionales.
normalmente por las BDs transaccionales.

Abarcan gran cantidad de datos (suelen ser del orden
Abarcan gran cantidad de datos (suelen ser del orden
de Terabytes).
de Terabytes).
Tienen un orden de magnitud (a veces dos) superior al de las
Tienen un orden de magnitud (a veces dos) superior al de las
bases de datos fuente.
bases de datos fuente.
El volumen de datos es tratado por medio de:
El volumen de datos es tratado por medio de:
Almacenes de datos en grandes empresas
Almacenes de datos en grandes empresas
Son proyectos de gran tamaño que requieren una enorme
Son proyectos de gran tamaño que requieren una enorme
inversión de tiempo y recursos.
inversión de tiempo y recursos.
*
*Almacenes de datos virtuales
Almacenes de datos virtuales
Proporcionan vistas de bases de datos operacionales que se
Proporcionan vistas de bases de datos operacionales que se
materializan para un acceso eficiente.
materializan para un acceso eficiente.
Data marts
Data marts (mercadillos de datos)
(mercadillos de datos)
Tienen generalmente como objetivo un subconjunto de la
Tienen generalmente como objetivo un subconjunto de la
organización de la empresa (por ejemplo un departamento).
organización de la empresa (por ejemplo un departamento).
La tarea más difícil y que más tiempo consume en la
La tarea más difícil y que más tiempo consume en la
construcción de un DW es extraer, transformar y
construcción de un DW es extraer, transformar y
cargar los datos en él.
cargar los datos en él.

Proceso de Extracción, Transformación
Proceso de Extracción, Transformación
y Carga (ETL) de datos en el DW
y Carga (ETL) de datos en el DW
DW
DW
Extracción
Extracción
y Limpiado
y Limpiado
Transformación
Transformación
Fuentes de Datos
Bases de datos
Ficheros
Datos
Preprocesados
Data
Warehouse
OLAP
OLAP
DSS
DSS
DM
DM
Carga
Carga

Modelado de datos:
Modelado de datos:
El modelo de datos Relacional
El modelo de datos Relacional
Ejemplo de Modelo Relacional
Ejemplo de Modelo Relacional 
 Entidad-Relación (ER) de una empresa
Entidad-Relación (ER) de una empresa

Modelo de datos para DW:
El modelo de datos Relacional (KO)
El modelo de datos Relacional (KO)
Situación que se presenta para trabajar en análisis de datos
Situación que se presenta para trabajar en análisis de datos
en el modelo ER:
en el modelo ER:
Legibilidad limitada.
Legibilidad limitada.
Los usuarios finales no son capaces de entender el modelo ER
Los usuarios finales no son capaces de entender el modelo ER
(normalmente no son informáticos). Evidentemente, por tanto,
(normalmente no son informáticos). Evidentemente, por tanto,
no pueden "navegar" por dicho modelo en busca de información.
no pueden "navegar" por dicho modelo en busca de información.
Dificultad para las herramientas de consulta en el acceso a un
Dificultad para las herramientas de consulta en el acceso a un
modelo ER general.
modelo ER general.
A menudo presentan prestaciones mediocres o inaceptables
A menudo presentan prestaciones mediocres o inaceptables
cuando se trabaja en entornos de grandes volúmenes de
cuando se trabaja en entornos de grandes volúmenes de
información (problemas de optimización de consultas)
información (problemas de optimización de consultas)
La utilización de la técnica de modelado ER frustra la recuperación
La utilización de la técnica de modelado ER frustra la recuperación
de información intuitiva y con alto rendimiento (característica
de información intuitiva y con alto rendimiento (característica
deseable de un Data Warehouse).
deseable de un Data Warehouse).
Modelo de datos no apropiado para Almacenes de datos (DW)
Modelo de datos no apropiado para Almacenes de datos (DW)

Modelado de datos:
Modelado de datos:
El modelo de datos multidimensional
Características del Modelo Dimensional (o
Características del Modelo Dimensional (o
Multidimensional)
Multidimensional)
Un modelo dimensional está compuesto de:
Un modelo dimensional está compuesto de:
Una tabla
Una tabla con una clave primaria compuesta,
con una clave primaria compuesta, denominada
denominada
tabla de hechos y un conjunto de tablas más pequeñas
tabla de hechos y un conjunto de tablas más pequeñas
denominadas tablas de dimensiones
denominadas tablas de dimensiones.
.
Cada una de las tablas de dimensión tiene una clave primaria
Cada una de las tablas de dimensión tiene una clave primaria
que corresponde exactamente con uno de los componentes
que corresponde exactamente con uno de los componentes
de la clave compuesta de la tabla de hechos.
de la clave compuesta de la tabla de hechos.
La tabla de hechos, debido a su clave primaria compuesta de
La tabla de hechos, debido a su clave primaria compuesta de
dos o más claves ajenas, siempre expresa una relación 'n' a 'n'.
dos o más claves ajenas, siempre expresa una relación 'n' a 'n'.
Las tablas de hechos, además de sus campos clave, contienen
Las tablas de hechos, además de sus campos clave, contienen
una o más medidas numéricas o "hechos", que se "dan" para
una o más medidas numéricas o "hechos", que se "dan" para
la combinación de las claves que definen cada registro.
la combinación de las claves que definen cada registro.

