Analisis Services(Ssas)

Mi colección

Este documento se proporciona "tal cual". La información y los puntos de vista expresados en este documento, incluyendo las referencias a sitios web deInternet y direcciones URL, está sujeta a cambios sin aviso. Este documento no implica ningún derecho legal respecto a ninguna propiedad intelectual de ningún

nombre de producto o producto de Microsoft. Puede copiar y utilizar este documento con fines internos y de referencia. Se permite que modifique este

documento para sus fines internos y de referencia. © 2013 Microsoft. Reservados todos los derechos. Términos de uso(http://msdn.microsoft.com/cc300389.aspx) | Marcas comerciales (http://www.microsoft.com/library/toolbar/3.0/trademarks/en-us.mspx)

http://msdn.microsoft.com/

Table Of ContentsCapítulo 1

Tutoriales de Analysis Services

http://msdn.microsoft.com/es-es/library/hh231701.aspx

Capítulo 1

Tutoriales de Analysis Services (SSAS)

Esta sección contiene los tutoriales de SQL Server 2014 Analysis Services.

Creación de modelos tabulares ﴾tutorial de Adventure Works﴿Este tutorial proporciona lecciones de cómo crear un modelo tabular básico de Analysis Services para una empresa ficticia, Adventure Works, mediante SQL ServerData Tools (SSDT).

Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿En este tutorial se enseñan los conocimientos y conceptos fundamentales que están detrás del modelado multidimensional en SQL Server Data Tools ﴾SSDT﴿.Cuando lo complete, tendrá una base de datos de cubo basada en los datos de Adventure Works a la que podrá acceder desde Excel, Reporting Services ocualquier otra aplicación cliente que se conecte a Analysis Services.

Bases de datos de ejemplo AdventureWorks en Codeplex

Este vínculo le lleva a la página de descarga de Codeplex que tiene las bases de datos de ejemplo de AdventureWorks para SQL Server 2014.

Ejemplo de código AMO para crear modelos tabulares mediante programaciónEste vínculo le lleva a la página de descarga de Codeplex que contiene el ejemplo AMO para SQL Server 2014.

Tutoriales de SQL Server 2008 R2

La mayoría de los tutoriales de SQL Server 2008 R2 funcionan en un servidor de SQL Server 2014. Si no tiene experiencia con la minería de datos, use este vínculopara buscar tutoriales de minería de datos de SQL Server 2008 R2 que funcionan también con una instancia de SQL Server 2014 de Analysis Services.

Vea también

Otros recursosTechNet WIKI: Ejemplos de SQL Server 2012

Conjunto de datos Picnic (datos de ejemplo)

© 2014 Microsoft. Reservados todos los derechos.

SQL Server 2014


http://msdn.microsoft.com/es-es/library/ms170208.aspx

http://go.microsoft.com/fwlink/?linkID=%20335807

http://go.microsoft.com/fwlink/?linkID=221036




Creación de modelos tabulares ﴾tutorial de Adventure Works﴿

Este tutorial ofrece lecciones sobre cómo crear un modelo tabular de SQL Server 2014 Analysis Services mediante SQL Server Data Tools ﴾SSDT﴿.

Aprendizaje

En el transcurso de este tutorial, aprenderá lo siguiente:

Cómo crear un proyecto de modelo tabular en SQL Server Data Tools.

Cómo importar datos de una base de datos relacional de SQL Server en un proyecto de modelo tabular.

Cómo crear y administrar relaciones entre las tablas del modelo.

Cómo crear y administrar cálculos, medidas e indicadores clave de rendimiento que ayuden a los usuarios a analizar los datos del modelo.

Cómo crear y administrar perspectivas y jerarquías que ayuden a los usuarios a examinar más fácilmente los datos del modelo mediante puntos de vistaespecíficos del negocio y de la aplicación.

Cómo crear particiones que dividan los datos de la tabla en piezas lógicas más pequeñas que se puedan procesar independientemente de otras particiones.

Cómo proteger los objetos y los datos del modelo creando roles con miembros de usuario.

Cómo implementar un modelo tabular en un espacio aislado o en una instancia de producción de Analysis Services que se ejecuta en modo tabular.

Escenario del tutorial

Este tutorial se basa en Adventure Works Cycles, una compañía ficticia. Adventure Works Cycles es una multinacional dedicada a la fabricación y distribución debicicletas de metal y de metal compuesto en mercados de Norteamérica, Europa y Asia. Las oficinas centrales de Adventure Works Cycles se encuentran en Bothell,

Washington, donde la compañía tiene 500 trabajadores. Además, Adventure Works Cycles tiene contratados a varios equipos de ventas regionales en toda su base demercado.

Para satisfacer mejor las necesidades de análisis de datos de los equipos de ventas y marketing, y de los directivos, le encargan que cree un modelo tabular para quelos usuarios analicen datos de las ventas por Internet de la base de datos de ejemplo AdventureWorksDW.

Para completar el tutorial, y el modelo tabular Ventas por Internet de Adventure Works, debe realizar una serie de lecciones. Dentro de cada lección hay varias tareas;la realización de cada tarea en orden es necesaria para completar la lección. Mientras que en una determinada lección puede haber varias tareas con las que seobtiene un resultado similar, el modo en que se completa cada tarea puede ser ligeramente diferente. Es decir, a menudo hay varias formas de completar una

determinada tarea, y para su realización tendrá que poner en práctica los conocimientos que aprendió en tareas anteriores.

El propósito de las lecciones es guiarle por la creación de un modelo tabular básico que se ejecute en modo en memoria usando muchas de las característicasincluidas en SQL Server Data Tools. Como cada lección se basa en la anterior, debe completar las lecciones en orden. Cuando haya completado todas las lecciones,

habrá creado e implementado el modelo tabular de ejemplo Venta por Internet de Adventure Works en un servidor de Análisis Services.

Nota

Este tutorial no proporciona lecciones ni información sobre cómo administrar una base de datos del modelo tabular implementado utilizando SQL ServerManagement Studio o una aplicación cliente de informes para conectarse a un modelo implementado con objeto de examinar los datos del modelo.

Requisitos previos

Para completar este tutorial, debe tener los siguientes requisitos previos instalados:

Instancia de SQL Server 2014 Analysis Services que se ejecuta en modo Tabular.

SQL Server Data Tools (SSDT).

Base de datos de ejemplo AdventureWorksDW. Esta base de datos de ejemplo incluye los datos necesarios para completar este tutorial. Para descargar la base

de datos de ejemplo, vea http://go.microsoft.com/fwlink/?LinkID=335807.

Microsoft Excel 2003 o posterior ﴾para su uso con la característica Analizar de Excel en la lección 11﴿

Lecciones

Este tutorial incluye las siguientes lecciones:

Lección Tiempo estimado para completar la lección

Lección 1: Crear un nuevo proyecto de modelo tabular 10 minutos

SQL Server 2014

http://go.microsoft.com/fwlink/?LinkID=335807



Lección 2: Agregar datos 20 minutos

Lección 3: Cambiar el nombre de las columnas 20 minutos

Lección 4: Marcar como tabla de fechas 3 minutos

Lección 5: Crear relaciones 10 minutos

Lección 6: Crear columnas calculadas 15 minutos

Lección 7: Crear medidas 30 minutos

Lección 8: Crear indicadores clave de rendimiento 15 minutos

Lección 9: Crear perspectivas 5 minutos

Lección 10: Crear jerarquías 20 minutos

Lección 11: Crear particiones 15 minutos

Lección 12: Crear roles 15 minutos

Lección 13: Analizar en Excel 20 minutos

Lección 14: Implementar 5 minutos

Lecciones complementarias

Este tutorial también incluye Lecciones complementarias. Los temas de esta sección no son necesarios para completar el tutorial, pero pueden ser útiles paracomprender mejor las características avanzadas de creación de modelos tabulares.

Este tutorial incluye las siguientes lecciones complementarias:

LecciónTiempo estimado para completar la

lección

Implementar seguridad dinámica utilizando filtros de filas 30 minutos

Configurar las propiedades de notificación para informes de Power View Configurar las propiedades de notificación parainformes de Power View

30 minutos

Paso siguiente

Para comenzar el tutorial, vaya a la primera lección: Lección 1: Crear un nuevo proyecto de modelo tabular.



















Lección 1: Crear un nuevo proyecto de modelo tabular

En esta lección, creará un nuevo proyecto de modelo tabular en blanco en SQL Server Data Tools ﴾SSDT﴿. Una vez creado el nuevo proyecto, puede comenzar a agregar

datos usando el Asistente para la importación de tablas. Además de crear un nuevo proyecto, esta lección incluye también una breve introducción al entorno de creaciónde modelos tabulares en SQL Server Data Tools.

Para obtener más información sobre los diferentes tipos de proyectos de modelos tabulares, vea Proyectos de modelos tabulares (SSAS tabular). Para obtener másinformación sobre el entorno de creación de modelos tabulares, vea Diseñador de modelos tabulares ﴾SSAS tabular﴿.

Tiempo estimado para completar esta lección: 10 minutos

Requisitos previos

Este tema es la primera lección de un tutorial de creación de modelos tabulares. Para completar esta lección, debe tener la base de datos AdventureWorksDWinstalada en una instancia de SQL Server. Para obtener más información, vea Creación de modelos tabulares ﴾tutorial de Adventure Works﴿.

Crear un nuevo proyecto de modelo tabular

Para crear un nuevo proyecto de modelo tabular

1. En SQL Server Data Tools, en el menú Archivo, haga clic en Nuevo y, a continuación, en Proyecto.

2. En el cuadro de diálogo Nuevo proyecto, debajo de Plantillas instaladas, haga clic en Business Intelligence, en Analysis Services y en Proyecto tabular de

Analysis Services.

3. En Nombre, escriba MT Ventas AW y especifique una ubicación para los archivos del proyecto.

De forma predeterminada, Nombre de la solución será el mismo que el nombre del proyecto; no obstante, puede especificar un nombre de solución diferente.

4. Haga clic en Aceptar.

Descripción del entorno de creación de modelos tabulares con las herramientas de datos deSQL Server

Ahora que ha creado un nuevo proyecto de modelo tabular, dedique un momento a examinar el entorno de creación de modelos tabulares de SQL Server Data Tools(Visual Studio 2010 o posterior).

Después de crear el proyecto, este se abre en SQL Server Data Tools. Aparecerá un modelo vacío en el diseñador de modelos y el archivo Model.bim se seleccionaráen el Explorador de soluciones. Cuando agregue datos, aparecerán tablas y columnas en el diseñador. Si no ve el diseñador ﴾la ventana vacía con la pestañaModel.bim), en el Explorador de soluciones, en MT Ventas AW, haga doble clic en el archivo Model.bim.

Puede ver las propiedades básicas del proyecto en la ventana Propiedades. En el Explorador de soluciones, haga clic en MT Ventas AW. Observe que en la ventana

Propiedades, en Archivo de proyecto, aparece MT Ventas AW.smproj. Este es el nombre de archivo del proyecto y en Carpeta del proyecto verá la ubicación delarchivo del proyecto.

En Explorador de soluciones, haga clic con el botón secundario en el proyecto MT Ventas AW y, a continuación, haga clic en Propiedades. Aparece el cuadro de

diálogo Páginas de propiedades del MT Ventas AW. Estas son las propiedades avanzadas del proyecto. Establecerá alguna de estas propiedades más adelantecuando esté preparado para implementar el modelo.

Ahora, examinemos las propiedades del modelo. En el Explorador de soluciones, haga clic en Model.bim. En la ventana Propiedades verá ahora las propiedades delmodelo, de las cuales la más importante es DirectQueryMode. Esta propiedad especifica si el modelo se va a implementar en modo de almacenamiento en memoria

(desactivada) o en modo DirectQuery (activada). En este tutorial, creará e implementará el modelo en modo de almacenamiento en memoria.

Cuando crea un modelo nuevo, algunas propiedades del modelo se establecen automáticamente según la configuración del modelo de datos, que puede especificarseen Herramientas\cuadro de diálogo Opciones. Las propiedades Copia de seguridad de datos, Retención de área de trabajo y Servidor del área de trabajo especificancómo y dónde se realiza una copia de seguridad, se conserva en memoria y se crea la base de datos del área de trabajo ﴾la base de datos de creación del modelo﴿.Puede cambiar esta configuración más adelante si es necesario, pero de momento deje estas propiedades tal como están.

Cuando instaló SQL Server Data Tools, se agregaron varios elementos de menú nuevos al entorno de Visual Studio. Examinemos los nuevos elementos de menú queson específicos de la creación de modelos tabulares. Haga clic en el menú Modelo. Desde aquí, puede iniciar el Asistente para la importación de tablas, ver y editarconexiones existentes, actualizar los datos del área de trabajo, examinar el modelo en Microsoft Excel con la característica Analizar de Excel, crear perspectivas y roles,seleccionar la vista del modelo y definir opciones de cálculo.

Haga clic en el menú Tabla. Aquí puede crear y administrar las relaciones entre tablas, crear y administrar tablas, especificar la configuración de las tablas de datos,crear particiones y editar las propiedades de tabla.

Haga clic en el menú Columna. Aquí puede agregar y eliminar columnas de una tabla, inmovilizar columnas y especificar el criterio de ordenación. También puedeutilizar la característica de autosuma para crear una medida de agregación estándar para una columna seleccionada. Otros botones de la barra de herramientas

proporcionan acceso rápido a características y comandos usados con frecuencia.

Examine algunos de los cuadros de diálogo y ubicaciones de las distintas características específicas de la creación de modelos tabulares. Aunque algunos elementos

aún no estén activos, puede hacerse una idea de cómo es el entorno de creación de modelos tabulares.

SQL Server 2014


http://msdn.microsoft.com/es-es/library/gg492080.aspx


Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 2: Agregar datos.



Lección 2: Agregar datos

En esta lección usará el Asistente para la importación de tablas de SQL Server Data Tools para conectarse a la base de datos SQL AdventureWorksDW, seleccionar datos,obtener una vista previa, filtrar los datos e importarlos al área de trabajo del modelo.

Mediante el Asistente para la importación de tablas, puede importar datos de una gran variedad de orígenes relacionales: Access, SQL, Oracle, Sybase, Informix, DB2,Teradata, etc. El procedimiento para importar los datos de cada uno de estos orígenes relacionales es muy similar al que se describe a continuación. Asimismo, los datos

se pueden seleccionar mediante un procedimiento almacenado.

Para obtener más información sobre la importación de datos y los diferentes tipos de orígenes de datos de los que puede realizar la importación, vea Orígenes de datos(SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 1: Crear un nuevo proyecto de modelo tabular.

Crear una conexión

Para crear una conexión con la base de datos AdventureWorksDW2012

1. En SQL Server Data Tools, haga clic en el menú Modelo y, a continuación, haga clic en Importar desde el origen de datos.

De esta forma se inicia el Asistente para la importación de tablas, que le guía a través del proceso para establecer una conexión a un origen de datos. Si

Importar desde el origen de datos está atenuado, haga doble clic en Model.bim en en Explorador de soluciones para abrir el modelo en el diseñador.

2. En el Asistente para la importación de tablas, bajo Bases de datos relacionales, haga clic en Microsoft SQL Server y después en Siguiente.

3. En la página Conectarse a una base de datos de Microsoft SQL Server, en Nombre descriptivo de la conexión, escriba BD de Adventure Works de SQL.

4. En Nombre del servidor, escriba el nombre del servidor en el que instaló la base de datos AdventureWorksDW.

5. En el campo Nombre de la base de datos, haga clic en la flecha abajo y seleccione AdventureWorksDW; a continuación, haga clic en Siguiente.

