BI Pathway Method

 

Es una estrategia de negocios y técnica para aumentar las ganancias al extraer el máximo provecho de la información y  de las herramientas analíticas.

Representa un camino lógico para lograr la alineación suficiente para que una inversión en BI sea rentable.

Alcance:

• Enfoque que cubre todo el ciclo de vida del proyecto.
• Diseño, desarrollo y entrega de aplicaciones BI.

Orientación:

• Está orientado al negocio

Figura1: Tomada del libro The Proffit Impact of Business Intelligence

Fases:

• Arquitectura
• Implementación
• Operación y mejora continua

ARQUITECTURA

Qué elementos se deben alinear?

• Contexto estratégico del negocio
  • Entorno del negocio
  • Movimientos de la empresa en el mercado
  • Estrategias de IT
• Arquitectura del negocio
• Disposición de: personas, tecnología y sistemas para servir a los clientes.
• Enfoque de BI

Arquitectura para BI

Algunos de los elementos que deben ser tomados para la arquitectura:

• Gobernabilidad
  • Propiedad de los datos
    • Acceso, estándares para nombrar, definición de reglas de negocio
    • calidad de datos
  • Estándares técnicos
    • Metodologías de desarrollo
    • Entregables de un proyecto
  • Gestión de metadatos
  • Soporte operativo
• Datos
  • Adquisición de datos
  • Integración de datos
  • Distribución de datos
  • Acceso de los datos
• Técnicas y operaciones

IMPLEMENTACIÓN

• Requerimientos

Permiten determinar los proceso y bases de datos a construir.Información, uso y mejoras en el desempeño.

• Prototipado de datamarts: Ventajas
  • Económicos
  • Utilizan un conjunto de datos y la herramienta la desarrolla.
  • Ayudan a refinar los requerimientos de información que desean ver, cómo desean verlos y los términos claves a definir.
  • Ayudan a visualizar los problemas de datos reales que pueden surgir.
  • La realimentación que surge de los prototipos sirve para refinar la interfaz de usuario final de la aplicación.
• Análisis de brecha entre fuentes de datos  y requerimientos de información.
  • Perfilado de los datos
    • Tipos
    • % de datos nulos
    • Formato
    • Calidad
  • Evaluación de la calidad de los datos
  • Valoración de la integración de los datos
  • Identificar los requerimientos técnicos y de seguridad para conectar a las fuentes de datos  seleccionadas y determinar si se obtendría colaboración de los propietarios de los datos.
• Despliegue

Lo que busca el método es mostrar los elementos a tener en cuenta y las actividades necesarias para linearlos con el fin de crear soluciones BI.

Tierno Osito Panda

Como me gustan los ositos panda alli les dejo esta tierna imagen XD.

Carátulas

GIS–Sistemas de Información Geográfica

 

Los sistemas de información Geográfica tratan de entender patrones para relacionar varios elementos.

Análisis GIS

Es el proceso de buscar patrones y las relaciones entre ellos.

Objetivo

Dar respuestas para tomar mejores decisiones.

Etapas del Análisis GIS

• Haga la pregunta
• Busque los datos
• Elija un método de análisis
• Procese los datos
• Presente los resultados

Cómo hacer la pregunta?

Desde la perspectiva geográfica, sea específico y piense en su audiencia (A quién va dirigido el análisis, administradores, gerentes, etc.).

Buscar Datos para el Análisis

• Fuente de datos: GPS, CAD, Community Maps, GDB, Tablas, Servicios de mapas, Información RASTER.
• Examine los datos: Verificar el tipo de dato.
• Prepare los datos: importar, geocodificar (convertir una dirección alfanumérica a una coordenada), editar, etc.

Elejir un método de análisis, entre los métodos más comunes pueden mencionarse:

• Sobreposición

• Proximidad
• Análisis de imágenes
• 3D
• Análisis de redes
• Análisis estadísticos
• Análisis temporal

Procesar los datos implica cierto consumo de recursos y tomar en cuenta la información necesaria

Existen datos base que es el contexto y capas operacionales que sirven para hacer el análisis.

