Sistemas de Informacin Gerencial Tema 5 Introduccin a

Sistemas de Información Gerencial Tema 5: Introducción a la Inteligencia de Negocios Ing. Francisco Rodríguez Novoa 1

INDICE • Introducción a la Inteligencia de Negocios • Arquitectura de un Sistema • Importancia IN • Conceptos de Datawarehouse • Ciclo de vida de un Datawarehouse • Construcción de un Datawarehouse 2

Introducción a la Inteligencia de Negocios

1. Introducción. Inteligencia de Negocio Se necesita entender no solo QUÉ está pasando, sino CUÁNDO, DÓNDE, QUIÉN Y PORQUÉ. Solución a los requerimientos de información con OPORTUNIDAD. Escalar, contribuir y compartir a todos los tipos de usuarios en la organización. Se necesita información y conocimiento a partir de los datos de la empresa. 4

1. Introducción. Inteligencia de Negocio Nace así el concepto de Inteligencia de Negocio (Business Intelligence): No es una tecnología Es un conjunto de sistemas de información que trabajan de forma coordinada. Sistemas de almacenamiento de datos (data warehouse) Sistemas de minería de datos (data mining) Herramientas de procesamiento analítico de datos (OLAP) Sistemas de administración de conocimiento (KBS) Herramientas de consulta y reporte de datos Tableros de información (Dashboards) 5

1. Introducción. Inteligencia de Negocio Definición • “ Business Intelligence se refiere al proceso de convertir datos en conocimiento y conocimiento en acciones para crear la ventaja competitiva del negocio “. “Business Intelligence es una herramienta crítica para el éxito y sobrevivencia de su organización hoy en día, no se trata solo de herramientas y tecnología, sino también de organización “. • Gartner Group The Data Warehousing Institute Información “La inteligencia del negocio es como convertir la información de la empresa en una arma estratégica “. Teddy Dale Consultor Internacional “La información en las organizaciones está aumentando rápidamente, así como, las decisiones críticas del negocio; el problema es la actitud de las empresas para utilizar estos datos “. Gartner Group 6

1. Introducción. Inteligencia de Negocio Definición “ Inteligencia de Negocio se refiere al proceso de convertir datos en conocimiento y conocimiento en acciones para crear la ventaja competitiva del negocio “ The Data Warehousing Institute Datos Información Conocimiento Ventaja Competitiva 7

1. Introducción. Inteligencia de Negocio Definición “ Inteligencia de Negocio se refiere al proceso de convertir datos en conocimiento y conocimiento en acciones para crear la ventaja competitiva del negocio “ The Data Warehousing Institute Agregar Datos Database, Data Mart, Data Warehouse, ETL Tools, Integration Tools Presentar Datos Conocimiento sobre los datos Reporting Tools, Add Context to Create Dashboards, Information, Descriptive Static Reports, Statistics, data mining Mobile Reporting, OLAP Cubes Toma de decisiones Decisions are Fact-based and Data-driven 8

1. Introducción. Inteligencia de Negocio Uso 9

2. Arquitectura de un Sistema Dashboards (Tableros) Reportes y Consultas • Procesos de Extracción, Transformación y Carga Data Warehouse (Data Mart) • Modelo del Negocio Datos Externos Integrado • Repositorio de Información • Metadata Análisis del Detalle de Información OLAP (On-Line Analytical Processing)Análisis Multidimensional • Análisis de FCE • Análisis de Datos Sumarizados Data Mining (Business Analytics) • Estadísticas • Análisis de Tendencias y Comportamientos • Proyecciones 10

2. Arquitectura de un Sistema Data Warehouse. Proceso ETL Procesos de Extracción, Transformación y Carga Data Warehouse (Data Mart) • Modelo del Negocio Integrado • Repositorio de Información • Metadata Datos Externos 11

2. Arquitectura de un Sistema Tableros, reportes y consultas Dashboards (Tableros) Reportes y Consultas • Análisis del Detalle de Información Data Warehouse (Data Mart) 12

2. Arquitectura de un Sistema Análisis multidimensional Data Warehouse (Data Mart) OLAP (On-Line Analytical Processing)Análisis Multidimensional • Análisis de FCE • Análisis de Datos Sumarizados 13