6. En la página Información de suplantación, tendrá que especificar las credenciales que usará Analysis Services para conectar con el origen de datos al importary procesar los datos. Compruebe que Nombre de usuario y contraseña específicos de Windows está seleccionado y, en Nombre de usuario y Contraseña,

especifique las credenciales de inicio de sesión de Windows y haga clic en Siguiente.

Nota

El uso de una cuenta de usuario y una contraseña de Windows es el método más seguro de conexión a un origen de datos. Para obtener más información,vea Suplantación ﴾SSAS tabular﴿.

7. En la página Elegir cómo importar los datos, compruebe que la opción Seleccionar de una lista de tablas y vistas para elegir los datos para importar estáseleccionada. Tendrá que seleccionar valores de una lista de tablas y vistas, así que haga clic en Siguiente para mostrar una lista de todas las tablas de origen

de la base de datos de origen.

8. En la página Seleccionar tablas y vistas, active la casilla de las siguientes tablas: DimCustomer, DimDate, DimGeography, DimProduct, DimProductCategory,

DimProductSubcategory y FactInternetSales.

9. Vamos a asignar nombres fáciles de identificar a las tablas del modelo. Haga clic en la celda de la columna Nombre descriptivo de DimCustomer. Cambie el

nombre de la tabla quitando “Dim” de DimCustomer.

10. Cambie el nombre de las demás tablas:

Nombre de origen Nombre descriptivo

DimDate date

DimGeography Geography

DimProduct Product

DimProductCategory Product Category

DimProductSubcategory Product Subcategory

FactInternetSales Internet Sales

NO haga clic en Finalizar.

Ahora que se ha conectado a la base de datos, ha seleccionado las tablas que se importarán y ha asignado nombres descriptivos a las tablas, vaya a la siguientesección, Filtrar los datos de la tabla antes de importar.

SQL Server 2014




Filtrar los datos de la tabla

La tabla DimCustomer que va a importar de la base de datos contiene un subconjunto de los datos de la base de datos Adventure original de SQL Server. Filtraráalgunas de las columnas de la tabla DimCustomer que no son necesarias. Cuando sea posible, querrá filtrar los datos que no se utilicen para ahorrar espacio enmemoria usado por el modelo.

Para filtrar los datos de las tablas antes de importar

1. Seleccione la fila de la tabla Customer y, a continuación, haga clic en Vista previa y filtrar. La ventana Vista previa de la tabla seleccionada se abre con todas

las columnas de la tabla de origen DimCustomer mostradas.

2. Desactive la casilla situada sobre las siguientes columnas:

Customer

SpanishEducation

FrenchEducation

SpanishOccupation

FrenchOccupation

Puesto que los valores de estas columnas no son pertinentes para el análisis de ventas por Internet, no hay necesidad de importarlas. La eliminación decolumnas innecesarias reducirá el tamaño de su modelo.

3. Compruebe que el resto de las columnas estén activadas y después haga clic Aceptar.

Observe que las palabras Filtros aplicados se muestran ahora en la columna Detalles del filtro en la fila Customer; si hace clic en ese vínculo, verá unadescripción textual de los filtros recién aplicados.

4. Filtre las tablas restantes desactivando las casillas de las columnas siguientes en cada tabla:

date

DateKey

SpanishDayNameOfWeek

FrenchDayNameOfWeek

SpanishMonthName

FrenchMonthName

Geography

SpanishCountryRegionName

FrenchCountryRegionName

IpAddressLocator

Product

SpanishProductName

FrenchProductName

FrenchDescription

ChineseDescription

ArabicDescription

HebrewDescription

ThaiDescription

GermanDescription

JapaneseDescription

TurkishDescription

Product Category

SpanishProductCategoryName

FrenchProductCategoryName

Product Subcategory

SpanishProductSubcategoryName

FrenchProductSubcategoryName

Internet Sales

OrderDateKey

DueDateKey

ShipDateKey

Ahora que ha obtenido una vista previa de los datos innecesarios y los ha filtrado, puede importar los datos. Vaya a la siguiente sección, Importar los datos de las

columnas y las tablas seleccionadas.

Importar los datos de las columnas y las tablas seleccionadas

Ahora puede importar los datos seleccionados. El asistente importa los datos de la tabla junto con todas las relaciones entre las tablas. Las nuevas tablas y columnas

se crean en el modelo con los nombres descriptivos que especificó, y los datos que filtró no se importan.

Para importar los datos de las columnas y las tablas seleccionadas

1. Revise las opciones seleccionadas. Si todo parece correcto, haga clic en Finalizar.

Mientras importa los datos, el asistente muestra cuántas filas se han capturado. Cuando se hayan importado todos los datos, se muestra un mensaje para

indicarlo.

Sugerencia

Para ver las relaciones que se crearon automáticamente entre las tablas importadas, en la fila Preparación de datos, haga clic en Detalles.

2. Haga clic en Cerrar.

El asistente se cierra y aparece el diseñador de modelos. Cada tabla se ha agregado como una nueva pestaña en el diseñador de modelos.

Guardar el proyecto de modelo

Es importante que guarde frecuentemente el proyecto de modelo.

Para guardar el proyecto de modelo

En SQL Server Data Tools, haga clic en el menú Archivo y luego en Guardar todo.

Paso siguiente

Para continuar este tutorial, vaya a la lección siguiente: Lección 3: Cambiar el nombre de las columnas.


#Import_


Lección 3: Cambiar el nombre de las columnas

En esta lección, cambiará el nombre de muchas de las columnas de cada tabla que ha importado. El cambio de nombre permite navegar de forma más sencilla por eldiseñador de modelos y facilita la selección de campos de los usuarios en una aplicación cliente. Para obtener más información, vea Cambiar el nombre de una tabla o

una columna (SSAS tabular).

Importante

El cambio de nombre de las columnas no es necesario para completar este tutorial; sin embargo, las lecciones restantes, especialmente en las que hay que crear

relaciones, así como crear columnas calculadas y medidas mediante fórmulas DAX, hacen referencia a los nombres descriptivos que se indican en esta lección. Si

decide no cambiar el nombre de las columnas, tendrá que editar las fórmulas DAX en las lecciones 5, 6 y 7 para utilizar los nombres de las columnas de origenoriginales proporcionados en esta lección.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 2: Agregar datos.

Cambiar el nombre de las columnas

Para cambiar el nombre de las columnas

1. En el diseñador de modelos, haga clic en tabla ﴾pestaña﴿ Customer.

Al hacer clic en una pestaña, la tabla se activa en la ventana del diseñador de modelos.

2. Haga doble clic en el nombre de columna CustomerKey, escriba Id. de cliente y presione ENTRAR.

Sugerencia

También puede cambiar el nombre de una columna en la propiedad Nombre de columna en la ventana Propiedades de la columna o en la vista de

diagrama.

3. Cambie el nombre de las columnas restantes de la tabla Customer, así como el de las columnas de las demás tablas, sustituyendo el nombre de origen por elnombre descriptivo:

Tabla Customer


GeographyKey Id. de geografía

CustomerAlternateKey Id. alternativo del cliente

FirstName Nombre

MiddleName Segundo nombre

LastName Apellidos

NameStyle Estilo del nombre

BirthDate Fecha de nacimiento

MaritalStatus Estado civil

EmailAddress Dirección de correo electrónico

YearlyIncome Ingresos anuales

TotalChildren Hijos

NumberChildrenAtHome Hijos a su cuidado

EnglishEducation Educación

EnglishOccupation Ocupación

HouseOwnerFlag Propietario de una vivienda

NumberCarsOwned Número de vehículos en propiedad



AddressLine1 Línea de dirección 1

AddressLine2 Línea de dirección 2

Phone Número de teléfono

DateFirstPurchase Fecha de la primera compra

CommuteDistance Distancia de viaje

Date


FullDateAlternateKey date

DayNumberOfWeek Día de la semana

EnglishDayNameOfWeek Nombre del día

DayNumberOfMonth Día del mes

DayNumberOfYear Día del año

WeekNumberOfYear Número de semana del año

EnglishMonthName Nombre del mes

MonthNumberOfYear Mes

CalendarQuarter Trimestre del calendario

CalendarYear Año del calendario

CalendarSemester Semestre del calendario

FiscalQuarter Trimestre fiscal

FiscalYear Año fiscal

FiscalSemester Semestre fiscal

Geography


GeographyKey Id. de geografía

StateProvinceCode Código de estado o provincia

StateProvinceName Nombre de estado o provincia

CountryRegionCode Código de país o región

SpanishCountryRegionName Nombre de país o región

PostalCode Código postal

SalesTerritoryKey Id. de territorio de ventas

Product


ProductKey Id. de producto

ProductAlternateKey Id. alternativo del producto

ProductSubcategoryKey Id. de subcategoría del producto

WeightUnitMeasureCode Código de unidad de peso

SizeUnitMeasureCode Código de unidad de tamaño

EnglishProductName Nombre del producto

StandardCost Costo estándar

FinishedGoodsFlag Es producto final

SafetyStockLevel Nivel de stock de seguridad

ReorderPoint Punto de nuevo pedido

ListPrice Precio de lista

SizeRange Rango de tamaño

DaysToManufacture Días hasta fabricación

ProductLine Línea de productos

Dealer Price Precio del distribuidor

ModelName Nombre del modelo

LargePhoto Foto grande

EnglishDescription Descripción

StartDate Fecha de inicio del producto

EndDate Fecha de finalización del producto

Status Estado del producto

Product Category


ProductCategoryKey Id. de categoría del producto

ProductCategoryAlternateKey Id. alternativo de categoría del producto

EnglishProductCategoryName Nombre de categoría del producto

Product Subcategory


ProductSubcategoryKey Id. de subcategoría del producto

ProductSubcategoryAlternateKey Id. alternativo de subcategoría del producto

EnglishProductSubcategoryName Nombre de subcategoría del producto

ProductCategoryKey Id. de categoría del producto

Internet Sales


ProductKey Id. de producto

CustomerKey Id. de cliente

PromotionKey Id. de promoción

CurrencyKey Id. de moneda

SalesTerritoryKey Id. de territorio de ventas

SalesOrderNumber Número de pedido de ventas

SalesOrderLineNumber Número de líneas del pedido de venta

RevisionNumber Número de revisión

OrderQuantity Cantidad del pedido

UnitPrice Precio por unidad

ExtendedAmount Importe extendido

UnitPriceDiscountPct Porcentaje de descuento del precio por unidad

DiscountAmount Importe de descuento

ProductStandardCost Costo estándar del producto

TotalProductCost Costo total del producto

SalesAmount Importe de ventas

TaxAmt Importe de impuesto

CarrierTrackingNumber Número de seguimiento del transportista

CustomerPONumber Número de orden de compra del cliente

OrderDate Fecha de pedido

DueDate Fecha de vencimiento

ShipDate Fecha de envío

Paso siguiente

Para continuar este tutorial, vaya a la lección siguiente: Lección 4: Marcar como tabla de fechas.



Lección 4: Marcar como tabla de fechas

En la lección 2: Agregar datos, importó una tabla de dimensiones denominada DimDate. A continuación cambió el nombre de la tabla DimDate, en la lección 3: Cambiar elnombre de las columnas a, simplemente, Date. Aunque en el modelo esta tabla se denomina Date, puede ser también conocida como tabla Date, porque contiene datos

datetime.

Siempre que use funciones de Inteligencia de tiempo en los cálculos, como hará al crear medidas un poco más adelante, debe especificar propiedades de pabla defechas, que incluyen una tabla de fechas y una columna de fecha de identificador único en esa tabla. Puede crear relaciones válidas entre otras tablas y la tabla Date; esnecesario para los cálculos con las funciones de inteligencia de tiempo de DAX.

En esta lección, se marcará la tabla Date importada y con el nombre cambiado como Date table y la columna Date (en la tabla Date) como Date column (identificador

único﴿. Todo el uso del nombre Date puede llevar a confusión, pero pronto lo entenderá.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 3: Cambiar el nombre de las columnas.

Para establecer la marca como tabla de fecha

1. En el diseñador de modelos, haga clic en la tabla ﴾pestaña﴿ Date.

2. Haga clic en el menú Tabla , haga clic en Date y después haga clic en Marcar como tabla de fechas.

3. En el cuadro de diálogo Marcar como tabla de fechas, en el cuadro de lista Date, seleccione la columna Date que se utilizará como identificador único.

Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 5: Crear relaciones.


SQL Server 2014



Lección 5: Crear relaciones

En esta lección, comprobará las relaciones que se crearon automáticamente cuando importó datos y agregará nuevas relaciones entre tablas diferentes. Una relación esuna conexión entre dos tablas de datos que establece cómo se deben poner en correlación los datos de esas tablas. Por ejemplo, la tabla Product y la tabla Product

Subcategory tienen una relación basada en el hecho de que cada producto pertenece a una subcategoría. Para obtener más información, vea relaciones (SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 3: Cambiar el nombre de las columnas.

Examinar las relaciones existentes y agregar nuevas relaciones

Cuando importó los datos mediante el Asistente para la importación de tablas, importó siete tablas de la base de datos AdventureWorksDW. Normalmente, si importa

datos de un origen relacional, las relaciones existentes se importan automáticamente junto con los datos. Sin embargo, para poder crear el modelo debe comprobar

que esas relaciones entre las tablas se crearon correctamente. En este tutorial, agregará también tres relaciones nuevas.

Para revisar las relaciones existentes

1. En SQL Server Data Tools, haga clic en el menú Modelo, elija Vista de modelo y haga clic en Vista de diagrama.

El diseñador de modelos se muestra ahora en la vista de diagrama, un formato gráfico que muestra todas las tablas que importó con líneas entre ellas. Las

líneas entre las tablas indican las relaciones que se crearon automáticamente cuando importó los datos.

Utilice los controles de minimapa de la esquina superior derecha del diseñador de modelos para ajustar la vista e incluir tantas tablas como sea posible.También puede hacer clic y arrastrar las tablas a ubicaciones diferentes, aunando las tablas o colocándolas en un orden determinado. El movimiento de las

tablas no afecta a las relaciones existentes entre ellas. Para ver todas las columnas de una determinada tabla, haga clic y arrastre un borde de la tabla para

expandirla o reducirla.

2. Haga clic en la línea sólida entre la tabla Customer y la tabla Geography. La línea sólida entre estas dos tablas muestra que esta relación está activa, es decir, seutiliza de forma predeterminada al calcular fórmulas DAX.

Observe que la columna Geography Id de la tabla Customer y la columna Geography Id de la tabla Geography aparecen ahora dentro de un cuadro. Esto

indica que esas son las columnas usadas en la relación. Las propiedades de la relación aparecen ahora también en la ventana Propiedades.

Sugerencia

Además de usar al diseñador de modelos en la vista de diagrama, puede usar también el cuadro de diálogo Administrar relaciones para mostrar las

relaciones entre todas las tablas en un formato de tabla. Haga clic en el menú Tabla y después haga clic en Administrar relaciones. El cuadro de diálogoAdministrar relaciones muestra las relaciones que se crearon automáticamente cuando importó los datos.

3. Use el diseñador de modelos en la vista de diagrama o el cuadro de diálogo Administrar relaciones para comprobar que se crearon las siguientes relaciones

cuando se importó cada una de las tablas de la base de datos AdventureWorksDW:

Activo Tabla Tabla de búsqueda relacionada

Si Customer [Geography Id] Geography [Geography Id]

Si Product [Product Subcategory Id] Product Subcategory [Product Subcategory Id]

Si Product Subcategory [Product Category Id] Product Category [Product Category Id]

Si Internet Sales [Customer Id] Customer [Customer Id]

Si Internet Sales [Product Id] Product [Product Id]

Si falta alguna de las relaciones en la tabla, compruebe que el modelo incluye las tablas siguientes: Customer, Date, Geography, Product, Product Category, Product

Subcategory y Internet Sales. Si las tablas de la misma conexión del origen de datos se importan en momentos distintos, no se creará ninguna relación entre estastablas y las relaciones deberán crearse manualmente.