Modelado de datos:
Modelado de datos:
Características del Modelo Dimensional (o Multidimensional)
Características del Modelo Dimensional (o Multidimensional)
Tiene estructura que asemeja una estrella (o un copo de nieve):
Tiene estructura que asemeja una estrella (o un copo de nieve):
Una gran tabla central o tabla de hechos está conectada con un
Una gran tabla central o tabla de hechos está conectada con un
conjunto de tablas (una por dimensión) dispuestas de manera radial
conjunto de tablas (una por dimensión) dispuestas de manera radial
alrededor de esta tabla central. Recibe a menudo el nombre de "star
alrededor de esta tabla central. Recibe a menudo el nombre de "star
join" o modelado en estrella.
join" o modelado en estrella.
El modelado en estrella es altamente desnormalizado. Con ello se logra
El modelado en estrella es altamente desnormalizado. Con ello se logra
minimizar el número de uniones y, por consiguiente, incrementar el
minimizar el número de uniones y, por consiguiente, incrementar el
rendimiento de las consultas
rendimiento de las consultas
Una variante del modelo en estrella es el modelo en copo de nieve o
Una variante del modelo en estrella es el modelo en copo de nieve o
snowflake. En este modelado se normalizan las dimensiones (más de
snowflake. En este modelado se normalizan las dimensiones (más de
una tabla por dimensión) creando así jerarquías en las mismas y
una tabla por dimensión) creando así jerarquías en las mismas y
conservando lo esencial del modelo en estrella: las tablas de hechos
conservando lo esencial del modelo en estrella: las tablas de hechos
– Permite el empleo de diferentes bases de datos:
Permite el empleo de diferentes bases de datos:
Denominado ROLAP, cuando se aplica el modelo dimensional a una
Denominado ROLAP, cuando se aplica el modelo dimensional a una
base de datos relacional.
base de datos relacional.
Denominado MOLAP, cuando se aplica el modelo dimensional sobre
Denominado MOLAP, cuando se aplica el modelo dimensional sobre
base de datos dimensional.
base de datos dimensional.

Modelado de datos:
Modelado de datos:
Ejemplo de Modelo Dimensional (o Multidimensional)
Ejemplo de Modelo Dimensional (o Multidimensional)

Modelado de datos:
Modelado de datos:
Visualización del Modelo Dimensional mediante representación en cubo
Visualización del Modelo Dimensional mediante representación en cubo

Modelado de datos:
Modelado de datos:
Las herramientas OLAP permiten navegar a través de los
Las herramientas OLAP permiten navegar a través de los
datos almacenados en un modelo de datos dimensional
datos almacenados en un modelo de datos dimensional
para analizarlos dinámicamente desde una perspectiva
para analizarlos dinámicamente desde una perspectiva
multidimensional, es decir, considerando unas variables en
multidimensional, es decir, considerando unas variables en
relación con otras y no de forma independiente entre sí,
relación con otras y no de forma independiente entre sí,
permitiendo enfocar el análisis desde distintos puntos de
permitiendo enfocar el análisis desde distintos puntos de
vista (por ejemplo se podría rotar el cubo de datos anterior
vista (por ejemplo se podría rotar el cubo de datos anterior
para mostrar las ventas por producto a modo de filas). Esta
para mostrar las ventas por producto a modo de filas). Esta
visión multidimensional de los datos puede visualizarse
visión multidimensional de los datos puede visualizarse
como un “cubo de Rubik”, que puede girarse para
como un “cubo de Rubik”, que puede girarse para
examinarlo desde distintos puntos de vista, y del que se
examinarlo desde distintos puntos de vista, y del que se
pueden seleccionar distintas “rodajas” o “cubos”
pueden seleccionar distintas “rodajas” o “cubos”
dependiendo de los aspectos de interés para el análisis.
dependiendo de los aspectos de interés para el análisis.

Situación que se presenta para trabajar en análisis
Situación que se presenta para trabajar en análisis
de los datos en el modelo Dimensional
de los datos en el modelo Dimensional
El modelo de datos es intuitivo.
El modelo de datos es intuitivo.
Es el mismo que manejan habitualmente los usuarios finales:
Es el mismo que manejan habitualmente los usuarios finales:
Ejecutivos, Directivos y Analistas.
Ejecutivos, Directivos y Analistas.
Permite a las herramientas OLAP analizar los datos desde
Permite a las herramientas OLAP analizar los datos desde
una perspectiva multidimensional (una tabla de hechos
una perspectiva multidimensional (una tabla de hechos
puede verse desde la perspectiva de varias tablas de
puede verse desde la perspectiva de varias tablas de
dimensiones – técnica denominada
dimensiones – técnica denominada pivotación
pivotación o
o rotación
rotación).
).
Permite crear fácilmente representaciones jerárquicas:
Permite crear fácilmente representaciones jerárquicas:
Exploración ascendente (roll-up)
Exploración ascendente (roll-up)
Desplaza la jerarquía hacia arriba agrupando en unidades
Desplaza la jerarquía hacia arriba agrupando en unidades
mayores (de grano más grueso) a través de una dimensión (por
mayores (de grano más grueso) a través de una dimensión (por
ejemplo, resumiendo los datos semanales en trimestrales o
ejemplo, resumiendo los datos semanales en trimestrales o
anuales)
anuales)
Exploración descendente (drill-down)
Exploración descendente (drill-down)
Se da una visión más concreta (de grano más fino), por ejemplo,
Se da una visión más concreta (de grano más fino), por ejemplo,
disgregar las ventas por provincias en ciudades, y clasificar los
disgregar las ventas por provincias en ciudades, y clasificar los
productos por tipos o categorías.
productos por tipos o categorías.