2. Arquitectura de un Sistema Business analytics (minería de datos) Data Warehouse (Data Mart) Data Mining (Business Analytics) • Estadísticas • Análisis de Tendencias y Comportamientos • Proyecciones 14

3. Inteligencia de Negocio. Su aporte. Su importancia Valor para el Negocio • Cualquier organización grande o pequeña, necesita integrar la información de su cadena de valor, con el objetivo de analizarla, para poder tomar decisiones y diseñar estrategias de negocio • eficientes Análisis de Información . Sistemas Operacionales y Datos Externos 15

3. Inteligencia de Negocio. Su aporte. Su importancia Herramienta de análisis para el conocimiento del negocio C O N O C. Extracción Limpieza Transformación Carga Diseño Servidor Red Base de Datos D E L N E G O C I O 16

3. Inteligencia de Negocio. Su aporte. Su importancia Top 10 Business and Technology Priorities 17

3. Inteligencia de Negocio. Su aporte. Su importancia Considerado por 'Forbes' como uno de los siete científicos de datos más poderosos del mundo 18

Comentarios La información en las organizaciones está aumentando rápidamente, así como, las decisiones críticas del negocio; el problema es la actitud de las empresas para utilizar estos datos Oportunidad: En 2015, Gartner predice que 4, 4 millones de empleos serán creados en torno a big data. (Gartner, 2013) 19

4. Conceptos Básicos de DWH ¿Que es un Data Warehouse? (Bodega o almacén de datos). Colección de datos orientados a un determinado negocio. Coloca información de todas las áreas funcionales de la organización en manos de quien toma las decisiones. También proporciona herramientas para búsqueda y análisis de información. • Es un repositorio para almacenar y analizar datos con naturaleza de variables cuantitativas y cualitativas • Es considerado una de las partes centrales de un sistema de BI • Permite separar los sistemas transaccionales de los informacionales en dos entornos de manera que el análisis de los datos existentes no interfiera con el procesamiento y registro de nuevos datos

4. Conceptos Básicos de DWH Data Warehouse como integrador de datos Filiales Compras Cartera Gestión human Ventas Producción Inventarios CRM

4. Conceptos Básicos de DWH • Los datos almacenados están orientados a un objetivo especifico, integrando la variable del tiempo para la toma de decisiones. • Es un sistema integrados, pues agrupa a todos los sistemas operacionales en un sistema de información con formatos y códigos consistentes. • El DW es variante en el tiempo porque los datos se organizan y almacenan en jerarquías en el tiempo, lo que permite análisis retrospectivos, comparativos de estados actuales y de períodos anteriores. Propuesta 005. Refuerce el concepto de DWH por medio del video “Benefits of a Data Warehouse” ()

4. Conceptos Básicos de DWH Data Warehouse • Es el maestro o centralizador de la información. • Soporta múltiples áreas del negocio • Maneja un alto detalle de la información • Es un integrador de las fuentes de información • No es necesario el uso de un modelo dimensional pero puede alimentar a modelos dimensionales. • Coordina la gestión de información de los Datamart • Es una aplicación del DWH • Está construida para soportar una línea de negocio. • Ideal para “sumarizar” grandes cantidades de datos. • Se concentra en integrar datos de una área específica. • Es construida usando un modelo o esquema dimesional estrella

4. Conceptos Básicos de DWH Un primer acercamiento a una arquitectura descentralizada de Datamart (DM): Almacenes DM CRM Inventarios DM Riesgos Producción DM Financiero Exportación

4. Conceptos Básicos de DWH Data Warehouse corporativo o centralizado: Datamarts Almacenes DWH Corporativo DM CRM Inventarios DM Riesgos Producción DM Financiero Exportación

5. Ciclo de Vida de un DWH Metodología del ciclo de vida proyectos DWH/BI de Kimball: Tecnología Datos Aplicaciones

5. Ciclo de Vida de un DWH La metodología del ciclo de vida de Kimball aunque fue concebido a mediados de la década de los 80’s, fue publicada por primera vez indicando los años 90’s; desde entonces, se ha utilizado con éxito por miles de proyectos de DWH y BI, principalmente en sector industrial, áreas de aplicación, empresarial y desarrollo tecnológico (technical platform). Esta metodología se ha convertido en las mejores prácticas en la industria en general. A continuación se mencionan brevemente las etapas de la propuesta de Kimball: Planeación del Proyecto (Project Planning) Definición y alcance del proyecto de DWH, incluyendo la evaluación y justificación del proyecto.