En algunos casos, tal vez necesite crear relaciones adicionales entre las tablas de su modelo para permitir una determinada lógica empresarial. En este tutorial, tendráque crear tres relaciones adicionales entre la tabla Internet Sales y la tabla Date.

Para agregar nuevas relaciones entre las tablas

1. En el diseñador de modelos, en la tabla Internet Sales, haga clic y mantenga seleccionada la columna Order Date, arrastre el cursor hasta la columna Date de la

tabla Date y suéltelo.

Aparece una línea sólida que indica que ha creado una relación activa entre la columna Order Date de la tabla Internet Sales y la columna Date de la tabla

Date.

Nota

SQL Server 2014



Al crear relaciones, el orden entre la tabla primaria y la tabla de búsqueda relacionada se fija de manera correcta automáticamente.

2. En el diseñador de modelos, en la tabla Internet Sales, haga clic y mantenga seleccionada la columna Due Date, arrastre el cursor hasta la columna Date de la

tabla Date y suéltelo.

Aparece una línea de puntos que indica que ha creado una relación inactiva entre la columna Due Date de la tabla Internet Sales y la columna Date de la tabla

Date. Puede haber varias relaciones entre las tablas, pero solo una puede estar activa cada vez.

3. Por último, cree una relación más; en la tabla Internet Sales, haga clic y mantenga seleccionada la columna Ship Date, arrastre el cursor hasta la columna Date

de la tabla Date y suéltelo.

Aparece una línea de puntos que indica que ha creado una relación inactiva entre la columna Ship Date de la tabla Internet Sales y la columna Date de la tabla

Date.

Paso siguiente

Para continuar esta lección, vaya a la lección siguiente: Lección 6: Crear columnas calculadas.



Lección 6: Crear columnas calculadas

En esta lección creará nuevos datos en el modelo agregando columnas calculadas. Una columna calculada está basada en datos que ya existen en el modelo. Para

obtener más información, vea Columnas calculadas (SSAS tabular).

Creará cinco columnas calculadas nuevas en tres tablas diferentes. Los pasos son ligeramente diferentes para cada tarea. Esto es así para mostrarle que hay variasformas de crear nuevas columnas, cambiarles el nombre y colocarlas en distintos lugares de una tabla.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 5: Crear relaciones.

Crear columnas calculadas

Crear una columna calculada Calendario del mes en la tabla Date

1. En SQL Server Data Tools, haga clic en el menú Modelo, elija Vista de modelo y, a continuación, haga clic en Vista de datos.

Las columnas calculadas solo se pueden crear mediante el diseñador de modelos en la Vista de datos.

2. En el diseñador de modelos, haga clic en la tabla ﴾pestaña﴿ Date.

3. Haga clic con el botón secundario en la columna Calendar Quarter y, a continuación, haga clic en Insertar columna.

Una nueva columna denominada CalculatedColumn1 se inserta a la izquierda de la columna Calendar Quarter.

4. En la barra de fórmulas situada encima de la tabla, escriba la siguiente fórmula. Autocompletar sirve de ayuda para escribir los nombres completos de columnas

y tablas, y enumera las funciones que están disponibles.

=RIGHT(" " & FORMAT([Month],"#0"), 2) & " - " & [Month Name]

Cuando termine de crear la fórmula, presione ENTRAR.

Los valores se rellenan para todas las filas de la columna calculada. Si se desplaza hacia abajo por la tabla, verá que las filas pueden tener valores diferentespara esta columna, en función de los datos que haya en cada fila.

Nota

Si aparece un error, compruebe que los nombres de columna de la fórmula coinciden con los nombres de columna que cambió en Lección 3: Cambiar elnombre de las columnas.

5. Cambie el nombre de la columna a Calendario del mes.

La columna calculada Calendario del mes proporciona un nombre ordenable del mes.

Crear una columna calculada Día de la semana en la tabla Date

1. Con la tabla Date activa, haga clic en el menú Columna y luego en Agregar columna.

Se agrega una columna nueva a la derecha de la tabla.

2. En la barra de fórmulas, escriba la fórmula siguiente:

=RIGHT(" " & FORMAT([Day Number Of Week],"#0"), 2) & " - " & [Day Name]


3. Cambie el nombre de la columna a Día de la semana.

4. Haga clic en el encabezado de columna y después arrastre la columna entre la columna Day Name y la columna Day of Month.

Sugerencia

El movimiento de columnas en la tabla simplifica la navegación.

La columna calculada Día de la semana proporciona un nombre ordenable del día de la semana.

Crear una columna calculada Nombre de subcategoría del producto en la tabla Product

1. En el diseñador de modelos, seleccione la tabla Product.

2. Desplácese hasta el extremo derecho de la tabla. Observe que la columna situada más a la derecha se denomina Agregar columna (en cursiva); haga clic en el

encabezado de columna.

SQL Server 2014




3. En la barra de fórmulas, escriba la fórmula siguiente.

=RELATED('Product Subcategory'[Product Subcategory Name])


4. Cambie el nombre de la columna a Nombre de subcategoría del producto.

La columna calculada Nombre de subcategoría del producto se utiliza para crear una jerarquía en la tabla Product que incluya los datos de la columna con igualnombre en la tabla Product Subcategory. Las jerarquías no pueden abarcar más de una tabla. Más adelante, en la lección 7, creará jerarquías.

Crear una columna calculada Nombre de categoría del producto en la tabla Product

1. Con la tabla Product activa, haga clic en el menú Columna y, a continuación, en Agregar columna.


=RELATED('Product Category'[Product Category Name])


3. Cambie el nombre de la columna a Nombre de categoría del producto.

La columna calculada Nombre de categoría del producto se utiliza para crear una jerarquía en la tabla Product que incluya los datos de la columna con igual nombreen la tabla Product Category. Las jerarquías no pueden abarcar más de una tabla.

Crear una columna calculada Margen en la tabla Internet Sales

1. En el diseñador de modelos, seleccione la tabla Internet Sales.

2. Agregue una nueva columna.


=[Sales Amount]-[Total Product Cost]


4. Cambie el nombre de la columna a Margen.

5. Arrastre la columna entre la columna Sales Amount y la columna Tax Amt.

La columna calculada Margen se utiliza para analizar los márgenes de beneficios de cada fila ﴾producto﴿.

Paso siguiente

Para continuar esta lección, vaya a la lección siguiente: Lección 7: Crear medidas.



Lección 7: Crear medidas

En esta lección, creará medidas para incluirlas en su modelo. Al igual que las columnas calculadas que creó en la lección anterior, una medida es esencialmente un cálculocreado usando una fórmula DAX. Sin embargo, a diferencia de las columnas calculadas, las medidas se evalúan en función de un filtro seleccionado por el usuario; por

ejemplo, una columna o una segmentación de datos determinada agregada al campo Etiquetas de filas en una tabla dinámica. A continuación, la medida aplicada calculaun valor para cada celda del filtro. Las medidas son cálculos eficaces y flexibles que deseará incluir en casi todos los modelos tabulares para realizar cálculos dinámicossobre datos numéricos. Para obtener más información, vea Medidas (SSAS tabular).

Para crear medidas, usará la cuadrícula de medidas. De manera predeterminada, cada tabla tiene una cuadrícula de medidas vacía, pero normalmente no creará medidaspara todas las tablas. La cuadrícula de medidas aparece debajo de una tabla en el diseñador de modelos en la vista de datos. Para mostrar u ocultar la cuadrícula demedidas de una tabla, haga clic en el menú Tabla y en Mostrar cuadrícula de medidas.

Puede crear una medida haciendo clic en una celda vacía de la cuadrícula de medidas y escribiendo después una fórmula DAX en la barra de fórmulas. Al hacer clic en

ENTRAR para completar la fórmula, la medida aparecerá en la celda. También puede crear medidas mediante una función de agregación estándar haciendo clic en unacolumna y después clic en el botón de autosuma ﴾∑) en la barra de herramientas. Las medidas creadas mediante la característica de autosuma aparecerán directamenteen la cuadrícula de medidas debajo de la columna, pero se pueden mover si es necesario.

En esta lección, creará medidas escribiendo una fórmula DAX en la barra de fórmulas y usando la característica de autosuma.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 6: Crear columnas calculadas.

Crear medidas

Para crear una medida Días del trimestre actual hasta la fecha en la tabla Fecha

1. En el diseñador de modelos, haga clic en la tabla Fecha.

2. Si no aparece una cuadrícula de medidas vacía debajo de la tabla, haga clic en el menú Tabla y después en Mostrar cuadrícula de medidas.

3. En la cuadrícula de medidas, haga clic en la celda vacía superior izquierda.

4. En la barra de fórmulas situada encima de la tabla, escriba la siguiente fórmula:

=COUNTROWS( DATESQTD( 'Date'[Fecha]))


Observe que ahora la celda superior izquierda contiene un nombre de medida, Medida 1, seguido del resultado, 30. El nombre de medida también precede a lafórmula en la barra de fórmulas.

5. Para cambiar el nombre de la medida, en la barra de fórmulas, resalte el nombre, Medida 1, escriba Días del trimestre actual hasta la fecha y despuéspresione ENTRAR.

Sugerencia

Cuando escriba una fórmula en la barra de fórmulas, también puede escribir el nombre de la medida seguido de dos puntos ﴾:﴿, seguido de un espacio yseguido de la fórmula. Con este método, no tiene que cambiar el nombre de la medida.

Para crear una medida Días del trimestre actual en la tabla Fecha

1. Con la tabla Fecha activa en el diseñador de modelos, en la cuadrícula de medidas, haga clic en la celda vacía debajo de la medida que acaba de crear.


Días del trimestre actual :=COUNTROWS﴾ DATESBETWEEN﴾ 'Date'[Fecha], STARTOFQUARTER﴾ LASTDATE﴾'Date'[Fecha]﴿﴿,ENDOFQUARTER('Date'[Fecha])))

Observe que en esta fórmula primero se incluye el nombre de medida seguido de dos puntos ﴾:﴿.


Al crear un coeficiente de comparación entre un período incompleto y el período anterior, la fórmula debe tener en cuenta la parte del período que ha transcurrido ycompararla con la misma parte del período anterior. En este caso, [Días del trimestre actual hasta la fecha]/[Días del trimestre actual] da como resultado la partetranscurrida del período actual.

Para crear una medida Pedido de venta de recuento distinto por Internet en la tabla Ventas por Internet

1. En el diseñador de modelos, haga clic en la tabla ﴾pestaña﴿ Ventas por Internet.

Si no aparece la cuadrícula de medidas, haga clic con el botón secundario en la tabla ﴾pestaña﴿ Ventas por Internet y después haga clic en Mostrar cuadrículade medidas.

SQL Server 2014



2. Haga clic en el encabezado de columna Número de pedido de venta.

3. En la barra de herramientas, haga clic en la flecha abajo situada junto al botón de autosuma ﴾∑﴿ y después seleccione DistinctCount.

La característica de autosuma crea automáticamente una medida para la columna seleccionada usando la fórmula estándar de agregación DistinctCount.

Observe que la celda superior situada debajo de la columna en la cuadrícula de medidas ahora contiene un nombre de medida, Número de pedido de ventade recuento distinto. Las medidas creadas mediante la característica de autosuma se colocan automáticamente en la celda superior de la cuadrícula demedidas debajo de la columna asociada.

4. En la cuadrícula de medidas, haga clic en la nueva medida y, a continuación, en la ventana Propiedades, en Nombre de medida, cambie el nombre de la medida

a Pedido de venta de recuento distinto por Internet.

Para crear medidas adicionales en la tabla Ventas por Internet

1. Con la característica de autosuma, cree y asigne un nombre a las medidas siguientes:

Nombre de medida Columna Autosuma ﴾∑﴿ Fórmula

Recuento de líneas de pedido por Internet Número de líneas del pedido de venta Recuento =COUNT ﴾[Número de líneas del pedido de venta]﴿

Unidades totales de Internet Cantidad del pedido Suma =SUM([Cantidad del pedido])

Importe de descuento total por Internet Importe de descuento Suma =SUM([Importe de descuento])

Costo total del producto por Internet Costo total del producto Suma =SUM([Costo total del producto])

Ventas totales por Internet Importe de ventas Suma =SUM([Importe de ventas])

Margen total de Internet Margen Suma =SUM([Margen])

Importe de impuesto total por Internet Importe de impuesto Suma =SUM([Importe de impuesto])

Cargos totales por Internet Cargos Suma =SUM([Cargos])

2. Haciendo clic en una celda vacía de la cuadrícula de medidas y usando la barra de fórmulas, cree y asigne un nombre a las medidas siguientes:

Importante

Debe crear las medidas siguientes en orden; las fórmulas de las medidas posteriores hacen referencia a las medidas anteriores.

Nombre de medida Fórmula

Margen del trimestre anterior por Internet =CALCULATE ([Margen total por Internet],PREVIOUSQUARTER('Date'[Fecha]))

Margen del trimestre actual por Internet =TOTALQTD([Margen total por Internet],'Date'[Fecha])

Proporción del margen del trimestre anterior por Internethasta la fecha

=[Margen del trimestre anterior por Internet]*﴾[Días del trimestre actual hasta la fecha]/[Díasdel trimestre actual])

Ventas del trimestre anterior por Internet =CALCULATE([Ventas totales por Internet],PREVIOUSQUARTER('Date'[Fecha]))

Ventas del trimestre actual por Internet =TOTALQTD([Ventas totales por Internet],'Date'[Fecha])

Proporción de ventas del trimestre anterior por Internethasta la fecha

=[Ventas del trimestre anterior por Internet]*﴾[Días del trimestre actual hasta la fecha]/[Días deltrimestre actual])

Las medidas creadas para la tabla Ventas por Internet se pueden utilizar para analizar datos financieros críticos como ventas, costos y margen de beneficios para loselementos definidos por el filtro seleccionado por el usuario.

Paso siguiente

Para continuar este tutorial, vaya a la lección siguiente: Lección 8: Crear indicadores clave de rendimiento.



Lección 8: Crear indicadores clave de rendimiento

En esta lección, creará indicadores clave de rendimiento ﴾KPI﴿. Los KPI miden el rendimiento de un valor, definido por una medida base, con respecto a un valor de destino,

también definido por una medida o por un valor absoluto. En aplicaciones cliente de informes, los KPI pueden proporcionar a los profesionales del negocio una manera

rápida y sencilla de identificar un resumen de logros empresariales o tendencias. Para obtener más información, vea KPI (SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 7: Crear medidas.

Crear indicadores clave de rendimiento

Para crear un KPI Rendimiento de ventas por Internet del trimestre actual

1. En el diseñador de modelos, haga clic en la tabla ﴾pestaña﴿ Ventas por Internet.

2. En la cuadrícula de medidas, haga clic en una celda vacía.


Rendimiento de ventas por Internet del trimestre actual :=IFERROR﴾[Ventas por Internet del trimestre actual]/[Proporción de ventas por Internet deltrimestre anterior hasta la fecha],BLANK())


Esta medida servirá como la medida base del KPI.

4. En la cuadrícula de medidas, haga clic con el botón secundario en la medida Rendimiento de ventas por Internet del trimestre actual y haga clic en Crear KPI.

Aparecerá el cuadro de diálogo Indicador clave de rendimiento.

5. En el cuadro de diálogo Indicador clave de rendimiento, en Definir valor de destino, seleccione la opción Valor absoluto.

6. En el campo Valor absoluto, escriba 1.1 y presione ENTRAR.

7. En Definir umbrales de estado, en el campo de control deslizante situado abajo a la izquierda, escriba 1 y en el de arriba a la derecha, escriba 1.07.