Situación que se presenta para trabajar en
Situación que se presenta para trabajar en
análisis de los datos en el modelo
análisis de los datos en el modelo
Dimensional
Dimensional
Las ampliaciones del modelo son sencillas y
Las ampliaciones del modelo son sencillas y
transparentes para las aplicaciones y consultas
transparentes para las aplicaciones y consultas
que ya trabajan con el modelo:
que ya trabajan con el modelo:
Añadir nuevos atributos a la tabla de hechos
Añadir nuevos atributos a la tabla de hechos
Añadir nuevas tablas de dimensiones
Añadir nuevas tablas de dimensiones
Existe un número creciente de utilidades
Existe un número creciente de utilidades
administrativas y aplicaciones que gestionan y
administrativas y aplicaciones que gestionan y
utilizan los agregados (dependientes del modelo
utilizan los agregados (dependientes del modelo
dimensional).
dimensional).
Los agregados son resúmenes de registros (redundantes
Los agregados son resúmenes de registros (redundantes
con la información ya existente en el DW) y son
con la información ya existente en el DW) y son
empleados para mejorar el rendimiento de las consultas.
empleados para mejorar el rendimiento de las consultas.

Pasos para el desarrollo de un DW
Identificar los requerimientos de usuario y delimitar el ámbito
Identificar los requerimientos de usuario y delimitar el ámbito
del proyecto.
del proyecto.
Desarrollar el modelo de datos lógico del DW (modelo de datos
Desarrollar el modelo de datos lógico del DW (modelo de datos
dimensional).
dimensional).
Implementar la arquitectura (seleccionar tecnologías, hardware
Implementar la arquitectura (seleccionar tecnologías, hardware
y software) que constituirá la infraestructura del DW.
y software) que constituirá la infraestructura del DW.
Implementar físicamente el modelo lógico de datos
Implementar físicamente el modelo lógico de datos 
 crear la
crear la
base de datos.
base de datos.
Identificar las fuentes de datos -sistemas operacionales y/o
Identificar las fuentes de datos -sistemas operacionales y/o
externos- del DW.
externos- del DW.
Describir los procesos de conversión necesarios para la
Describir los procesos de conversión necesarios para la
incorporación de los datos origen al DW.
incorporación de los datos origen al DW.

Documentar el metadata del DW.
Documentar el metadata del DW.
Seleccionar y/o desarrollar los programas de extracción,
Seleccionar y/o desarrollar los programas de extracción,
limpieza, conversión e integración de los datos fuente.
limpieza, conversión e integración de los datos fuente.
Cargar la base de datos del DW con los programas anteriores.
Cargar la base de datos del DW con los programas anteriores.
Verificar con el usuario final la calidad de los datos,
Verificar con el usuario final la calidad de los datos,
disponibilidad y rendimiento.
disponibilidad y rendimiento.
El siguiente paso “debería” ser reconstruir de forma
El siguiente paso “debería” ser reconstruir de forma
incremental
incremental (iteraciones), las entradas al sistema de
(iteraciones), las entradas al sistema de
procesamiento para establecer un entorno bien definido que
procesamiento para establecer un entorno bien definido que
permita las cargas automáticas de datos, y a lo largo del
permita las cargas automáticas de datos, y a lo largo del
tiempo, eliminar completamente todas las aplicaciones viejas,
tiempo, eliminar completamente todas las aplicaciones viejas,
desintegradas y con problemas de mantenimiento.
desintegradas y con problemas de mantenimiento.

Software en un Data Warehouse
Bases de datos usadas para data warehouse
Bases de datos usadas para data warehouse
PRODUCTO (EMPRESA DISTRIBUIDORA)
Adabas D (Software AG)
Adabas D (Software AG)
Advanced Pick (Pick Systems)
Advanced Pick (Pick Systems)
DB2 (IBM)
DB2 (IBM)
Fast-Count DBMS (MegaPlex Software)
Fast-Count DBMS (MegaPlex Software)
HOPS (HOPS International)
HOPS (HOPS International)
Microsoft SQL Server (Microsoft)
Microsoft SQL Server (Microsoft)
Model 204 (Computer Corporation of America)
Model 204 (Computer Corporation of America)
NonStop SQL (Tandem)
NonStop SQL (Tandem)
Nucleus Server (Sand Technology Systems)
Nucleus Server (Sand Technology Systems)
OnLine Dynamic Server (Informix)
OnLine Dynamic Server (Informix)
Extended Parallel Server (Informix)
Extended Parallel Server (Informix)
OpenIngres (Computer Associates)
OpenIngres (Computer Associates)
Oracle Server (Oracle)
Oracle Server (Oracle)
Rdb (Oracle)
Rdb (Oracle)
Red Brick Warehouse (Red Brick Systems)
Red Brick Warehouse (Red Brick Systems)
SAS System (SAS)
SAS System (SAS)
Sybase IQ (Sybase)
Sybase IQ (Sybase)
Sybase SQL Server, SQL Server MPP (Sybase)
Sybase SQL Server, SQL Server MPP (Sybase)
SymfoWARE (Fujitsu)
SymfoWARE (Fujitsu)
Teradata DBS (NCR)
Teradata DBS (NCR)
THOR (Hitachi)
THOR (Hitachi)
Time Machine (Data Management
Time Machine (Data Management
Technologies, Inc.)
Technologies, Inc.)
Titanium (Micro Data Base Systems, Inc.)
Titanium (Micro Data Base Systems, Inc.)
Unidata,Unidata (Inc.)
Unidata,Unidata (Inc.)
UniVerse (VMARK)
UniVerse (VMARK)
Vision (Innovative Systems Techniques, Inc.)
Vision (Innovative Systems Techniques, Inc.)
WX9000 (White Cross Systems, Inc.)
WX9000 (White Cross Systems, Inc.)
XDB Server (XDB Systems, Inc.)
XDB Server (XDB Systems, Inc.)
Datos de Software obtenidos del manual para la construcción de un Data Warehouse
Datos de Software obtenidos del manual para la construcción de un Data Warehouse
referenciado en la bibliografía.
referenciado en la bibliografía.