5. Ciclo de Vida de un DWH Modelación Dimensional (Dimensional Modeling) La definición de los requerimientos del negocio (área funcional) determinarán los datos necesarios para hacer frente a los requisitos analíticos de los usuarios finales. Diseño Físico (Physical Design) Definición de las estructuras físicas para apoyar el diseño de datos lógico. Claramente se requiere de un diseño lógico para convertirlo en una base de datos física, debido a que los detalles de implementación varían ampliamente desacuerdo a la tecnología (hardware y aplicaciones), tipo de proyecto, modelo lógico, volumen estimado, SGDB y las herramientas de acceso; estos elementos dan directrices en dicho diseño.

5. Ciclo de Vida de un DWH Diseño e Implementación de ETL (Data Staging Design and Development) Este Etapa se divide en tres elementos: Extracción, Transformación y Carga. El proceso de extracción expone los problemas de calidad de datos, debido a que la calidad de los datos impactará significativamente la credibilidad del DWH, es necesario solucionar los problemas de calidad. Es importante tener presente dos realidades: • Los problemas de calidad son usualmente un reflejo del pobre diseño de datos y/o la implementación de los sistemas. • La mayoría de estos problemas pueden ser reparados y monitorizados para reducir el impacto sobre las aplicaciones

5. Ciclo de Vida de un DWH Diseño Físico Estándares Modelo Físico de Datos Plan Global Plan de indexación Estructura Física de Almacenamiento Diseño y construcción de la instancia de DB Monitorización

5. Ciclo de Vida de un DWH Diseño Técnico de Arquitectura (Technical Architecture Design) En esta etapa se considera la integración de múltiples tecnologías. Se consideran tres factores: Requerimientos del negocio, ambiente tecnológica actual y el direccionamiento técnico futuro. Selección e Instalación de Producto (Product Selection and Installation) Con base al diseño técnico de arquitectura, se especifica los componentes de arquitectura tales como plataforma del hardware, herramientas de acceso a los datos, sistema de gestión de base de datos entre otros. En este etapa el elemento de integración toma singular importancia. Especificación de Aplicaciones Usuario Final (End User Application Specification) Se definen las aplicaciones de usuario, restringiendo el acceso ad hoc al DWH. Estas aplicaciones cubren los complementes de visualización, exploración, data mining y herramientas de BI tales como EIS y Dashboard.

5. Ciclo de Vida de un DWH Desarrollo de Aplicaciones Usuario Final (End User Application Development) Aborda la configuración de las herramientas de usuario final, dependiendo de la dimensión del proyecto, estas aplicaciones demandarán su propia arquitectura que soporte los usuarios y la integración con el DWH. Despliegue (Deployment) Convergencia y funcionamiento de la tecnología, datos y aplicaciones de usuario final desde la estación de cada unos de los analistas o estrategas de BI. Se deben tener presente procesos de capacitación y de soporte al usuario sobre las aplicaciones. Mantenimiento y Crecimiento (Maintenance and Growth) Frente al usuario final: se les debe entregar apoyo y formación. Funcionamiento eficaz del DWH: monitorización de los procesos y procedimientos, estas métricas serán argumento para una posible etapa de crecimiento.

5. Ciclo de Vida de un DWH Gestión de Proyectos (Project Management) Garantiza las actividades en el ciclo de vida de funcionamiento y sincronía, que se enfocan en el estado de procesos de monitorización, seguimiento de problemas y gestión de cambios; por otra parte, le corresponde desarrollar el plan de comunicación del proyecto.