8. En Seleccionar estilo de icono, seleccione el tipo de icono de rombo ﴾rojo﴿, triángulo ﴾amarillo﴿, círculo ﴾verde﴿.

Sugerencia

Observe en el campo expandible Descripciones los estilos de icono disponibles. Puede especificar descripciones para los distintos elementos de KPI para

que sean más fáciles de identificar en las aplicaciones cliente.

9. Haga clic en Aceptar para completar el KPI.

En la cuadrícula de medidas, observe el icono situado junto a la medida Rendimiento de ventas por Internet del trimestre actual. Este icono indica que esta

medida actúa como valor base de un KPI.

Para crear un KPI Rendimiento de margen de ventas por Internet del trimestre actual

1. En la cuadrícula de medidas de la tabla Ventas por Internet, haga clic en una celda vacía.


Rendimiento de margen de ventas por Internet del trimestre actual :=IF﴾[Proporción del margen del trimestre anterior de ventas por Internet hasta lafecha]<>0,﴾[Margen del trimestre actual de ventas por Internet]‐[Proporción del margen del trimestre anterior de ventas por Internet hasta lafecha]﴿/[Proporción del margen del trimestre anterior de ventas por Internet hasta la fecha],BLANK﴾﴿﴿


3. En la cuadrícula de medidas, haga clic con el botón secundario en la medida Rendimiento de margen de ventas por Internet del trimestre actual y haga clic

en Crear KPI.

4. En el cuadro de diálogo Indicador clave de rendimiento, en Definir valor de destino, seleccione la opción Valor absoluto.

5. En el campo Valor absoluto, escriba 1.25.

6. En Definir umbrales de estado, desplace el campo de control deslizante de abajo a la izquierda hasta que el campo muestre 0.8 y el de arriba a la derecha

hasta que muestre 1.03.

7. En Seleccionar estilo de icono, seleccione el tipo de icono de rombo ﴾rojo﴿, triángulo ﴾amarillo﴿ y círculo ﴾verde﴿, y haga clic en Aceptar.

SQL Server 2014



Paso siguiente

Para continuar este tutorial, vaya a la lección siguiente: Lección 9: Crear perspectivas.



Lección 9: Crear perspectivas

En esta lección, creará una perspectiva Venta por Internet. Una perspectiva define un subconjunto visible de un modelo que ofrece puntos de vista centrados, específicosdel negocio o específicos de la aplicación. Cuando un usuario se conecta a un modelo utilizando una perspectiva, solo ve los objetos del modelo (tablas, columnas,

medidas, jerarquías y KPI﴿ como campos definidos en esa perspectiva.

La perspectiva Venta por Internet que va a crear en esta lección excluirá el objeto de tabla Cliente. Al crear una perspectiva que excluye ciertos objetos en la vista, ese

objeto todavía existe en el modelo; sin embargo, no está visible en una lista de campos del cliente de informe. Las columnas calculadas y medidas se pueden incluir en

una perspectiva o no pueden calcularse a partir de los datos del objeto excluido.

El propósito de esta lección es describir cómo se crean las perspectivas y permitir que se familiarice con las herramientas de creación de modelos tabulares. Si

posteriormente amplía el modelo para incluir tablas adicionales, puede crear otras perspectivas para definir puntos de vista diferentes del modelo, como Inventario yPersonal de ventas.

Para obtener más información, vea Perspectivas (SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 8: Crear indicadores clave de rendimiento.

Crear perspectivas

Para crear una perspectiva Venta por Internet

1. En el diseñador de modelos, haga clic en el menú Modelo y, a continuación, haga clic en Perspectivas.

2. En el cuadro de diálogo Perspectivas, haga clic en Nueva perspectiva.

3. Para cambiar el nombre de la perspectiva, haga doble clic en el encabezado de columna Nueva perspectiva 1 y, a continuación, escriba Venta por Internet.

4. En Campos, seleccione las tablas siguientes: Fecha, Geografía, Producto, Categoría del producto, Subcategoría del producto y Venta por Internet.

Tenga en cuenta que excluyó la tabla Cliente y todas sus columnas de esta perspectiva. Más adelante, en la lección 12, utilizará la característica Analizar en Excelpara probar esta perspectiva. La lista de campos de tabla dinámica de Excel incluirá todas las tablas, excepto la tabla Cliente.

5. Compruebe sus selecciones, asegúrese de que no está activada la tabla Cliente y, a continuación, hace clic en Aceptar

Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 10: Crear jerarquías.


SQL Server 2014




Lección 10: Crear jerarquías

En esta lección, creará jerarquías. Las jerarquías son grupos de columnas dispuestas en niveles; por ejemplo, una jerarquía Geografía puede tener subniveles para País,Provincia y Ciudad. Las jerarquías pueden aparecer por separado de otras columnas en una lista de campos de la aplicación cliente de informes, lo que facilita lanavegación de los usuarios del cliente y su inclusión en un informe. Para obtener más información, vea Jerarquías ﴾SSAS tabular﴿.

Para crear jerarquías, utilizará el diseñador de modelos en Vista de diagrama. La creación y administración de jerarquías no se admite en la vista de datos del diseñadorde modelos.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 9: Crear perspectivas.

Crear jerarquías

Para crear una jerarquía Categoría en la tabla Product

1. En el diseñador de modelos, haga clic en el menú Modelo; a continuación, seleccione Vista de modelo y haga clic en Vista de diagrama.

Sugerencia

Utilice los controles de Minimapa situados en la parte superior derecha del diseñador de modelos para cambiar el modo en que se muestran los objetos enla vista de diagrama. Si cambia la posición de los objetos en la vista de diagrama, esa vista se conservará cuando guarde el proyecto.

2. En el diseñador de modelos, haga clic con el botón secundario en el tabla Product y haga clic en Crear jerarquía. Aparece una nueva jerarquía en la parteinferior de la ventana de tabla.

3. En el nombre de jerarquía, cambie el nombre escribiendo Categoría y, a continuación, presione ENTRAR.

4. En la tabla Product, haga clic en la columna Product Category Name, arrástrela hasta la jerarquía Categoría y suéltela sobre el nombre Categoría.

5. En la jerarquía Categoría, haga clic con el botón secundario en la columna Product Category Name, haga clic en Cambiar nombre y escriba Categoría.

Nota

Al cambiar el nombre de una columna de la jerarquía no se cambia el nombre de esa columna en la tabla. Una columna de una jerarquía es simplemente unarepresentación de la columna de la tabla.

6. En la tabla Product, haga clic con el botón secundario en la columna Product Subcategory Name y, en el menú contextual, elija Agregar a jerarquía y haga clic

en Categoría.

7. Cambie el nombre de Product Subcategory Name a Subcategoría.

8. Mediante la técnica de hacer clic y arrastrar o mediante el comando Agregar a jerarquía del menú contextual, agregue las columnas Model Name y Product

Name ﴾en orden﴿ y colóquelas debajo de la columna Product Subcategory Name. Cambie el nombre de estas columnas a Modelo y Producto, respectivamente.

Para crear jerarquías en la tabla Date

1. En el diseñador de modelos, haga clic con el botón secundario en el tabla Date y haga clic en Crear jerarquía.

2. Cambie el nombre de la jerarquía a Calendario.

3. Agregue las columnas siguientes, en orden, y después cámbieles el nombre:

Columna Cambiar el nombre a:

Calendar Year Año

Calendar Semester Semestre

Calendar Quarter Trimestre

Month Calendar Mes

Day Of Month Día

4. En la tabla Date, repita los pasos anteriores y cree una jerarquía Fiscal que incluya las siguientes columnas:


Fiscal Year Año

SQL Server 2014



Fiscal Semester Semestre

Fiscal Quarter Trimestre

Month Calendar Mes

Day Of Month Día

5. Finalmente, en la tabla Date, repita los pasos anteriores y cree una jerarquía Calendario de producción que incluya las columnas siguientes:


Calendar Year Año

Week Number Of Year Semana

Day Of Week Día

Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 11: Crear particiones.



Lección 11: Crear particiones

En esta lección, creará particiones para dividir la tabla Internet Sales en piezas lógicas más pequeñas que puedan procesarse ﴾actualizarse﴿ independientemente de otrasparticiones. De forma predeterminada, cada tabla que incluye en el modelo tiene una partición que incluye todas las columnas y filas de la tabla. Para las tabla Internet

Sales, queremos dividir los datos por año, una partición para cada uno de los cinco años de la tabla. Cada partición se podrá procesar entonces independientemente.Para obtener más información, vea Particiones (SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 10: Crear jerarquías.

Crear particiones

Para crear particiones en la tabla Internet Sales

1. En el diseñador de modelos, haga clic en la tabla Internet Sales, haga clic en el menú Tabla y, a continuación, en Particiones.

Se abrirá el cuadro de diálogo Administrador de particiones.

2. En el cuadro de diálogo Administrador de particiones, en Particiones, haga clic en la partición Internet Sales.

3. En Nombre de partición, cambie el nombre a Ventas por Internet 2005.

Sugerencia

Antes de continuar con el paso siguiente, observe que los nombres de columna de la ventana Vista previa de la tabla muestran las columnas incluidas

(activadas) en la tabla del modelo con los nombres de columna del origen. Esto es porque la ventana Vista previa de la tabla muestra las columnas de la

tabla de origen, no de la tabla del modelo.

4. Seleccione el botón Editor de consultas situado sobre el margen derecho de la ventana de vista previa.

Como desea que la partición solo incluya las filas de un determinado período, debe incluir una cláusula WHERE. Solo puede crear una cláusula WHERE usandouna instrucción SQL.

5. En el campo Instrucción SQL, sustituya la instrucción existente pegando la instrucción siguiente:

Esta instrucción especifica que la partición debe incluir todos los datos de las filas en las que OrderDate corresponda al año del calendario 2005, tal como seespecifica en la cláusula WHERE.

6. Haga clic en Validar.

Observe que se muestra una advertencia en la que se indica que algunas columnas no existen en el origen. Esto se debe a que en Lección 3: Cambiar el nombrede las columnas cambió el nombre de esas columnas en la tabla Internet Sales del modelo para que tuvieran un nombre diferente de las columnas del origen.

SQL Server 2014

SELECT

[dbo].[FactInternetSales].[ProductKey],

[dbo].[FactInternetSales].[CustomerKey],

[dbo].[FactInternetSales].[PromotionKey],

[dbo].[FactInternetSales].[CurrencyKey],

[dbo].[FactInternetSales].[SalesTerritoryKey],

[dbo].[FactInternetSales].[SalesOrderNumber],

[dbo].[FactInternetSales].[SalesOrderLineNumber],

[dbo].[FactInternetSales].[RevisionNumber],

[dbo].[FactInternetSales].[OrderQuantity],

[dbo].[FactInternetSales].[UnitPrice],

[dbo].[FactInternetSales].[ExtendedAmount],

[dbo].[FactInternetSales].[UnitPriceDiscountPct],

[dbo].[FactInternetSales].[DiscountAmount],

[dbo].[FactInternetSales].[ProductStandardCost],

[dbo].[FactInternetSales].[TotalProductCost],

[dbo].[FactInternetSales].[SalesAmount],

[dbo].[FactInternetSales].[TaxAmt],

[dbo].[FactInternetSales].[Freight],

[dbo].[FactInternetSales].[CarrierTrackingNumber],

[dbo].[FactInternetSales].[CustomerPONumber],

[dbo].[FactInternetSales].[OrderDate],

[dbo].[FactInternetSales].[DueDate],

[dbo].[FactInternetSales].[ShipDate]

FROM [dbo].[FactInternetSales]

WHERE (([OrderDate] >= N'2005-01-01 00:00:00') AND ([OrderDate] < N'2006-01-01 00:00:00'))




Para crear una partición para el año 2006 en la tabla Internet Sales

1. En el cuadro de diálogo Administrador de particiones, en Particiones, haga clic en la partición Ventas por Internet 2005 que ha creado y haga clic en Copiar.

2. En Nombre de partición, escriba Ventas por Internet 2006.

3. En la instrucción SQL, para que la partición incluya solamente las filas del año 2006, reemplace la cláusula WHERE por lo siguiente:


1. En el cuadro de diálogo Administrador de particiones, haga clic en Copiar.


3. En Cambiar a, seleccione Editor de consultas.



1. En el cuadro de diálogo Administrador de particiones, haga clic en Nuevo.





1. En el cuadro de diálogo Administrador de particiones, haga clic en Nuevo.




Procesar particiones

En el cuadro de diálogo Administrador de particiones, observe el asterisco (*) situado junto a los nombres de particiones de cada una de las nuevas particiones que

acaba de crear. Este asterisco indica que la partición no se ha procesado ﴾actualizado﴿. Cuando crea nuevas particiones, debe ejecutar una operación Procesarparticiones o Procesar tabla para actualizar los datos de esas particiones.

Para procesar particiones de Internet Sales

1. Haga clic en Aceptar para cerrar el cuadro de diálogo Administrador de particiones.

2. En el diseñador de modelos, haga clic en la tabla Internet Sales, después haga clic en el menú Modelo, elija Procesar ﴾actualizar﴿ y, a continuación, haga clic enProcesar particiones.

3. En el cuadro de diálogo Procesar particiones, compruebe que Modo está establecido en Proceso predeterminado.

4. Active la casilla de la columna Procesar para cada una de las cinco particiones que ha creado y haga clic en Aceptar.

Si se le piden credenciales de suplantación, especifique el nombre de usuario y la contraseña de Windows que especificó en la lección 2, paso 6.

Aparece el cuadro de diálogo Procesamiento de datos con los detalles del proceso de cada partición. Observe que se ha transferido un número diferente defilas para cada partición. Esto es porque cada partición incluye solamente las filas del año especificado en la cláusula WHERE de la instrucción SQL. No hay datos

para el año 2010.





Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 12: Crear roles.



Lección 12: Crear roles

En esta lección, creará roles. Los roles proporcionan seguridad a los objetos y datos de la base de datos del modelo limitando el acceso únicamente a los usuarios deWindows que sean miembros del rol. Cada rol se define con un permiso único: Ninguno, Lectura, Lectura y proceso, Proceso o Administrador. Los roles se pueden definir

durante la creación del modelo mediante el cuadro de diálogo Administrador de roles de SQL Server Data Tools. Una vez implementado un modelo, los roles se pueden

administrar con SQL Server Management Studio. Para obtener más información, vea Roles (SSAS tabular).

Nota

No es necesario crear roles para completar este tutorial. De forma predeterminada, la cuenta con la que ha iniciado sesión tendrá privilegios Administrador para elmodelo. Sin embargo, para permitir que otros usuarios de su organización examinen el modelo utilizando una aplicación cliente de informes, debe crear al menos unrol con permisos de lectura y agregar esos usuarios como miembros.

Creará tres roles:

Jefe de ventas: este rol puede incluir a los usuarios de la organización a los que desea otorgar permiso de lectura para todos los objetos y datos del modelo.

Analista de ventas EE. UU.: este rol puede incluir a los usuarios de la organización que desea que solo puedan examinar los datos relacionados con las ventas enEE. UU. Para este rol, utilizará una fórmula DAX para definir un Filtro de fila, que restringe los miembros para que solo examinen los datos correspondientes a

Estados Unidos.

Administrador: este rol puede incluir a los usuarios a los que desea otorgar el permiso Administrador, que permite acceso y permisos ilimitados para realizar

tareas administrativas en la base de datos del modelo.

Dado que las cuentas de usuario y grupo de Windows de su organización son únicas, puede agregar cuentas de su propia organización a los miembros. Sin embargo,

para este tutorial, también puede dejar los miembros en blanco. Todavía podrá probar el efecto de cada rol más adelante en la lección 12: Analizar en Excel.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 11: Crear particiones.