Herramientas de consulta y reporte
Herramientas de consulta y reporte
Access (Microsoft)
Access (Microsoft)
Access+ (Sonetics)
Access+ (Sonetics)
Actuate Reporting System (Actuate Software
Actuate Reporting System (Actuate Software
Corporation)
Corporation)
AMIS Information Server (Hoskyns Group plc)
AMIS Information Server (Hoskyns Group plc)
Application System (IBM)
Application System (IBM)
Approach (Lotus Corporation)
Approach (Lotus Corporation)
ARPEGGIO (Wall Data Inc.)
ARPEGGIO (Wall Data Inc.)
APTuser (International Software Group)
APTuser (International Software Group)
AS/Access for Microsoft Access (Martin Spencer &
AS/Access for Microsoft Access (Martin Spencer &
Associates)
Associates)
ASK Joe (Information Management Services)
ASK Joe (Information Management Services)
aXcess/400 (Glenbrook Software)
aXcess/400 (Glenbrook Software)
BrioQuery (Brio Technology)
BrioQuery (Brio Technology)
Business Objects (Business Objects, Inc.)
Business Objects (Business Objects, Inc.)
Crystal Reports, Crystal Info (Seagate Software)
Crystal Reports, Crystal Info (Seagate Software)
d.b. Express (Computer Concepts Corp.)
d.b. Express (Computer Concepts Corp.)
Databoard, Dataread (SLP Infoware)
Databoard, Dataread (SLP Infoware)
DataDirect Explorer (Intersolv)
DataDirect Explorer (Intersolv)
DataSite (NetScheme Solutions, Inc.)
DataSite (NetScheme Solutions, Inc.)
DB Publisher (Xense Technology Inc.)
DB Publisher (Xense Technology Inc.)
DbPower (Db-Tech Inc.)
DbPower (Db-Tech Inc.)
Decision Analyzer (Decisión Technology)
Decision Analyzer (Decisión Technology)
DECquery, DECdecision (Touch Technologies, Inc.)
DECquery, DECdecision (Touch Technologies, Inc.)
Discoverer, Discoverer/2000 (Oracle Corporation)
Discoverer, Discoverer/2000 (Oracle Corporation)
DS Server, DS Modeler (Interweave)
DS Server, DS Modeler (Interweave)
EasyReporter (Speedware Corporation)
EasyReporter (Speedware Corporation)
Eclipse Query/Report (Cornut Informatique)
Eclipse Query/Report (Cornut Informatique)
ELF (ELF Software)
ELF (ELF Software)
English Wizard (English Wizard)
English Wizard (English Wizard)
EnQuiry (Progress Software)
EnQuiry (Progress Software)
Esperant (Speedware)
Esperant (Speedware)
FOCUS Six (Information Builders, Inc.)
FOCUS Six (Information Builders, Inc.)
4S-Report (Four Seasons Software, Inc)
4S-Report (Four Seasons Software, Inc)
Freequery (Dimension Software Systems)
Freequery (Dimension Software Systems)
Front & Center for Reporting, Nomad (Thomson
Front & Center for Reporting, Nomad (Thomson
Software Products)
Software Products)
GQL (Andyne)
GQL (Andyne)
HarborLight (Harbor Software)
HarborLight (Harbor Software)
HP Information Access (Hewlett-Packard)
HP Information Access (Hewlett-Packard)
Impress, SqlBuddy (Objective Technologies, Inc.)
Impress, SqlBuddy (Objective Technologies, Inc.)
Impromptu (Cognos Corporation)
Impromptu (Cognos Corporation)
InfoAssistant (Asymetrix)
InfoAssistant (Asymetrix)
InfoMaker (Powersoft Corporation)
InfoMaker (Powersoft Corporation)
InfoQuery (Platinum Technology, Inc.)
InfoQuery (Platinum Technology, Inc.)
InfoReports (Platinum Technology, Inc.)
InfoReports (Platinum Technology, Inc.)
InformEnt Warehouse Desktop (Fiserv)
InformEnt Warehouse Desktop (Fiserv)
Internet DataSpot (DTL Data Technologies Ltd.)
Internet DataSpot (DTL Data Technologies Ltd.)
inSight (Williams & Partner)
inSight (Williams & Partner)
Interactive Query (New Generation software)
Interactive Query (New Generation software)
IQ/Objects, IQ/SmartServer (IQ Software
IQ/Objects, IQ/SmartServer (IQ Software
Corporation)
Corporation)
Iridon Panorama (The Great Elk Company Limited)
Iridon Panorama (The Great Elk Company Limited)
Kinetix (Hilco Technologies)
Kinetix (Hilco Technologies)
LANSA/Client (LANSA USA)
LANSA/Client (LANSA USA)
MARKIS/400 (AS Software)
MARKIS/400 (AS Software)
Nirvana (Synergy Technologies)
Nirvana (Synergy Technologies)
OR-REPORTER II (Output Reporting, Inc.)
OR-REPORTER II (Output Reporting, Inc.)
Oracle Reports, Browser (Oracle Corporation)
Oracle Reports, Browser (Oracle Corporation)
Paradox (Borland)
Paradox (Borland)
Platinum Report Facility (Platinum Technology, Inc)
Platinum Report Facility (Platinum Technology, Inc)
ProBit (System Builder)
ProBit (System Builder)
Productivity Series Reports (michaels, ross & cole)
Productivity Series Reports (michaels, ross & cole)
QBE Vision (Sysdeco)
QBE Vision (Sysdeco)
QMF (IBM)
QMF (IBM)
QueryObject (Cross/Z International, Inc.)
QueryObject (Cross/Z International, Inc.)
Quest (Centura Software Corporation)
Quest (Centura Software Corporation)
Report Writer (Raima)
Report Writer (Raima)
Reportoire (Synergistic Systems, Inc.)
Reportoire (Synergistic Systems, Inc.)
Reports (Nine to Five software Co.)
Reports (Nine to Five software Co.)
ReporTool (Zen Software)
ReporTool (Zen Software)
ReportSmith (Borland)
ReportSmith (Borland)
Rocket Shuttle (Rocket Software, Inc.)
Rocket Shuttle (Rocket Software, Inc.)
Safari ReportWriter (Interactive Software Systems)
Safari ReportWriter (Interactive Software Systems)
Sagent Data Mart Solution (Sagent Technology, Inc.)
Sagent Data Mart Solution (Sagent Technology, Inc.)
SAS System (SAS Institute)
SAS System (SAS Institute)
Second Wind (Anju Technologies)
Second Wind (Anju Technologies)
Select! (Attachmate)
Select! (Attachmate)
SEQUEL (Advanced Systems Concepts)
SEQUEL (Advanced Systems Concepts)
Snow Report Writer (Snow International Corporation)
Snow Report Writer (Snow International Corporation)
Spectrum Writer (Pacific Systems Group)
Spectrum Writer (Pacific Systems Group)
SQLPRO Agent (Beacon Ware, Inc.)
SQLPRO Agent (Beacon Ware, Inc.)
SQR Workbench (MITI)
SQR Workbench (MITI)
Strategy (ShowCase Corporation)
Strategy (ShowCase Corporation)
The Reporter (Sea Change Systems, Inc)
The Reporter (Sea Change Systems, Inc)
Unique XTRA (Unique AS)
Unique XTRA (Unique AS)
URSA InfoSuite (Decision Support Inc.)
URSA InfoSuite (Decision Support Inc.)
ViewPoint (Informix)
ViewPoint (Informix)
Viper (Brann Software)
Viper (Brann Software)
VisPro/Reports (Hock Ware)
VisPro/Reports (Hock Ware)
Visual Cyberquery (Cyberscience Corporation)
Visual Cyberquery (Cyberscience Corporation)
Visual Dbase (Borland)
Visual Dbase (Borland)
Visual Express (Computer Associates International)
Visual Express (Computer Associates International)
Visual FoxPro (Microsoft Corporation)
Visual FoxPro (Microsoft Corporation)
Visual Net (CNet Svenska AB)
Visual Net (CNet Svenska AB)
Visualizer Query, Charts (IBM)
Visualizer Query, Charts (IBM)
Voyant (Brossco Systems)
Voyant (Brossco Systems)
WebBiz (Cybercom Partners)
WebBiz (Cybercom Partners)
WebSeQueL (InfoSpace Inc.)
WebSeQueL (InfoSpace Inc.)
WinQL (Data Access Corporation)
WinQL (Data Access Corporation)
Xentis (GrayMatter Software Corporation)
Xentis (GrayMatter Software Corporation)

