Ingeniería de Ejecución en Administración de Empresas Mención Finanzas

...

- Diseño Dimensional

- Diseño de Prototipos

- Construcción

Data Mart

Un Datamart es una base de datos departamental, especializada en el almacenamiento de los datos de un área de negocio específica. Se caracteriza por disponer la estructura óptima de datos para analizar la información al detalle desde todas las perspectivas que afecten a los procesos de dicho departamento. Un Datamart puede ser alimentado desde los datos de un DWH, o integrar por sí mismo un compendio de distintas fuentes de información.

- Cubo de Datamart

Por lo tanto, para crear el Datamart de un área funcional de la empresa es preciso encontrar la estructura óptima para el análisis de su información, estructura que puede estar montada sobre una base de datos OLTP, como el propio DWH, o sobre una base de datos OLAP. La designación de una u otra dependerá de los datos, los requisitos y las características específicas de cada departamento. De esta forma se pueden plantear dos tipos de Datamarts:

Datamart OLAP

Se basan en los populares cubos OLAP, que se construyen agregando, según los requisitos de cada área o departamento, las dimensiones y los indicadores necesarios de cada cubo relacional. El modo de creación, explotación y mantenimiento de los cubos OLAP es muy heterogéneo, en función de la herramienta final que se utilice.

- Datamart OLTP

Pueden basarse en un simple extracto del DWH, no obstante, lo común es introducir mejoras en su rendimiento (las agregaciones y los filtrados suelen ser las operaciones más usuales) aprovechando las características particulares de cada área de la empresa. Las estructuras más comunes en este sentido son las tablas reporte, que vienen a ser fact-tables reducidas (que agregan las dimensiones oportunas), y las vistas materializadas, que se construyen con la misma estructura que las anteriores, pero con el objetivo de explotar la reescritura de queries (aunque sólo es posible en algunos Sistemas de Gestión de Bases de Datos avanzados, como Oracle).

Los Datamarts que están dotados con estas estructuras óptimas de análisis presentan las siguientes ventajas:

Poco volumen de datos

- Mayor rapidez de consulta

- Consultas SQL y/o MDX sencillas

- Validación directa de la información

- Facilidad para la historia de los datos

ETL

En este punto se realiza el proceso de extraer desde las diferentes fuentes de información de la empresa detectadas en las fases anteriores, tanto internas como externas, aquellos datos necesarios planteados en la fase de diseño dimensional y en la creación de nuestros prototipos, podremos usar alguna de las herramientas existentes de BI OS como Kettle (Pentaho), Talend, etc.

- Creación de Cubos

En base a lo visto en nuestro diseño dimensional y en la parte de análisis de requerimientos procederemos a la creación de nuestros cubos de información, que no son otra cosa que vistas multidimensionales de nuestros datos contenidos en nuestro DWH, la estructura de estos cubos puede estar almacenada dependiendo de la herramienta usada en archivos tipo XML o MDX, también existen herramientas BI OS que nos pueden ayudar en esta fase.

- Implementación de KPI’s

Los KPI's o también conocidos como Indicadores Clave de Rendimiento, son los parámetros con los cuales la organización detectará su adecuado nivel de rendimiento, estos se derivan de la fase de análisis de requerimientos y se dan en base a los que los usuarios desean detectar respecto a su información.

- Data Mining

El Data Mining (conocido en español como Minería de Datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto.

Básicamente, el Data Mining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.

De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento.

Aunque en Data Mining cada caso concreto puede ser radicalmente distinto al anterior, el proceso común a todos ellos se suele componer de cuatro etapas principales:

- Determinación de los objetivos.

Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en Data Mining.

- Pre procesamiento de los datos.

Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de Data Mining.

- Determinación del modelo.

Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial.

- Análisis de los resultados.

Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones.

Interfaces con el usuario

Ya concluidas las fases