Crear roles

Para crear un rol de usuario Administrador de ventas

1. En SQL Server Data Tools, haga clic en el menú Modelo y, a continuación, en Roles.

2. En el cuadro de diálogo Administrador de roles, haga clic en Nuevo.

Se agrega a la lista un nuevo rol con el permiso Ninguno.

3. Haga clic en el nuevo rol y, en la columna Nombre, cambie el nombre del rol a Administrador de ventas por Internet.

4. En la columna Permisos, haga clic en la lista desplegable y, a continuación, seleccione el permiso Lectura.

5. Opcional: Haga clic en la pestaña Miembros y, a continuación, en Agregar.

6. En el cuadro de diálogo Seleccionar usuarios o grupos, especifique los usuarios o grupos de Windows de su organización que desee incluir en el rol.

7. Compruebe las opciones seleccionadas y haga clic en Aceptar

Para crear un rol de usuario Analista de ventas EE. UU.

1. En SQL Server Data Tools, haga clic en el menú Modelo y, a continuación, en Roles.



3. Haga clic en el nuevo rol y, en la columna Nombre, cambie el nombre del rol a Ventas por Internet EE. UU.


5. Haga clic en la pestaña Filtros de fila y, a continuación, solo para la tabla Geografía, en la columna de Filtro DAX, escriba la siguiente fórmula:

=Geografía[código de país o región] = "US"

Una fórmula de filtro de fila se debe resolver como un valor booleano ﴾TRUE o FALSE﴿. Con esta fórmula, está especificando que solo las filas con el valor decódigo de país o región de "US" estarán visibles para el usuario.


6. Opcional: Haga clic en la pestaña Miembros y, a continuación, en Agregar.

SQL Server 2014



7. En el cuadro de diálogo Seleccionar usuarios o grupos, especifique los usuarios o grupos de Windows de su organización que desee incluir en el rol.


Para crear un rol Administrador


2. Haga clic en el nuevo rol y, en la columna Nombre, cambie el nombre del rol a Administrador de ventas por Internet.

3. En la columna Permisos, haga clic en la lista desplegable y, a continuación, seleccione el permiso Administrador.

4. Haga clic en la pestaña Miembros y luego en Agregar.

5. Opcional: En el cuadro de diálogo Seleccionar usuarios o grupos, especifique los usuarios o grupos de Windows de su organización que desee incluir en el rol.


Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 13: Analizar en Excel.



Lección 13: Analizar en Excel

En esta lección, usará la característica Analizar en Excel de SQL Server Data Tools para abrir Microsoft Excel, crear automáticamente una conexión de origen de datos alárea de trabajo del modelo y agregará automáticamente una tabla dinámica a la hoja de cálculo. La característica Analizar en Excel se ha diseñado para proporcionar unamanera rápida y sencilla de probar la eficacia del diseño de su modelo antes de implementarlo. No realizará ningún análisis de datos en esta lección. El propósito de estalección es familiarizar al autor de modelos con las herramientas que puede usar para probar el diseño de sus modelos. Los usuarios finales no utilizarán la característicaAnalizar de Excel, que está destinada a los autores de modelos, sino que usarán aplicaciones de informes de cliente como Excel o Power View para conectarse a los datosdel modelo implementados y explorarlos.

Para completar esta lección, Excel se debe instalar en el mismo equipo que SQL Server Data Tools. Para obtener más información, vea Analizar en Excel (SSAS tabular).


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 11: Crear particiones.

Examinar utilizando las perspectivas Predeterminada y Venta por Internet

En estas primeras tareas, examinará su modelo con la perspectiva predeterminada, que incluye todos los objetos del modelo, y también con la perspectiva Venta porInternet que creó en la lección 8: Crear perspectivas. La perspectiva Venta por Internet excluye el objeto de tabla Cliente.

Para examinar con la perspectiva predeterminada

1. En SQL Server Data Tools, haga clic en el menú Modelo y después en Analizar en Excel.

2. En el cuadro de diálogo Analizar en Excel, haga clic en Aceptar.

Excel se abrirá con un libro nuevo. Se crea una conexión de origen de datos con la cuenta de usuario actual y se utiliza la perspectiva predeterminada paradefinir los campos visibles. Se agrega automáticamente una tabla dinámica a la hoja de cálculo.

3. En Excel, en Lista de campos de tabla dinámica, observe que aparecen las medidas Fecha y Venta por Internet, así como las tablas Cliente, Fecha, Geografía,

Producto, Categoría del producto, Subcategoría del producto y Venta por Internet con todas sus columnas respectivas.

4. Cierre Excel sin guardar el libro.

Para examinar con la perspectiva Venta por Internet


2. En el cuadro de diálogo Analizar en Excel, salga del usuario de Windows actual seleccionado, a continuación, en el cuadro de lista desplegable Perspectiva,

seleccione Venta por Internet y, por último, haga clic en Aceptar. Se abre Excel.

3. En Excel, en la Lista de campos de tabla dinámica, observe que la tabla Cliente se ha excluido de la lista de campos.

Examinar con roles

Los roles son parte integral de cualquier modelo tabular. Sin al menos un rol, al que se agregan usuarios en calidad de miembros, los usuarios no podrán tener accesoa los datos ni analizarlos con el modelo. La característica Analizar de Excel proporciona una manera de probar los roles que ha definido.

Para examinar con el rol de usuario Administrador de ventas por Internet


2. En el cuadro de diálogo Analizar en Excel, en Especifique el nombre de usuario o rol a usar al conectarse al modelo, seleccione Rol y, a continuación, en elcuadro de lista desplegable, seleccione Administrador de ventas por Internet y haga clic en Aceptar.

Excel se abrirá con un libro nuevo. Se crea automáticamente una tabla dinámica. La lista de campos de tabla dinámica incluye todos los campos de datosdisponibles en su nuevo modelo.

Pasos siguientes

Para continuar este tutorial, vaya a la lección siguiente: Lección 14: Implementar.


SQL Server 2014




Lección 14: Implementar

En esta lección, configurará propiedades de implementación, especificará una instancia del servidor de implementación de Analysis Services que se ejecute en modotabular y asignará un nombre al modelo que va a implementar. A continuación, implementará el modelo en esa instancia. Una vez implementado, los usuarios podránconectarse al modelo mediante una aplicación cliente de informes. Para obtener más información, vea Implementación de soluciones de modelos tabulares ﴾SSAS tabular﴿.


Requisitos previos

Este tema es parte de un tutorial de creación de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta lección, debe habercompletado la lección anterior: Lección 13: Analizar en Excel.

Implementar el modelo

Para configurar propiedades de implementación

1. En SQL Server Data Tools, en Explorador de soluciones, haga clic con el botón secundario en Modelo tabular de ventas por Internet de Adventure Works y,

en el menú contextual, haga clic en Propiedades.

2. En el cuadro de diálogo Páginas de propiedades del modelo tabular de ventas por Internet de AW, bajo Servidor de implementación, en la propiedad

Servidor, escriba el nombre de una instancia de Analysis Services que se ejecute en modo tabular. Esta será la instancia en la que se implementará el modelo.

Importante

Debe tener permisos de administrador en una instancia de Analysis Services remota para poder implementarlo.

3. Compruebe que la propiedad Modo de consulta esté establecida en In-Memory.

Nota

El modelo creado mediante este tutorial no admite el modo DirectQuery.

4. En la propiedad Base de datos, escriba Modelo de ventas por Internet de Adventure Works.

5. En la propiedad Nombre del cubo, escriba Modelo de ventas por Internet de Adventure Works.

6. Compruebe las opciones seleccionadas y haga clic en Aceptar.

Para implementar el modelo tabular Ventas por Internet de Adventure Works

En SQL Server Data Tools, haga clic en el menú Compilar y después haga clic en Implementar modelo tabular de ventas por Internet de AW.

Aparece el cuadro de diálogo Implementar en el que se muestra el estado de implementación de los metadatos y las tablas incluidas en el modelo.

Conclusión

¡Enhorabuena! Ha terminado de crear e implementar su primer modelo tabular de Analysis Services. Este tutorial le ha guiado por las tareas más comunes para crearun modelo tabular. Ahora que su modelo Ventas por Internet de Adventure Works está implementado, puede utilizar el SQL Server Management Studio paraadministrarlo, crear scripts de proceso y realizar un plan de copia de seguridad. Los usuarios pueden conectarse al modelo mediante una aplicación cliente deinformes como Microsoft Excel o Power View.

Recursos adicionales

Para obtener más información acerca de las propiedades del modelo tabular que admiten los informes de Power View, vea Propiedades de informes de Vista avanzada

(SSAS tabular).

Vea también

ConceptosModo DirectQuery (SSAS tabular)

Configurar las propiedades predeterminadas de modelado de datos y de implementación ﴾SSAS tabular﴿Bases de datos de modelo tabular (SSAS tabular)


SQL Server 2014








Esta sección proporciona información adicional y lecciones sobre cómo utilizar las características tabulares avanzadas del modelo.

Sugerencia

Se pueden agregar más lecciones e información a esta sección de forma continuada. Realice comprobaciones a menudo.


Lección Tiempo para completar la lección

Implementar seguridad dinámica utilizando filtros de filas 30

Configurar las propiedades de notificación para informes de Power View 30


SQL Server 2014



Implementar seguridad dinámica utilizando filtros de filas

En esta lección complementaria, creará un rol adicional que implemente seguridad dinámica. La seguridad dinámica proporciona seguridad de nivel de fila basada en elnombre de usuario o el identificador de inicio de sesión del usuario que ha iniciado sesión actualmente. Para obtener más información, vea Roles (SSAS tabular).

Para implementar la seguridad dinámica, debe agregar una tabla al modelo que contiene los nombres de usuario de Windows de los usuarios que pueden crear unaconexión al modelo como un origen de datos y examinar los objetos y datos del modelo. El modelo que se crea con este tutorial está en el contexto de Adventure WorksCorp.; sin embargo, para completar esta lección, debe agregar una tabla que contenga usuarios de su propio dominio. No necesitará contraseñas para los nombres deusuario que se van a agregar. Para crear una tabla de seguridad de empleados, con una pequeña muestra de usuarios de su propio dominio, utilizará la función de pegarpara pegar datos de empleados de una hoja de cálculo de Excel. En un escenario real, la tabla que contiene los nombres de usuario que agrega a un modelo utilizaríanormalmente una tabla de una base de datos real como origen de datos; por ejemplo, una tabla dimEmployee real.

Para implementar seguridad dinámica, utilizará dos nuevas funciones de DAX: Función USERNAME ﴾DAX﴿ y Función LOOKUPVALUE ﴾DAX﴿. Estas funciones, aplicadas en una

fórmula de filtro de columna, se definen en un nuevo rol. Con la función LOOKUPVALUE, la fórmula especifica un valor de la tabla Employee Security y pasa ese valor a lafunción USERNAME, que especifica el nombre del usuario que ha iniciado sesión como perteneciente a este rol. El usuario puede examinar los datos especificados por los

filtros de fila del rol. En este escenario, especificará que los empleados de ventas solo podrán examinar los datos de ventas por Internet de los territorios de ventas delos que son miembros.

Para completar esta lección complementaria, realizará una serie de tareas. Las tareas que son únicas de este escenario de modelo tabular de Adventure Works, pero queno se aplicarían necesariamente en un escenario real, se identifican como tales. Cada tarea incluye información adicional que describe el propósito de la tarea.


Requisitos previos

Este tema de lección complementaria forma parte de un tutorial de creación de modelos tabulares, que se debe completar de forma ordenada. Antes de realizar las

tareas de esta lección complementaria, debe haber completado todas las lecciones anteriores.

Agregar la tabla dimSalesTerritory al proyecto de modelo tabular AW Internet Sales

Para implementar la seguridad dinámica en este escenario de ejemplo Adventure Works, debe agregar dos tablas adicionales al modelo. La primera tabla que

agregará es dimSalesTerritory ﴾como Sales Territory﴿ procedente de la misma base de datos AdventureWorksDW. Aplicará posteriormente un filtro de fila a la tablaSales Territory que define los datos concretos que el usuario que ha iniciado sesión puede examinar.

Para agregar la tabla dimSalesTerritory

1. En SQL Server Data Tools, haga clic en el menú Modelo y, a continuación, en Conexiones existentes.

2. En el cuadro de diálogo Conexiones existentes, compruebe que esté seleccionada la conexión a un origen de datos BD de Adventure Works de SQL y haga

clic en Abrir.

Si aparece el cuadro de diálogo Credenciales de suplantación, escriba las credenciales de suplantación que utilizó en la lección 2: Agregar datos.

3. En la página Elegir cómo importar los datos, deje seleccionada la opción Seleccionar en lista de tablas y vistas para elegir los datos que se van a importar

y haga clic en Siguiente.

4. En la página Seleccionar tablas y vistas, seleccione la tabla DimSalesTerritory.

5. En la columna Nombre descriptivo, escriba Sales Territory.

6. Haga clic en Vista previa y Filtro.

7. Anule la selección de la columna SalesTerritoryAlternateKey y haga clic en Aceptar.

8. En la página Seleccionar tablas y vistas, haga clic en Finalizar.

Las nueva tabla se agregarán al final del área de trabajo del modelo. Los objetos y datos de la tabla de origen dimSalesTerritory se importan a la nueva tabla

Sales Territory del modelo tabular AW Internet Sales.

9. Una vez importada la tabla, haga clic en Cerrar.

Proporcionar nombres descriptivos a las columnas

En esta tarea, cambiará el nombre de las columnas de la tabla Sales Territory para darles un nombre descriptivo. No siempre es necesario proporcionar nombres

descriptivos de tablas y/o columnas; sin embargo, facilita la navegación de su proyecto de modelo por el diseñador de modelos y los usuarios pueden explorar másfácilmente los objetos y los datos del modelo en una lista de campos de la aplicación cliente.

Para cambiar el nombre de las columnas de la tabla Sales Territory

En el diseñador de modelos, cambie el nombre a las columnas de la tabla Sales Territory:

Sales Territory


SQL Server 2014




SalesTerritoryKey Sales Territory Id

SalesTerritoryRegion Región del territorio de ventas

SalesTerritoryCountry País del territorio de ventas

SalesTerritoryGroup Grupo de territorios de ventas

Agregar una tabla con datos de nombre de usuario

Puesto que la tabla dimEmployee de la base de datos de ejemplo AdventureWorksDW contiene usuarios del dominio AdventureWorks, y esos nombres de usuario no

existen en su propio entorno, debe crear una tabla en el modelo que contenga una pequeña muestra ﴾tres﴿ de usuarios reales de su organización. Agregará despuésestos usuarios al nuevo rol como miembros. No necesita las contraseñas de los nombres de usuario de ejemplo, pero necesitará nombres de usuario de Windowsreales de su propio dominio.

Para agregar una tabla de seguridad de empleados

1. Abra Microsoft Excel para crear una nueva hoja de cálculo.

2. Copie la siguiente tabla, incluida la fila de encabezado, y péguela en la hoja de cálculo.

Employee Id Sales Territory Id Nombre Apellidos Login Id

1 2 <nombre del usuario> <apellido de usuario> <dominio\nombreUsuario>




3. En la nueva hoja de cálculo, reemplace el nombre, el apellido, y el dominio\nombreUsuario con los nombres y los id. de inicio de sesión de tres usuarios de suorganización. Coloque el mismo usuario en las dos primeras filas, para el Employee Id 1. Esto mostrará que este usuario pertenece a más de un territorio deventas. Deje los campos Employee Id y Sales Territory Id como están.

4. Guarde la hoja de cálculo como Sample Employee.

5. En la hoja de cálculo, seleccione todas las celdas con datos de empleados, incluidos los encabezados, haga clic con el botón secundario en los datosseleccionados y, a continuación, haga clic en Copiar.