5. Ciclo de Vida de un DWH La metodología del ciclo de vida de Kimball aunque fue concebido a mediados de la década de los 80’s, fue publicada por primera vez indicando los años 90’s; desde entonces, se ha utilizado con éxito por miles de proyectos de DWH y BI, principalmente en sector Propuesta 006. áreas de aplicación, empresarial y desarrollo tecnológico industrial, Realizar la lectura de artículo “A Holistic Approach for Managing Requirements of Data Warehouse Systems. ” Eighth Americas on Information Systems, Schiefer, (technical platform). Esta Conference metodología se ha convertido en J. , las. List, B. & Bruckner, R. M. mejores prácticas en la industria en general.

6. Construcción de un DWH Hardware App. Almacenamiento (SGDB) DWH Corporativo Hardware tenga altas Garantizar que características técnicas acorde a los complejos requerimientos de información de los usuarios. Capacidad de potencializar (crecer) App. De extracción y manipulación de datos Herramienta Middleware Procesamiento paralelo: SMP (Symmetric Multiprocessing) MPP (Massively Parallel Processing) NUMA (Non-Uniform Memory Architecture)

6. Construcción de un DWH SGDB Hardware App. Almacenamiento (SGDB) App. De extracción y manipulación de datos Herramienta Middleware DWH Corporativo Un Sistema de Gestión de Base de Datos consiste en una colección de datos interrelacionados y un conjunto de programas para acceder a los mismos. • El programa de almacenamiento (servidor) es independiente al programa de consulta (Cliente) de los usuarios • El objetivo son las consultas complejas en lugar de la visualización • Contempla un esquema de concurrencia de múltiples usuarios

6. Construcción de un DWH Extracción y manipulación (ETL) Hardware App. Almacenamiento (SGDB) App. De extracción y manipulación de datos Herramienta Middleware DWH Corporativo Funcionalidades básicas: • Control de la extracción de los datos y su automatización • Acceso a diferentes tecnologías. • Uso de la arquitectura de metadatos • Interfaz independiente del hardware

6. Construcción de un DWH Herramientas Middleware Hardware App. Almacenamiento (SGDB) App. De extracción y manipulación de datos Herramienta Middleware DWH Corporativo Parveen conectividad entre entornos diferentes, para ayudar a la gestión del Data Warehouse. Analizadores y aceleradores de consulta: Optimizan tiempos de respuesta desde los Sistemas operacionales al DW. Deben estar abiertas a todos los entonos de: • Almacenamiento de datos (OLE, ODBC, etc. ) • Bases de datos (DB 2, SQL, Oracle, My. SQL, etc. ) • Estándares de capa de transporte: (SNA LU 6. 2, DECnetr, etc.

6. Construcción de un DWH Elementos a tener presente en la construcción de un DWH: • Detectar y corregir errores (duplicados, eliminar valores sin sentido, procesos básicos de imputación) •

6. Salidas de un DWH Querys - Reporting consultas y Generación de reportes. Pueden ser informes dinámicos. o predefinidos Fundamentales para procesos de Monitorización (Dashboard). Es posible ubicar las herramientas y metodologías EIS (Decision Support System) y CPM (Corporate Managemnet) Performance dependiendo de este componente de explotación del DWH Corporativo Querys - Reporting Análisis multidimensional Dara Mining

6. Salidas de un DWH Análisis Multidimensional Facilitan el análisis de datos por medio de dimensiones y jerarquías, utilizando consultas rápidas y predefinidas. OLAP: Su objetivo es agilizar la consulta de grandes cantidades de datos. Utiliza estructuras multidimensionales que contienen datos de grandes Bases de datos DWH Corporativo Querys - Reporting Análisis multidimensional Dara Mining

6. Salidas de un DWH Data Mining Es la aplicación de modelos matemáticos sobre la información almacenada en el DWH. El resultado de los modelos soporte la toma de decisión en el proceso de BI. DWH Corporativo Querys - Reporting Es fundamental garantizar la optimización de los modelos y su ejecución automática según la necesidad del negocio. Data mining requiere de una arquitectura propia que interconecta a los DWH por medio negociador. . Análisis multidimensional Dara Mining usuarios de un con el servidor

FIN 43