OLAP

 

Es el acrónimo en inglés  de procesamiento analítico en línea (On-Line Analytical Processing. Es una solución en el campo de la inteligencia de negocios cuyo objetivo es agilizar la consulta de grandes cantidades de datos. Para esto utiliza estructuras multidimensionales llamadas Cubos OLAP que contienen datos resumidos de grandes bases de datos o Sistemas transaccionales.

Las bases de datos OLAP organizan los datos por nivel de detalle, utilizando las mismas categorías que se utilizan para analizar los datos. Por ejemplo, una base de datos de ventas puede tener campos correspondientes al país, la región, la ciudad y el lugar de cada venta.

Características:

Permite organizar métricas a lo largo de múltiples dimensiones.

• Permite hacer análisis multidimensional.
• Se pueden realizar operaciones drill-down y roll-up dentro de cada dimensión

Relación entre OLAP y  Data Warehose

OLAP es el sistema de entrega de información para el Data Warehouse. Un Data Warehouse es el almacén de datos Un sistema OLAP apalanca un Data Warehouse al proveer capacidades de procesamiento más sofisticadas.

Cubo OLAP

Modelos para representar cubos:

• Modelo Estrella

Figura: http://www.dwreview.com/OLAP/Introduction_OLAP.html

 Modelos OLAP:

• Relational OLAP (ROLAP): El sistema OLAP se construye sobre una de base  de datos relacional.
• Multidimensional OLAP (MOLAP): El sistema OLAP se construye  sobre una base de datos multidimensional especializada

Principios de Modelado de Base de Datos Multidimensionales

 

Decisiones a tomar en el diseño:

• Selección del proceso
• Selección del nivel de detalle
• Identificación de las dimensiones
• Elección de los hechos (métricas)
• Elección de la duración de la base de datos

Modelado  Dimensional

Es una técnica de diseño utilizada para estructurar dimensiones de negocios y  las métricas que son analizadas a lo largo de esas  dimensiones. También contempla el alto desempeño para consultas y análisis.

Elementos a modelar:

• Métricas: son los hechos utilizados en el análisis
• Dimensiones
• Atributos de las dimensiones

¿Qué modelo de datos permite relacionar los hechos y las dimensiones de tal forma que?

• Esté enfocado en consultas
• Esté optimizado para consultas y análisis
• Muestre las relaciones entre dimensiones y hechos
• Esté estructurados de tal forma que cada dimensión pueda interactuar.

Para poder satisfacer estas características, se hace uso por ejemplo de un Modelo  de Estrella.

Modelado Dimensional	Modelado ER
Orientado a responder preguntas a lo largo de un procesos Enfocado en la perspectiva de negocio de los administradores de negocio Revela tendencias del negocio	Capturan detalles de eventos o transacciones Enfoques en eventos individuales Tiene el nivel de detalle necesario para hacer funcionar el negocio

Ventajas del esquema estrella:

• Fácil de entender para los usuarios finales
• Optimiza la navegación

Diseño de bases de Datos Multidimensionales

 

Data Warehouse vrs. Datamart

DATAWAREHOUSE	DATA MART
Unión de todos los data marts.	Departamental Procesos de negocio

Enfoque Top-down para construir Data Warehouse

El data warehouse central alimenta los data marts.

Ventajas:

• Visión de la información a nivel de  toda la empresa
• Almacén central y único de datos
• Control centralizada de los datos
• Puede proveer resultados inmediatos si se implementa a través de interacciones.

Desventajas:

• Toma más tiempo en construirse, aun con un enfoque iterativo.
• Mayores posibilidades de fracaso
• Mayor dificultad para integrar unidades organizacionales
• Es difícil elaborar pruebas de concepto de proyecto

Enfoque Bottom-up

El data warehouse es una colección de data marts.

Ventajas:

• Implementación más rápida y fácil
• Fácil elaborar pruebas dee conecepto
• Menor riesgo de fracaso
• Inherentemente incremental

Desventajas:

• Cada data mart tiene una visión estrecha de los datos.
• Pueden surigr redundancia entre los data marts
• Datos inconsistentes
• Pueden proliferar dificultades de interfaces entre data marts