6. En SQL Server Data Tools, haga clic en el menú Edición y después en Pegar.

Si la opción Pegar aparece deshabilitada, haga clic en cualquier columna de una tabla de la ventana del diseñador de modelos, haga clic en el menú Edición y, a

continuación, haga clic en Pegar.

7. En el cuadro de diálogo Vista previa de pegado, en Nombre de la tabla, escriba Employee Security.

8. En Datos que se van a pegar, compruebe que los datos incluyen todos los datos y encabezados de usuario de la hoja de cálculo Empleado de ejemplo.

9. Compruebe que esté seleccionada la opción Usar primera fila como encabezados de columna y haga clic en Aceptar.

Se crea una nueva tabla denominada Employee Security con los datos de empleado copiados de la hoja de cálculo Empleado de ejemplo.

Crear relaciones entre las tablas Internet Sales, Geography y Sales Territory

Las tablas Internet Sales, Geography y Sales Territory contienen todas ellas una columna común, Sales Territory Id. La columna Sales Territory Id de la tabla Sales

Territory contiene valores con un identificador diferente para cada territorio de ventas.

Para crear relaciones entre las tablas Internet Sales, Geography y Sales Territory

1. En el diseñador de modelos, en la vista de diagramas, en la tabla Geography, haga clic en la columna Sales Territory Id y manténgala seleccionada, arrastre elcursor hasta la columna Sales Territory Id de la tabla Sales Territory y suéltelo.

2. En la tabla Internet Sales, haga clic en la columna Fecha de pedido y manténgala seleccionada, arrastre el cursor hasta la columna Fecha de la tabla Sales

Territory y suéltelo.

Observe que la propiedad Active de esta relación es False, lo que significa que está inactiva. Esto se debe a que la tabla Internet Sales tiene ya otra relaciónactiva que se utiliza en las medidas.

Ocultar la tabla Employee Security en las aplicaciones cliente

En esta tarea, ocultará la tabla Employee Security, evitando que aparezca en la lista de campos de la aplicación cliente. Recuerde que ocultar una tabla no significa

protegerla. Los usuarios podrán seguir consultando los datos de la tabla Employee Security si saben cómo hacerlo. Para proteger los datos de la tabla Employee

Security e impedir que los usuarios puedan consultar sus datos, aplicará un filtro en una tarea posterior.

Para ocultar la tabla Employee Security en las aplicaciones cliente

En el diseñador de modelos en la Vista de diagrama, haga clic con el botón secundario en el encabezado de tabla Empleado y, a continuación, haga clic enOcultar en las herramientas de cliente.

Crear empleados de ventas por el rol de usuario de territorio

En esta tarea, creará un rol de usuario. Este rol incluirá un filtro de fila que define qué filas de la tabla Sales Territory estarán visibles para los usuarios. El filtro se

aplicará en una dirección de relación de uno‐a muchos para el resto de las tablas relacionadas con Sales Territory. También aplicará un filtro sencillo que proteja latabla Seguridad de los empleados de las consultas por parte de cualquier usuario que sea miembro del rol.

Nota

El rol de empleados de ventas por territorio que creará en esta lección solo permitirá a los miembros examinar ﴾o consultar﴿ los datos de ventas del territorio deventas al que pertenezcan. Si agrega un usuario como miembro al rol de empleados de ventas por territorio que también existe como miembro del rol creado enLección 12: Crear roles, obtendrá una combinación de permisos. Cuando un usuario es miembro de varios roles, los permisos y los filtros de fila definidos para cada

uno de ellos son acumulativos. Es decir, el usuario tendrá los mayores permisos determinados por la combinación de roles.

Para crear empleados de ventas por el rol de usuario de Territorio

1. En SQL Server Data Tools, haga clic en el menú Modelo y, a continuación, haga clic en Roles.



3. Haga clic en el nuevo rol y, en la columna Nombre, cambie el nombre del rol a Empleados de ventas por territorio.


5. Haga clic en la pestaña Miembros y después en Agregar.

6. En el cuadro de diálogo Seleccionar usuarios o grupos, en Escribir los nombres de objeto para seleccionar, escriba el primer nombre de usuario de ejemplo

que utilizó al crear la tabla Employee Security. Haga clic en Comprobar nombres para comprobar que el nombre de usuario es válido y haga clic en Aceptar.

Repita este paso, agregando los otros nombres de usuario de ejemplo que utilizó al crear la tabla Employee Security.

7. Haga clic en la pestaña Filtros de fila.

8. Para la tabla Employee Security, en la columna Filtro DAX, escriba la siguiente fórmula.

=FALSE()


Esta fórmula especifica que todas las columnas se resolverán según la condición booleana false; por lo tanto, ningún miembro del rol de usuario de empleadosde ventas por territorio podrá consultar las columnas de la tabla Employee Security.

9. Para la tabla Sales Territory, escriba la siguiente fórmula.

='Sales Territory'[Sales Territory Id]=LOOKUPVALUE('Employee Security'[Sales Territory Id], 'Employee Security'[Login Id], USERNAME(), 'Employee

Security'[Sales Territory Id], 'Sales Territory'[Sales Territory Id])


En esta fórmula, la función LOOKUPVALUE devuelve todos los valores de la columna Employee Security[Sales Territory Id], donde Employee Security[Login Id]coincide con el nombre de usuario actual que ha iniciado sesión en Windows y Employee Security[Sales Territory Id] coincide con Sales Territory[Sales TerritoryId].

A continuación, se utiliza el conjunto de identificadores del territorio de ventas devueltos por LOOKUPVALUE para limitar las filas que se muestran en la tabla deterritorio de ventas. Solo se mostrarán las filas donde el Id. de territorio de ventas de la fila sea el conjunto de identificadores devueltos por la funciónLOOKUPVALUE.

10. En el cuadro de diálogo Administrador de roles, haga clic en Aceptar.

Probar los empleados de ventas por el rol de usuario de territorio

En esta tarea, utilizará la característica Analizar en Excel de SQL Server Data Tools para probar la eficacia de los empleados de ventas por el rol usuario Territorio.Especificará uno de los nombres de usuario que ha agregado a la tabla Employee Security como miembro del rol. Este nombre de usuario se utilizará como el nombrede usuario efectivo en la conexión creada entre Excel y el modelo.

Para probar los empleados de ventas por el rol de usuario de territorio


2. En el cuadro de diálogo Analizar en Excel, en Especifique el nombre de usuario o el rol que se usarán para conectar con el modelo, seleccione Otro usuario

de Windows y, a continuación, haga clic en Examinar.


3. En el cuadro de diálogo Seleccionar usuarios o grupos, en Escribir los nombres de objeto para seleccionar, escriba uno de los nombres de usuario que se

incluyeron en la tabla de empleados y, a continuación, haga clic en Comprobar nombres.

4. Haga clic en Aceptar para cerrar el cuadro de diálogo Seleccionar usuarios o grupos y después haga clic en Aceptar para cerrar el cuadro de diálogo Analizar

en Excel.

Excel se abrirá con un libro nuevo. Se crea automáticamente una tabla dinámica. La lista de campos de tabla dinámica incluye todos la mayoría de campos dedatos disponibles en su nuevo modelo.

Observe que la tabla Employee Security no está visible en la lista de campos de la tabla dinámica. Esto se debe a que eligió ocultar esta tabla de lasherramientas cliente en una tarea anterior.

5. En Lista de campos de tabla dinámica, en ∑ Internet Sales (medidas), seleccione la medida Internet Total Sales. La medida se agregará a los campos Valores.

6. En Lista de campos de tabla dinámica, seleccione la columna Sales Territory Id de la tabla Sales Territory. La columna se agregará a los campos Etiquetas de

fila.

Observe que las cifras de ventas por Internet solo aparecen para la región a la que pertenece el nombre de usuario efectivo que usó. Si selecciona otra columna;

por ejemplo, City, en la tabla Geography como un campo de etiqueta de fila, solo se mostrarán las ciudades del territorio de ventas al que el usuario efectivopertenece.

Este usuario no podrá examinar o consultar los datos de ventas por Internet para otros territorios distintos de aquel al que pertenece, porque el filtro de filadefinido para la tabla Sales Territory en el rol de usuario de empleados de ventas por territorio protege eficazmente los datos relacionados con otros territorios

de ventas.

Vea también

ReferenciaFunción USERNAME ﴾DAX﴿Función LOOKUPVALUE ﴾DAX﴿Función CUSTOMDATA ﴾DAX﴿





Configurar las propiedades de notificación para informes dePower View

En esta lección complementaria, verá las propiedades de informes del proyecto Adventure Works Internet Sales Model. Las propiedades de informe facilitan a los

usuarios finales la selección y presentación de datos del modelo en Power View. También establecerá las propiedades para ocultar ciertas columnas y tablas, y crearánuevos datos para usar en gráficos.

Tras completar esta lección y volver a implementar el modelo para una instancia de Analysis Services integrada con SharePoint y Reporting Services, puede crear unorigen de datos, especificar la información de conexión de datos, iniciar Power View y diseñar informes con el modelo.

En esta lección no se describe cómo crear y usar los informes de Power View. Esta lección pretende proporcionar a los autores de modelos tabulares una introducciónaquellas propiedades y opciones que afectan al modo en que los datos del modelo aparecerán en Power View. Para aprender a crear informes de Power View,

vea Tutorial: crear un informe de ejemplo en Power View.


Requisitos previos

Este tema de la lección complementaria forma parte de un tutorial de creación de modelos tabulares, que se debe completar de forma ordenada. Antes de realizar las

tareas de esta lección complementaria, debe haber completado todas las lecciones anteriores.

Para completar esta lección complementaria concreta, también debe tener lo siguiente:

El Adventure Works Internet Sales Model ﴾completado a través de este tutorial﴿ listo para implementarse o ya implementado en una instancia de Analysis Servicesque se ejecuta en modo Tabular.

Un sitio de SharePoint integrado con SQL Server 2014 Analysis Services ﴾SSAS﴿ ejecutándose en modo Tabular y SQL Server 2014 Reporting Services ﴾SSRS﴿,configurado para admitir informes de Power View.

Debe tener permisos suficientes para crear una conexión de datos en el sitio de SharePoint que señale al Adventure Works Internet Sales Model.

Propiedades de modelo que afectan a los informes

Al crear un modelo tabular, hay ciertas propiedades que puede establecer en tablas y columnas individuales para mejorar la experiencia de informes del usuario final

en Power View. Además, puede crear datos de modelo adicionales para permitir la visualización de datos y otras características específicas del cliente de informes. Para

el Adventure Works Internet Sales Model de ejemplo, aquí se enumeran algunos de los cambios que hará:

Agregar datos nuevos: al agregar datos nuevos en una columna calculada con una fórmula DAX, se crea información de fecha en un formato más fácil demostrar en los gráficos.

Ocultar las tablas y las columnas que no son útiles para el usuario final: la propiedad Hidden controla si las tablas y las columnas de tabla se muestran en el

cliente de informes. Los elementos que están ocultos siguen siendo parte del modelo y permanecen disponibles para las consultas y los cálculos.

Habilitar las tablas de un clic: de forma predeterminada, no ocurre nada si un usuario final hace clic en una tabla en la lista de campos. Para cambiar este

comportamiento de modo que al hacer clic en la tabla, se agregue al informe, establecerá Conjunto de campos predeterminado en cada columna que deseeincluir en la tabla. Esta propiedad se establece en las columnas de tabla que los usuarios finales es probable que deseen usar.

Establecer agrupación cuando sea necesario: la propiedad Mantener filas únicas determina si los valores de la columna se deben agrupar por valores en un

campo diferente, como un campo identificador. En las columnas que contienen valores duplicados, como Customer Name (por ejemplo, varios clientes

denominados John Smith﴿, es importante agrupar ﴾mantener filas únicas﴿ en el campo Identificador de fila para proporcionar a los usuarios finales los

resultados correctos.

Establecer tipos de datos y formatos de datos: de forma predeterminada, Power View aplica las reglas según el tipo de datos de columna a fin de determinarsi el campo puede usarse como una medida. Dado que cada visualización de datos en Power View también tiene reglas acerca de dónde se pueden colocar lasmedidas y las no medidas, es importante establecer el tipo de datos en el modelo o invalidar el predeterminado para lograr el comportamiento que desee para

el usuario final.

Establezca la propiedad Short by Column: la propiedad Sort By Column especifica si los valores de la columna se deben ordenar por valores en un campo

diferente. Por ejemplo, en la columna Month Calendar que contiene el nombre de mes, ordene por la columna Month Number.

Ocultar las tablas de las herramientas de cliente

Dado que hay una columna calculada Product Category y otra Product Subcategory en la tabla calculated Product, no es necesario tener visibles las tablas Product

Category y Product Subcategory para las aplicaciones cliente.

Para ocultar las tablas Product Category y Product Subcategory

1. En el diseñador de modelos, haga clic con el botón secundario en la pestaña de la tabla Product Category y, a continuación, haga clic en Ocultar en las

herramientas de cliente.

2. Haga clic con el botón secundario en la pestaña de la tabla Product Subcategory y, a continuación, haga clic en Ocultar en las herramientas de cliente.

SQL Server 2014

http://go.microsoft.com/fwlink/?LinkId=221204

Crear nuevos datos para gráficos

A veces puede ser necesario crear nuevos datos en el modelo mediante fórmulas DAX. En esta tarea, agregará dos columnas nuevas calculadas a la tabla Date. Estas

columnas nuevas proporcionarán campos de fecha en un formato apropiado para usarse en gráficos.

Para crear nuevos datos para gráficos

1. En la tabla Date, desplácese hasta la derecha y, después, haga clic en Agregar columna.

2. Agregue dos nuevas columnas calculadas con las fórmulas siguientes en la barra de fórmula:

Nombre de columna Fórmula

Year Quarter =[Calendar Year] & " Q" & [Calendar Quarter]

Year Month =[Calendar Year] & FORMAT([Month],"#00")

Conjunto de campos predeterminado

El conjunto de campos predeterminado es una lista predefinida de columnas y medidas para una tabla que se agregan automáticamente a un lienzo de informe PowerView cuando se selecciona la tabla en la lista de campos de informes. Esencialmente, puede especificar la clasificación de los campos, las medidas y las columnaspredeterminadas que los usuarios desearán ver cuando esta tabla se visualice en informes Power View. Para el modelo Internet Sales, definirá un conjunto de campospredeterminado y un orden para las tablas Customer, Geography y Product. Se incluyen solo aquellas columnas más comunes que los usuarios desearán ver al analizarlos datos de Adventure Works Internet Sales con informes Power View.

Cuadro de diálogo Conjunto de campos predeterminados

Para obtener información detallada acerca del conjunto de campos predeterminado, vea Configurar un conjunto de campos predeterminado para informes de Power

View (SSAS tabular) en los Libros en pantalla de SQL Server.

Para establecer el conjunto de campos predeterminado para las tablas


2. En la ventana Propiedades, en Propiedades de informe, en la propiedad Conjunto de campos predeterminado, haga clic en Haga clic para editar para abrir

el cuadro de diálogo Conjunto de campos predeterminado.

3. En el cuadro de diálogo Conjunto de campos predeterminado, en el cuadro de lista Campos en la tabla, presione Ctrl y seleccione los campos siguientes;

después, haga clic en Agregar.

Birth Date, Customer Alternate Id, First Name, Last Name.

4. En la ventana Campos predeterminados, en orden, use los botones Mover arriba y Mover abajo para poner el orden siguiente:

Id. alternativo del cliente

Nombre

Apellidos

Fecha de nacimiento.