Herramientas de base de datos multidimensional/olap
Herramientas de base de datos multidimensional/olap
PRODUCTO, EMPRESA DISTRIBUIDORA, TIPO
Acuity ES, Acuity Management Systems Ltd., MDDB
Acuity ES, Acuity Management Systems Ltd., MDDB
Acumate ES, Kenan Systems Corporation, MDDB
Acumate ES, Kenan Systems Corporation, MDDB
Advance For Windows, Lighten, Inc., MDDB
Advance For Windows, Lighten, Inc., MDDB
AMIS OLAP Server, Hoskyns Group plc, MDDB
AMIS OLAP Server, Hoskyns Group plc, MDDB
BrioQuery, Brio Technology, MDDB
BrioQuery, Brio Technology, MDDB
Business Objects, Business Objects, Inc., Relacional
Business Objects, Business Objects, Inc., Relacional
Commander OLAP, Decision, Prism, Comshare Inc., MDDB
Commander OLAP, Decision, Prism, Comshare Inc., MDDB
Control, KCI Computing, Relacional
Control, KCI Computing, Relacional
CrossTarget, Dimensional Insight, MDDB
CrossTarget, Dimensional Insight, MDDB
Cube-It, FICS Group, MDDB
Cube-It, FICS Group, MDDB
Dataman, SLP Infoware, MDDB
Dataman, SLP Infoware, MDDB
DataTracker, Silvon Software, Inc., Relacional
DataTracker, Silvon Software, Inc., Relacional
DecisionSuite, Information Advantage, Inc., Relacional
DecisionSuite, Information Advantage, Inc., Relacional
Delta Solutions, MIS AG, MDDB
Delta Solutions, MIS AG, MDDB
Demon for Windows, Data Command Limited, MDDB
Demon for Windows, Data Command Limited, MDDB
DSS Agent, MicroStrategy, Relacional
DSS Agent, MicroStrategy, Relacional
DynamicCube.OCX, Data Dynamics, Ltd., Relacional
DynamicCube.OCX, Data Dynamics, Ltd., Relacional
EKS/Empower, Metapraxis, Inc., MDDB
EKS/Empower, Metapraxis, Inc., MDDB
Essbase Analysis Server, Arbor Software Corporation,
Essbase Analysis Server, Arbor Software Corporation,
MDDB
MDDB
Essbase/400, ShowCase Corporation, MDDB
Essbase/400, ShowCase Corporation, MDDB
Express Server, Objects, Oracle, MDDB
Express Server, Objects, Oracle, MDDB
Fiscal, Lingo Computer Design, Inc., Relacional
Fiscal, Lingo Computer Design, Inc., Relacional
Fusion, Information Builders, Inc., MDDB
Fusion, Information Builders, Inc., MDDB
FYI Planner, Think Systems, MDDB
FYI Planner, Think Systems, MDDB
Gentia, Planning Sciences, MDDB
Gentia, Planning Sciences, MDDB
Helm, Codeworks, MDDB
Helm, Codeworks, MDDB
Holos, Holistic Systems, MDDB
Holos, Holistic Systems, MDDB
Hyperion OLAP, Hyperion Software, MDDB
Hyperion OLAP, Hyperion Software, MDDB
InfoBeacon, Platinum technology, Inc., Relacional
InfoBeacon, Platinum technology, Inc., Relacional
Informer, Reportech, MDDB/Relacional
Informer, Reportech, MDDB/Relacional
Intelligent Decision Server, IBM, Relacional
Intelligent Decision Server, IBM, Relacional
IQ/Vision, IQ Software Corporation, Relacional
IQ/Vision, IQ Software Corporation, Relacional
Khalix, Longview Solutions, Inc., Relacional
Khalix, Longview Solutions, Inc., Relacional
Lightship, Pilot Software, Inc., MDDB
Lightship, Pilot Software, Inc., MDDB
Matryx, Stone, Timber, River, MDDB
Matryx, Stone, Timber, River, MDDB
MDDB Server, SAS, Relacional
MDDB Server, SAS, Relacional
Media, Speedware Corporation, MDDB
Media, Speedware Corporation, MDDB
Metacube, Informix, Relacional
Metacube, Informix, Relacional
MIKSolution, MIK, MDDB
MIKSolution, MIK, MDDB
MIT/400, SAMAC, Inc, MDDB
MIT/400, SAMAC, Inc, MDDB
MSM, Micronetics Design Corporation, MDDB
MSM, Micronetics Design Corporation, MDDB
Muse, OCCAM Research Corp., MDDB
Muse, OCCAM Research Corp., MDDB
OLAP Office, Graphitti Software GmbH, MDDB
OLAP Office, Graphitti Software GmbH, MDDB
OpenOLAP, Inphase Software Limited, Relacional
OpenOLAP, Inphase Software Limited, Relacional
Pablo, Andyne, MDDB/Relacional
Pablo, Andyne, MDDB/Relacional