5. Haga clic en Aceptar para cerrar el cuadro de diálogo Conjunto de campos predeterminado para la tabla Customer.

6. Realice estos mismos pasos para la tabla Geography, seleccionando los campos siguientes y poniéndolos en este orden.

City, State Province Code, State Region Code.

7. Finalmente, realice estos mismos pasos para la tabla Product, seleccionando los campos siguientes y poniéndolos en este orden.

Product Alternate Id, Product Name.

Comportamiento de tabla

Con las propiedades de Comportamiento de tabla, puede cambiar el comportamiento predeterminado de los diferentes tipos de visualización y el comportamiento deagrupación para las tablas usadas en los informes de Power View. Esto permite una ubicación predeterminada más eficaz de la información de identificación como losnombres, imágenes o títulos en los diseños de mosaico, tarjeta y gráfico.

Cuadro de diálogo Comportamiento de tabla

Para obtener información detallada acerca de las propiedades de Comportamiento de tabla, vea Configurar las propiedades de comportamiento de las tablas para

informes de Power View (SSAS tabular) en los Libros en pantalla de SQL Server.

Para establecer el comportamiento de tabla de las tablas




2. En la ventana Propiedades, en la propiedad Comportamiento de tabla, haga clic en Haga clic para editar, para abrir el cuadro de diálogo Comportamiento

de tabla.

3. En el cuadro de diálogo Comportamiento de tabla, en el cuadro de lista desplegable Identificador de fila, seleccione la columna Customer Id.

4. En el cuadro de lista Mantener filas únicas, seleccione First Name and Last Name.

Esta configuración de propiedad especifica que estas columnas proporcionan valores que se deben tratar como únicos aunque estén duplicados, por ejemplo,para cuando dos o varios empleados compartan el mismo nombre.

5. En el cuadro de lista desplegable Etiqueta predeterminada, seleccione la columna Last Name.

Esta configuración de propiedad especifica esta columna proporciona un nombre para mostrar para representar datos de fila.

6. Repita estos pasos con la tabla Geography, seleccionando la columna Geography Id como Identificador de fila y la columna City en el cuadro de lista Mantener

filas únicas. No necesita establecer una etiqueta predeterminada para esta tabla.

7. Repita estos pasos con la tabla Product, seleccionando la columna Product Id como Identificador de fila y la columna Product Name en el cuadro de lista

Mantener filas únicas. En Etiqueta predeterminada, seleccione Product Alternate Id.

Propiedades de informe para las columnas

Hay varias propiedades de columna básicas y propiedades de informe específicos en las columnas que puede establecer para mejorar la experiencia de informes demodelo. Por ejemplo, puede no ser necesario que los usuarios vena cada columna de cada tabla. Igual que ocultó las tablas Product Category y Product Subcategoryantes, mediante la propiedad Hidden de una columna puede ocultar columnas concretas de una tabla que de otro modo se mostrarían. Otras propiedades, como Data

Format y Sort by Column, también pueden afectar al modo en que los datos de columna pueden aparecer en los informes. Establecerá algunas de esas columnasconcretas ahora. Otras columnas no requieren ninguna acción y no se muestran a continuación.

Solo establecerá algunas propiedades de columna distintas aquí, pero hay muchas otras. Para obtener más información acerca de las propiedades de informes decolumna, vea Pestaña Propiedades de columna ﴾SSAS tabular﴿ en los Libros en pantalla de SQL Server.

Para establecer las propiedades de las columnas


2. Haga clic en la columna Customer Id para mostrar las propiedades de columna en la ventana Properties.

3. En la ventana Propiedades, establezca la propiedad Hidden en True. La columna Customer Id se atenúa en el diseñador de modelos.

4. Repita estos pasos, estableciendo la columna siguiente y las propiedades de informes para cada tabla especificada. Deje las demás propiedades con suconfiguración predeterminada.

Customer

Columna Propiedad Valor

Id. de geografía Oculto True

Birth Date Formato de datos Short Date

Date

Nota

Dado que la tabla Date se seleccionó como la tabla de fechas de modelos con la opción Marcar como tabla de fechas, en la lección 7, Marcar como tabla defechas, y la columna Date de la tabla Date como la columna que se usa como identificador único, la propiedad Identificador de fila de la columna Date seestablecerá automáticamente en True y no se puede cambiar. Cuando se usan funciones de inteligencia temporal en fórmulas DAX, debe especificar una tablade fechas. En este modelo, creó una serie de medidas con las funciones de inteligencia temporal para calcular los datos de ventas para varios periodos comolos trimestres anteriores y actuales y también para usarse en KPI. Para obtener más información acerca de cómo especificar una tabla de fechas, veaEspecificar Marcar como tabla de fechas con inteligencia de tiempo (SSAS tabular) en los Libros en pantalla de SQL Server.


date Formato de datos Short Date

Día de la semana Oculto True

Nombre del día Ordenar por columna Día de la semana

Día de la semana Oculto True

Día del mes Oculto True

Día del año Oculto True

Nombre del mes Ordenar por columna Month



Month Oculto True

Month Calendar Oculto True

Trimestre fiscal Oculto True

Año fiscal Oculto True

Semestre fiscal Oculto True

Geography


Id. de geografía Oculto True

Sales Territory Id Oculto True

Product


Id. de producto Oculto True

Id. alternativo del producto Etiqueta predeterminada True

Id. de subcategoría del producto Oculto True

Fecha de inicio del producto Formato de datos Short Date

Fecha de finalización del producto Formato de datos Short Date

Foto grande Oculto True

Internet Sales


Id. de producto Oculto True

Id. de cliente Oculto True

Id. de promoción Oculto True

Id. de moneda Oculto True

Sales Territory Id Oculto True

Cantidad del pedido Tipo de datos

Formato de datos

Posiciones decimales

Decimal Number

Decimal Number

0

Fecha de pedido Tipo de datos Short Date

Fecha de vencimiento Tipo de datos Short Date

Fecha de envío Tipo de datos Short Date

Volver a implementar el MT Ventas AW

Dado que ha cambiado el modelo, debe volver a implementarlo. Repetirá las tareas realizadas en Lección 14: Implementar.

Para volver a implementar el modelo tabular Ventas por Internet de Adventure Works

En SQL Server Data Tools, haga clic en el menú Generar y después haga clic en Implementar Adventure Works Internet Sales.

Aparece el cuadro de diálogo Implementar en el que se muestra el estado de implementación de los metadatos y las tablas incluidas en el modelo.

Pasos siguientes


Ahora puede usar Power View para visualizar los datos del modelo. Asegúrese de que las cuentas de Analysis Services y Reporting Services en el sitio de SharePointtienen permisos de lectura en la instancia de Analysis Services donde implementó el modelo.

Para crear un origen de datos de informe de Reporting Services que señale al modelo, vea Tipo de conexión del modelo de tabla ﴾SSRS﴿.


http://msdn.microsoft.com/en-us/library/hh270317(v=SQL.110).aspx

Creación de modelos multidimensionales ﴾tutorial deAdventure Works)

Este es el Tutorial de Analysis Services. En este tutorial se describe cómo usar SQL Server Data Tools para desarrollar e implementar un proyecto de Analysis Services,usando la empresa ficticia Adventure Works Cycles para todos los ejemplos.

Aprendizaje

En este tutorial, aprenderá a:

Definir orígenes de datos, vistas del origen de datos, dimensiones, atributos, relaciones de atributo, jerarquías y cubos en un proyecto de Analysis Services enSQL Server Data Tools.

Ver los datos de dimensiones y cubos implementando el proyecto de Analysis Services en una instancia de Analysis Services y a procesar los objetos

implementados para rellenarlos con datos del origen de datos subyacente.

Modificar las medidas, las dimensiones, las jerarquías, los atributos y los grupos de medida del proyecto de Analysis Services, así como a implementar cambiosincrementales en el cubo implementado en el servidor de desarrollo.

Definir cálculos, indicadores de claves de rendimiento ﴾KPI﴿, acciones, perspectivas, traducciones y roles de seguridad en un cubo.

Este tutorial va acompañado de una descripción del escenario para poder entender mejor el contexto de estas lecciones. Para obtener más información, vea Escenario

de Tutorial de Analysis Services.

Requisitos previos

Necesitará datos de ejemplo, archivos del proyecto de ejemplo y software para completar todas las lecciones de este tutorial. Para obtener instrucciones sobre cómobuscar e instalar los requisitos previos para este tutorial, vea Instalar los datos y proyectos de ejemplo para el tutorial de modelado multidimensional de Analysis

Services.

Además, los permisos siguientes deben existir para realizar correctamente este tutorial:

Debe ser miembro del grupo local Administradores del equipo con Analysis Services o ser miembro del rol de administración del servidor de la instancia deAnalysis Services.

Debe tener permisos de lectura en la base de datos de ejemplo AdventureWorksDW2012. Esta base de datos de ejemplo es válida para la versión de SQLServer 2014.

Lecciones

Este tutorial incluye las siguientes lecciones.

Lección Tiempo estimado para completar la lección

Lección 1: definir una vista del origen de datos en un proyecto de Analysis Services 15 minutos

Lección 2: Definir e implementar un cubo 30 minutos

Lección 3: modificar medidas, atributos y jerarquías 45 minutos

Lección 4: Definir propiedades de dimensiones y de atributos avanzados 120 minutos

Lección 5: definir relaciones entre dimensiones y grupos de medida 45 minutos

Lección 6: definir cálculos 45 minutos

Lección 7: definir indicadores clave de rendimiento ﴾KPI﴿ 30 minutos

Lección 8: definir acciones 30 minutos

Lección 9: Definir perspectivas y traducciones 30 minutos

Lección 10: definir roles administrativos 15 minutos

Nota

La base de datos del cubo que creará en este tutorial es una versión simplificada del proyecto de modelo multidimensional de Analysis Services que forma parte delas bases de datos de ejemplo Adventure Works que se pueden descargar en el sitio de codeplex. La versión del tutorial de la base de datos multidimensional de

SQL Server 2014













Adventure Works se ha simplificado para centrarse en los conocimientos específicos que le interesará dominar inmediatamente. Después de completar el tutorial,considere la posibilidad de explorar el proyecto de modelo multidimensional por su cuenta para entender mejor el modelado multidimensional de Analysis Services.

Paso siguiente

Para comenzar el tutorial, vaya a la primera lección: Lección 1: definir una vista del origen de datos en un proyecto de Analysis Services.

Vea también

Otros recursosTutorials (Analysis Services)



Escenario de Tutorial de Analysis Services

Este tutorial se basa en Adventure Works Cycles, una compañía ficticia. Adventure Works Cycles es una multinacional dedicada a la fabricación y distribución de bicicletasde metal y de metal compuesto en mercados de Norteamérica, Europa y Asia. Las oficinas centrales de Adventure Works Cycles se encuentran en Bothell, Washington,

donde la compañía tiene 500 trabajadores. Además, Adventure Works Cycles tiene contratados a varios equipos de ventas regionales en toda su base de mercado.

En los últimos años, Adventure Works Cycles compró una pequeña planta de fabricación, Importadores Neptuno, situada en México. Importadores Neptuno fabrica varios

subcomponentes muy importantes para la línea de productos de Adventure Works Cycles. Estos subcomponentes se envían a la sede de Bothell para el ensamblado finaldel producto. En el año 2005, Importadores Neptuno pasó a ser el único fabricante y distribuidor del grupo de productos de bicicletas de paseo.

Tras un año fiscal con muy buenos resultados, Adventure Works Cycles desea ampliar su cuota de mercado dirigiendo sus ventas a sus mejores clientes, ampliando ladisponibilidad de sus productos en un sitio web externo y reduciendo los costos de venta a través de costos de producción más bajos.

Entorno de análisis actual

Para dar respuesta a las necesidades de análisis de datos de los equipos de ventas y de marketing, la compañía obtiene actualmente los datos transaccionales de labase de datos AdventureWorks2012 y la información que no corresponde a las transacciones, como las cuotas de venta, la obtiene de hojas de cálculo; toda estainformación se consolida en el almacenamiento de datos relacional AdventureWorksDW2012. No obstante, el almacenamiento de datos relacional presenta los

siguientes problemas:

Los informes son estáticos. Los usuarios no pueden explorar de forma interactiva los datos de los informes para obtener información más detallada, comopodían hacer con una tabla dinámica de Microsoft Office Excel. Aunque el conjunto existente de informes predefinidos es suficiente para muchos usuarios, los

usuarios más avanzados necesitan un acceso de consulta directo a la base de datos para realizar consultas interactivas y obtener informes especializados. No

obstante, debido a la complejidad de la base de datos AdventureWorksDW2012, se necesita demasiado tiempo para que estos usuarios puedan aprender a

crear consultas eficaces.

El rendimiento de las consultas es muy variable. Por ejemplo, algunas consultas devuelven resultados con gran rapidez, en pocos segundos, mientras que otras

tardan varios minutos en devolverlos.

Es difícil administrar las tablas agregadas. En un intento de mejorar los tiempos de respuesta de las consultas, el equipo de almacenamiento de datos de

Adventure Works creó varias tablas agregadas en la base de datos AdventureWorksDW2012. Por ejemplo, crearon una tabla que resumía las ventas por mes.No obstante, si bien estas tablas mejoran notablemente el rendimiento de las consultas, la infraestructura creada para mantener las tablas a lo largo del tiempo

es frágil y propensa a errores.

Las definiciones de informe incluyen lógica de cálculo muy compleja que es difícil de compartir entre informes. Puesto que esta lógica empresarial se genera deforma independiente para cada informe, a veces la información de resumen es distinta entre los informes. Por consiguiente, el equipo de dirección tiene unaconfianza limitada en los informes del almacenamiento de datos.

Los usuarios de distintas unidades empresariales están interesados en distintas vistas de los datos. Cada grupo se distrae y confunde con los elementos de

datos que no son relevantes para él.

La lógica de cálculo es especialmente difícil para los usuarios que necesitan informes especializados. Estos usuarios deben definir la lógica de cálculo de formaindependiente para cada informe, por lo que no existe un control centralizado sobre el modo de definir la lógica de cálculo. Por ejemplo, algunos usuarios

saben que deben utilizar técnicas estadísticas básicas, como medias móviles, pero no saben cómo construir estos cálculos y, por consiguiente, no utilizan dichastécnicas.

Es difícil combinar los conjuntos de información relacionados. Resulta difícil para los usuarios de la compañía crear consultas especializadas que combinen dosconjuntos de información relacionada, como ventas y cuotas de ventas. Las consultas de este tipo han sobrecargado la base de datos, por lo que la compañíarequiere que los usuarios soliciten al equipo del almacenamiento de datos conjuntos de datos comunes entre varias áreas. Como consecuencia de ello, se han

definido pocos informes predefinidos que combinan datos de varias áreas temáticas. Además, debido a la complejidad de estos informes, los usuarios sonreacios a intentar modificarlos.

Los informes se basan principalmente en información de compañías de Estados Unidos. Los usuarios que se encuentran en sedes fuera de Estados Unidos no

están satisfechos con este enfoque y desean poder ver los informes en distintas monedas y en distintos idiomas.

Es difícil auditar la información. Actualmente, el departamento de finanzas usa la base de datos AdventureWorksDW2012 solo como origen de datos en la que

pueden realizarse consultas masivas. Luego descargan los datos en hojas de cálculo individuales e invierten mucho tiempo en preparar los datos y manipulardichas hojas de cálculo. Por consiguiente, el proceso de preparación, auditoría y administración de los informes financieros de la compañía es complejo.