Sistemas de información ejecutivos
Sistemas de información ejecutivos
Acuity/ES, Acuity Management Systems Limited, 1
Acuity/ES, Acuity Management Systems Limited, 1
Applixware, Applix, 1
Applixware, Applix, 1
BusinessMetrics, Valstar Systems Ltd., 1
BusinessMetrics, Valstar Systems Ltd., 1
BOARD, Pragma Inform, 1
BOARD, Pragma Inform, 1
COINS, Russell Consulting Limited, 1
COINS, Russell Consulting Limited, 1
ColumbusEIS, Jitcons YO, 1
ColumbusEIS, Jitcons YO, 1
Commander EIS, Comshare Inc., 1
Commander EIS, Comshare Inc., 1
Corporate Management/ Financial Executive Information System,
Corporate Management/ Financial Executive Information System,
Strategic Information Associates, Inc., 1
Strategic Information Associates, Inc., 1
CorVu, CorVu Pty Ltd., 1
CorVu, CorVu Pty Ltd., 1
Decision Suite, Softkit, 1
Decision Suite, Softkit, 1
Discovery EIS, Atlantic Information Systems Ltd., 1
Discovery EIS, Atlantic Information Systems Ltd., 1
EIS, Inphase Software Limited, 1
EIS, Inphase Software Limited, 1
Electronic Balanced Scorecard, ASI Financial Services, 1
Electronic Balanced Scorecard, ASI Financial Services, 1
Enterprise Periscope, Everyware Development Corp., 1
Enterprise Periscope, Everyware Development Corp., 1
Eureka, European Management Systems, 1
Eureka, European Management Systems, 1
ExecuSense, TLG Corporation, 1
ExecuSense, TLG Corporation, 1
FOCUS EIS, Information Builders, Inc., 1
FOCUS EIS, Information Builders, Inc., 1
Forest & Trees, Platinum Technologies, Inc., 1
Forest & Trees, Platinum Technologies, Inc., 1
iMonitor, BayStone Software, 1
iMonitor, BayStone Software, 1
InfoManager, Ferguson Information Systems, 1
InfoManager, Ferguson Information Systems, 1
Iridon Almanac, The Great Elk Company Limited, 1
Iridon Almanac, The Great Elk Company Limited, 1
InSight, Arcplan Information Services, 2
InSight, Arcplan Information Services, 2
LEADER, Sterling Strategic Solutions, 1
LEADER, Sterling Strategic Solutions, 1
MagnaFORUM, Forum Systems, Inc., 1
MagnaFORUM, Forum Systems, Inc., 1
Merit, GIST, s.r.o., 1
Merit, GIST, s.r.o., 1
Open EIS Pak, Microsoft, 1
Open EIS Pak, Microsoft, 1
Panorama Business Views, Panorama Business Views Inc., 1
Panorama Business Views, Panorama Business Views Inc., 1
Perspectives, Syntell, 1
Perspectives, Syntell, 1
Qbit, Zenia Software, Inc., 1
Qbit, Zenia Software, Inc., 1
Reveal, CSD Software Inc., 1
Reveal, CSD Software Inc., 1
SAS System, SAS Institute, 1
SAS System, SAS Institute, 1
Show Business EIS, Show Business Software, 1
Show Business EIS, Show Business Software, 1
Tiler EIS++, Avoca Systems Limited, 1
Tiler EIS++, Avoca Systems Limited, 1
Track, Track Business Solutions, 1
Track, Track Business Solutions, 1
Traffic Control EIS, Research & Planning, Inc., 3
Traffic Control EIS, Research & Planning, Inc., 3
VentoMap, VentoSales, Vento Software Inc., 1
VentoMap, VentoSales, Vento Software Inc., 1
Virtual Headquarters Management System, vHQ LLC, 1
Virtual Headquarters Management System, vHQ LLC, 1
Visual EIS, Synergistic Software, 1
Visual EIS, Synergistic Software, 1
Visual Publisher, KMA Associates International, Inc, 1
Visual Publisher, KMA Associates International, Inc, 1
VITAL, Braintec Corporation, 1
VITAL, Braintec Corporation, 1
Wingz, Investment Intelligence Systems Group, 1
Wingz, Investment Intelligence Systems Group, 1
Wired for OLAP, AppSource Corporation, 1
Wired for OLAP, AppSource Corporation, 1
Xecutive Pulse EIS, Megatrend Systems, Ltd., 1
Xecutive Pulse EIS, Megatrend Systems, Ltd., 1
TIPO
TIPO
1.- Proporciona un sistema de información ejecutivo con capacidades analíticas.
1.- Proporciona un sistema de información ejecutivo con capacidades analíticas.
2.- Proporciona un sistema de información ejecutivo con capacidades analíticas para usuarios SAP R/3.
2.- Proporciona un sistema de información ejecutivo con capacidades analíticas para usuarios SAP R/3.

Data Mining (DM)
Data Mining (DM)
Minería de datos
Minería de datos
Introducción
Introducción
La
La idea clave
idea clave es que
es que los datos contienen más
los datos contienen más
información oculta de la que se ve a simple vista
información oculta de la que se ve a simple vista.
.
KDD
KDD (Knowlegde Discovery in Databases):
:
descubrimiento de conocimiento en bases de datos
descubrimiento de conocimiento en bases de datos
KDD = proceso completo:
KDD = proceso completo:
“extracción no trivial de conocimiento implícito,
“extracción no trivial de conocimiento implícito,
previamente desconocido y potencialmente útil, a partir de
previamente desconocido y potencialmente útil, a partir de
una base de datos”
una base de datos”
[Frawley et al., 1991]
[Frawley et al., 1991]
DM = etapa de descubrimiento en el proceso de KDD:
DM = etapa de descubrimiento en el proceso de KDD:
“paso consistente en el uso de algoritmos concretos que
“paso consistente en el uso de algoritmos concretos que
generan una enumeración de patrones a partir de los datos
generan una enumeración de patrones a partir de los datos
preprocesados”
preprocesados”
[Fayyad et al., 1996]
[Fayyad et al., 1996]

Data Mining (DM)
Data Mining (DM)
Minería de datos
Minería de datos
Aplicaciones
Aplicaciones
Informática:
Informática:
Soporte al Diseño de Bases de Datos.
Soporte al Diseño de Bases de Datos.
Reverse Engineering (nomalizar bases de datos desnormalizadas).
Reverse Engineering (nomalizar bases de datos desnormalizadas).
Mejora de Calidad de Datos.
Mejora de Calidad de Datos.
Mejora de Consultas (si se descubren dependencias funcionales)
Mejora de Consultas (si se descubren dependencias funcionales)
Comercio/Marketing:
Comercio/Marketing:
Identificar patrones de compra de los clientes.
Identificar patrones de compra de los clientes.
Buscar asociaciones entre clientes y características demográficas.
Buscar asociaciones entre clientes y características demográficas.
Predecir respuesta a campañas de marketing.
Predecir respuesta a campañas de marketing.
Análisis de cestas de la compra.
Análisis de cestas de la compra.
Banca:
Banca:
Detectar patrones de uso fraudulento de tarjetas de crédito.
Detectar patrones de uso fraudulento de tarjetas de crédito.
Identificar clientes leales.
Identificar clientes leales.
Predecir clientes con probabilidad de cambiar su afiliación.
Predecir clientes con probabilidad de cambiar su afiliación.
Determinar gasto en tarjeta de crédito por grupos.
Determinar gasto en tarjeta de crédito por grupos.
Encontrar correlaciones entre indicadores financieros.
Encontrar correlaciones entre indicadores financieros.
Identificar reglas de mercado de valores a partir de históricos.
Identificar reglas de mercado de valores a partir de históricos.

Data Mining (DM)
Data Mining (DM)
Minería de datos
Minería de datos
Aplicaciones
Aplicaciones
Seguros y Salud Privada:
Seguros y Salud Privada:
Análisis de procedimientos médicos solicitados conjuntamente.
Análisis de procedimientos médicos solicitados conjuntamente.
Predecir qué clientes compran nuevas pólizas.
Predecir qué clientes compran nuevas pólizas.
Identificar patrones de comportamiento para clientes con riesgo.
Identificar patrones de comportamiento para clientes con riesgo.
Identificar comportamiento fraudulento.
Identificar comportamiento fraudulento.
Transportes:
Transportes:
Determinar la planificación de la distribución entre tiendas.
Determinar la planificación de la distribución entre tiendas.
Analizar patrones de carga.
Analizar patrones de carga.
Medicina:
Medicina:
Identificación de terapias médicas satisfactorias para diferentes
Identificación de terapias médicas satisfactorias para diferentes
enfermedades.
enfermedades.
Asociación de síntomas y clasificación diferencial de patologías.
Asociación de síntomas y clasificación diferencial de patologías.
Estudio de factores (genéticos, precedentes, hábitos, alimenticios, etc.) de
Estudio de factores (genéticos, precedentes, hábitos, alimenticios, etc.) de
riesgo/salud en distintas patologías.
riesgo/salud en distintas patologías.
Segmentación de pacientes para una atención más inteligente según su
Segmentación de pacientes para una atención más inteligente según su
grupo.
grupo.
Predicciones temporales de los centros asistenciales para el mejor uso de
Predicciones temporales de los centros asistenciales para el mejor uso de
recursos, consultas, salas y habitaciones.
recursos, consultas, salas y habitaciones.
Estudios epidemiológicos, análisis de rendimientos de campañas de
Estudios epidemiológicos, análisis de rendimientos de campañas de
información, prevención, sustitución de fármacos, etc.
información, prevención, sustitución de fármacos, etc.

Conclusiones
Conclusiones
El aumento espectacular del volumen de datos en las empresas
El aumento espectacular del volumen de datos en las empresas
y su falta de integración crean la necesidad de una
y su falta de integración crean la necesidad de una
infraestructura para la logística de la información. Este es el
infraestructura para la logística de la información. Este es el
principio u origen del Data Warehouse.
principio u origen del Data Warehouse.
No existe una única definición (ni traducción) de Data
No existe una única definición (ni traducción) de Data
Warehouse.
Warehouse.
El DW es un
El DW es un conjunto de tecnologías
conjunto de tecnologías,
, no un producto
no un producto.
.
GRAN BASE DE DATOS
GRAN BASE DE DATOS.
.
Herramientas para manipular los datos.
Herramientas para manipular los datos.
Basado en el
Basado en el modelo de datos dimensional
modelo de datos dimensional.
.
La construcción de un DW es un
La construcción de un DW es un proceso ITERATIVO
proceso ITERATIVO.
.
Un DW engloba las tecnologías que sirven de soporte al
Un DW engloba las tecnologías que sirven de soporte al
Business Intelligence.
Business Intelligence.
Es parte componente de un
Es parte componente de un Sistema de Información de
Sistema de Información de
Gestión
Gestión.
.

Conclusiones
Conclusiones
Un administrador de Data Warehouse tiene
Un administrador de Data Warehouse tiene
que:
que:
Ser primero un excelente
Ser primero un excelente Administrador de Bases
Administrador de Bases
de Datos
de Datos.
.
Tener amplios conocimientos en Fundamentos de
Tener amplios conocimientos en Fundamentos de
Bases de Datos, Gestión, Planificación e
Bases de Datos, Gestión, Planificación e
Informática en general.
Informática en general.
Tener una extensa experiencia de trabajo con
Tener una extensa experiencia de trabajo con
diferentes sistemas de bases de datos.
diferentes sistemas de bases de datos.

Bibliografía
Bibliografía
Básica
Básica
Título: Fundamentos de sistemas de bases de datos (3ª edición) - Capítulo 26
Título: Fundamentos de sistemas de bases de datos (3ª edición) - Capítulo 26
Autor(es): Elmasri, Ramez & Navathe, Shamkant
Autor(es): Elmasri, Ramez & Navathe, Shamkant
Editorial: Addison Wesley
Editorial: Addison Wesley
Data Warehouse
Data Warehouse
http://www.ica.com.uy/dw/dw-doc.htm#Sistemas de Data Warehousing
http://www.ica.com.uy/dw/dw-doc.htm#Sistemas de Data Warehousing
http://www.tid.es/presencia/publicaciones/comsid/esp/22/08.pdf
(caso concreto de telefónica)
Manual para la construcción de un Data Warehouse
Manual para la construcción de un Data Warehouse
http://www.inei.gob.pe/cpi-mapa/bancopub/libfree/lib619/INDEX.HTM
http://www.inei.gob.pe/cpi-mapa/bancopub/libfree/lib619/INDEX.HTM
http://kybele.escet.urjc.es/adto/
http://kybele.escet.urjc.es/adto/
Minería de datos:
Minería de datos:
http://www.daedalus.es/Web.php?pag=040000
http://www.daedalus.es/Web.php?pag=040000
http://www.gsi.dit.upm.es/~gfer/ssii/aprendizaje/MD.pdf
http://www.gsi.dit.upm.es/~gfer/ssii/aprendizaje/MD.pdf
Business Intelligence
Business Intelligence
http://www.bitam.com/DefBI.htm
http://www.bitam.com/DefBI.htm
http://www.aliga.org/JORNADAS_DW_V2.PPT
http://www.aliga.org/JORNADAS_DW_V2.PPT

Presentación de como montar un Data Wharehouse

Más contenido relacionado

Similar a Presentación de como montar un Data Wharehouse

Presentación de como montar un Data Wharehouse

Notas del editor