Solución

Recientemente, el equipo del almacenamiento de datos ha realizado una revisión del diseño del sistema de análisis actual. La revisión ha incluido un análisis de laslagunas que presentan los problemas actuales y las demandas futuras. Este equipo ha determinado que la base de datos AdventureWorksDW2012 es una base de

datos dimensional bien diseñada con dimensiones compatibles y claves suplentes. Las dimensiones compatibles permiten utilizar una dimensión en varios puestos dedatos, como una dimensión de tiempo o una dimensión de producto. Las claves suplentes son claves artificiales que vinculan tablas de dimensiones y de hechos y se

utilizan para garantizar la unicidad y mejorar el rendimiento. Además, el equipo de almacenamiento de datos ha determinado que actualmente no existen problemassignificativos con la carga y la administración de las tablas base de la base de datos AdventureWorksDW2012. Por tanto, el equipo ha decidido usar Microsoft

Analysis Services para poder hacer lo siguiente:

Proporcionar el acceso a datos unificados a través de una capa de metadatos común para la creación de informes y el análisis analítico.

Simplificar la vista de datos de los usuarios, acelerando el desarrollo de consultas interactivas y predefinidas, y de informes predefinidos.

Crear correctamente consultas que combinan datos de varias áreas temáticas.

Administrar los agregados.

SQL Server 2014

Almacenar y reutilizar cálculos complejos.

Presentar una versión traducida a los usuarios de la compañía que se encuentran fuera de Estados Unidos.

Las lecciones del tutorial de Analysis Services proporcionan instrucciones para crear una base de datos de cubo que satisfaga todos estos objetivos. Para empezar,

vaya a la primera lección: Lección 1: Crear un nuevo proyecto de modelo tabular.

Vea también

ConceptosCreación de modelos multidimensionales ﴾tutorial de Adventure Works﴿




Instalar los datos y proyectos de ejemplo para el tutorial demodelado multidimensional de Analysis Services

Use las instrucciones y los vínculos proporcionados en este tema para instalar todos los archivos de datos y de proyecto empleados en los tutoriales de Analysis Services.

Paso 1: instalar el software SQL Server

En las lecciones de este tutorial se supone que tiene el siguiente software instalado. Todo el software siguiente se instala con los discos de instalación del SQL Server.Para mayor simplicidad de la implementación, puede instalar todas las características en un equipo único. Para instalar estas características, ejecute el programa deinstalación de SQL Server y selecciónelas en la página Selección de características. Para obtener más información, vea Instalar SQL Server 2014 desde el Asistente para

la instalación ﴾programa de instalación﴿.

Motor de base de datos

Analysis Services

Analysis Services solo está disponible en estas ediciones: Evaluation, Enterprise, Business Intelligence, Standard.

Tenga en cuenta que las ediciones de SQL Server Express no incluyen Analysis Services. Descargue la edición Evaluation si desea probar el software de forma

gratuita.

De forma predeterminada, Analysis Services se instala como una instancia multidimensional, lo que puede invalidar si elige el modo de servidor tabular en la

página de configuración del servidor del Asistente para la instalación. Si desea ejecutar ambos modos de servidor, vuelva a ejecutar el programa de instalaciónde SQL Server en el mismo equipo para instalar una segunda instancia de Analysis Services en el otro modo.

SQL Server Management Studio

Opcionalmente, considere la posibilidad de instalar Excel para examinar los datos multidimensionales a medida que recorre el tutorial. Al instalar Excel, se habilita la

característica Analizar en Excel, que inicia Excel utilizando una lista de campos de tabla dinámica conectada al cubo que se está compilando. Se recomienda utilizar

Excel para examinar los datos porque puede se puede crear rápidamente un informe dinámico que permite interactuar con los datos.

O bien, puede examinar los datos usando el diseñador de consultas MDX integrado en SQL Server Data Tools ﴾SSDT﴿. El diseñador de consultas devuelve los mismosdatos, excepto los presentados como un conjunto de filas plano.

Paso 2: descargar SQL Server Data Tools – Business Intelligence para Visual Studio 2012

En esta versión, SQL Server Data Tools se descarga e instala de forma independiente de otras características de SQL Server. Los diseñadores y las plantillas deproyecto que se emplean para crear modelos e informes de BI están disponibles ahora como una descarga web gratuita.

Descargue la versión Business Intelligence de SQL Server Data Tools. El archivo se guarda en la carpeta Descargas. Ejecute el programa de instalación parainstalar la herramienta.

Reinicie el equipo para completar la instalación.

Paso 3: Instalar bases de datos

Un modelo multidimensional de Analysis Services usa datos transaccionales importados de un sistema de administración de bases de datos relacionales. Para los

propósitos de este tutorial, utilizará la siguiente base de datos relacional como origen de datos.

AdventureWorksDW2012: es un almacenamiento de datos relacional que se ejecuta en una instancia del Motor de base de datos. Proporciona los datos

originales que serán utilizados por las bases de datos de Analysis Services y los proyectos que va a compilar e implementar a lo largo del tutorial.

Puede usar esta base de datos de ejemplo con SQL Server 2014 y con SQL Server 2012.

Para instalar esta base de datos, haga lo siguiente:

1. Descargue la base de datos AdventureWorksDW2012 de la página de ejemplos del producto de codeplex.

El nombre del archivo de base de datos es AdventureWorksDW2012_Data.mdf. El archivo debe estar en la carpeta Descargas del equipo.

2. Copie el archivo AdventureWorksDW2012_Data.mdf en el directorio de datos de la instancia del Motor de base de datos de SQL Server local. De forma

predeterminada, se encuentra en la carpeta C:\Archivos de programa\Microsoft SQL Server\MSSQL12.MSSQLSERVER\MSSQL\Data.

3. Inicie Microsoft SQL Server Management Studio y conéctese a la instancia del Motor de base de datos.

4. Haga clic con el botón secundario en Bases de datos y haga clic en Adjuntar.

5. Haga clic en Agregar.

6. Seleccione el archivo de base de datos AdventureWorksDW2012_Data.mdf y haga clic en Aceptar. Si el archivo no aparece, compruebe la carpeta C:\Archivos

SQL Server 2014



http://go.microsoft.com/fwlink/p/?LinkID=322038


de programa\Microsoft SQL Server\MSSQL12.MSSQLSERVER\MSSQL\Data para asegurarse de que está allí.

7. En los detalles de la base de datos, quite la entrada del archivo de registro. El programa de instalación da por supuesto que tiene un archivo de registro, perono hay ningún archivo de registro en el ejemplo. Se creará automáticamente un nuevo archivo de registro al adjuntar la base de datos. Seleccione el archivo de

registro, haga clic en Quitar y, a continuación, haga clic en Aceptar para adjuntar solo el archivo de base de datos principal.

Paso 4: Otorgar permisos de base de datos

En los proyectos de ejemplo se usa la configuración de suplantación del origen de datos que especifica el contexto de seguridad bajo el que se importan o seprocesan los datos. De forma predeterminada, los valores de suplantación especifican la cuenta de servicio de Analysis Services para obtener acceso a los datos. Para

usar esta configuración predeterminada, debe asegurarse de que la cuenta de servicio bajo la que se ejecuta Analysis Services tiene permisos de lector de datos en labase de datos AdventureWorksDW2012.

Nota

Para los propósitos de aprendizaje, se recomienda que use la opción de suplantación de cuenta de servicio predeterminada y que otorgue permisos de lector dedatos a la cuenta de servicio en SQL Server. Aunque hay otras opciones de suplantación disponibles, no todas ellas son convenientes para procesar las operaciones.Concretamente, la opción de usar las credenciales del usuario actual no se admite para el procesamiento.

1. Determine la cuenta de servicio. Puede usar el Administrador de configuración de SQL Server o la aplicación de consola Servicios para ver la información decuentas. Si ha instalado Analysis Services como instancia predeterminada, usando la cuenta predeterminada, el servicio se está ejecutando como NT

Service\MSSQLServerOLAPService.

2. En Management Studio, conéctese a la instancia del motor de base de datos.

3. Expanda la carpeta Seguridad, haga clic con el botón secundario en Inicios de sesión y seleccione Nuevo inicio de sesión.

4. En la página General, en Nombre de inicio de sesión, escriba NT Service\MSSQLServerOLAPService ﴾o la cuenta como la que se ejecute el servicio﴿.

5. Haga clic en Asignación de usuarios.

6. Active la casilla situada al lado de la base de datos AdventureWorksDW2012. La pertenencia del rol debería incluir db_datareader y public automáticamente.Haga clic en Aceptar para aceptar los valores predeterminados.

Paso 5: Instalar los proyectos

El tutorial incluye proyectos de ejemplo para que pueda comparar sus resultados con un proyecto acabado, o iniciar una lección que está más adelante en la secuencia.

El archivo de proyecto de la lección 4 es particularmente importante porque proporciona la base para esa lección y paro todas las lecciones siguientes. En contraste

con los archivos de proyecto anteriores, donde los pasos del tutorial tenían como resultado una copia exacta de los archivos de proyecto completados, el proyecto deejemplo de la lección 4 incluye la nueva información del modelo que no se encuentra en el modelo creado en las lecciones 1 a 3. En la lección 4 se supone quecomienza con un archivo de proyecto de ejemplo que está disponible en la siguiente descarga.

1. Descargue el Tutorial de Analysis Services SQL Server 2012 de la página de ejemplos del producto en codeplex.

Los tutoriales de 2012 son válidos para la versión SQL Server 2014.

El archivo “Analysis Services Tutorial SQL Server 2012.zip” se guardará en la carpeta de descarga en su equipo.

2. Mueva el archivo de .zip a una carpeta que esté debajo de la unidad raíz ﴾por ejemplo, C:\Tutorial﴿. Este paso mitiga el error “Ruta de acceso demasiado larga”que aparece en ocasiones si intenta descomprimir los archivos en la carpeta Descargas.

3. Descomprima los proyectos de ejemplo: haga clic con el botón secundario en el archivo y seleccione Extrae todo. Después de extraer los archivos, debería tenerlos siguientes proyectos instalados en su equipo:

Lección 1 completa

Lección 2 completa

Lección 3 completa

Lección 4 completa

Lección 4 inicio

Lección 5 completa

Lección 6 completa

Lección 7 completa

Lección 8 completa

Lección 9 completa

Lección 10 completa

4. Quite los permisos de solo lectura de estos archivos. Haga clic con el botón secundario en la carpeta principal, “Analysis Services Tutorial SQL Server 2012”,seleccione Propiedades y desactive la casilla Solo lectura. Haga clic en Aceptar. Aplique los cambios a esta carpeta, sus subcarpetas y sus archivos.


5. Inicie SQL Server Data Tools (SSDT).

6. Abra el archivo de solución ﴾.sln﴿ que corresponde a la lección que está utilizando. Por ejemplo, en la carpeta denominada “Lesson 1 Complete”, abriría elarchivo Analysis Services Tutorial.sln.

7. Implemente la solución para comprobar que los permisos de base de datos y la información de ubicación del servidor se han configurado correctamente.

Si Analysis Services y el Motor de base de datos se instalan como la instancia predeterminada ﴾MSSQLServer﴿ y todo el software se está ejecutando en el mismoequipo, puede hacer clic en Implementar solución en el menú Compilar para compilar e implementar el proyecto de ejemplo en la instancia local de AnalysisServices. Durante la implementación, los datos se procesarán ﴾o importarán﴿ de la base de datos AdventureWorksDW2012 en la instancia del Motor de base de

datos local. Se creará una nueva base de datos de Analysis Services en la instancia de Analysis Services que contiene los datos recuperados del motor de basede datos.

Si encuentra los errores, revise los pasos anteriores de configuración de los permisos de base de datos. Además, puede ser necesario cambiar los nombres deservidor. El nombre de servidor predeterminado es localhost. Si los servidores están instalados en equipos remotos o como instancias con nombre, debeinvalidar el valor predeterminado para usar un nombre de servidor válido para la instalación. Además, si los servidores están en equipos remotos, podría sernecesario configurar Firewall de Windows para permitir el acceso a los servidores.

El nombre de servidor para conectarse al motor de base de datos se especifica en el objeto de origen de datos de la solución multidimensional ﴾tutorial deAdventure Works), que es visible en el Explorador de soluciones.

El nombre de servidor para conectarse a Analysis Services se especifica en la pestaña Implementación de las páginas de propiedades del proyecto, que tambiénes visible en el Explorador de soluciones.

8. Inicie SQL Server Management Studio. En SQL Server Management Studio, conéctese a un servidor de Analysis Services. Compruebe que una base de datos

denominada Analysis Services Tutorial se está ejecutando en el servidor.

Paso siguiente

Ahora está preparado para utilizar el tutorial. Para obtener más información acerca de cómo empezar, vea Creación de modelos multidimensionales ﴾tutorial deAdventure Works).

Vea también

TasksInstalar SQL Server 2014 desde el Asistente para la instalación ﴾programa de instalación﴿ConceptosConfigurar Firewall de Windows para permitir el acceso a Analysis Services

Configurar Firewall de Windows para permitir el acceso a SQL Server





http://msdn.microsoft.com/es-es/library/cc646023.aspx

Lección 1: definir una vista del origen de datos en un proyectode Analysis Services

Para diseñar una aplicación de Business Intelligence en SQL Server, primero debe crear un proyecto de Analysis Services en SQL Server Data Tools ﴾SSDT﴿. En este

proyecto, debe definir todos los elementos de la solución, empezando por una vista del origen de datos.

Esta lección contiene las tareas siguientes:

Crear un proyecto de Analysis Services

En esta tarea, creará el proyecto Tutorial de Analysis Services basándose en una plantilla de modelo multidimensional de Analysis Services.

Definir un origen de datos

En esta tarea, especificará la base de datos AdventureWorksDW2012 como origen de datos para las dimensiones y los cubos de Analysis Services que definirá enlecciones posteriores.

Definir una vista del origen de datos

En esta tarea, definirá una única vista unificada de los metadatos de tablas seleccionadas en la base de datos AdventureWorksDW2012.

Modificar los nombres de tabla predeterminados

En esta tarea, modificará los nombres de tabla de la vista del origen de datos, de modo que los nombres de los objetos subsiguientes de Analysis Services quedefinirá sean más descriptivos.

Compare sus resultados en un archivo de proyecto de ejemplo que se creó para esta lección. Para obtener más información acerca de cómo descargar los proyectos deejemplo relacionados con este tutorial, vea SSAS Multidimensional Model Projects for SQL Server 2012 en la página de ejemplos del producto de codeplex.

Lección siguiente

Lección 2: Definir e implementar un cubo

Vea también

ConceptosCrear un proyecto de Analysis Services (SSDT)

Tipos de orígenes de datos admitidos ﴾SSAS multidimensional﴿Vistas del origen de datos en modelos multidimensionales

Escenario de Tutorial de Analysis Services

Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿


SQL Server 2014












Crear un proyecto de Analysis Services

En la tarea siguiente, debe usar SQL Server Data Tools (SSDT) para crear un nuevo proyecto de Analysis Services denominado Tutorial de Analysis Services, basado en la

plantilla del proyecto de Analysis Services. Un proyecto es una colección de objetos relacionados. Los proyectos existen en una solución, que incluye uno o más proyectos.Para obtener más información, vea Crear un proyecto de Analysis Services (SSDT).

Para crear un nuevo proyecto de Analysis Services

1. Haga clic en Inicio, seleccione Todos los programas, Microsoft SQL Server 2012 y, a continuación, haga clic en Herramientas de datos de SQL Server.

Se abrirá el entorno de desarrollo de Microsoft Visual Studio.

2. En la página Inicio de Visual Studio, haga clic en Nuevo proyecto.

3. En el cuadro de diálogo Nuevo proyecto, en el panel Plantillas instaladas, expanda Business Intelligence y seleccione Analysis Services. Elija la plantilla

Proyecto multidimensional y de minería de datos de Analysis Services.

Fíjese en el nombre predeterminado del proyecto, la ubicación y el nombre predeterminado de la solución que aparecen en la parte inferior del cuadro de diálogo.De forma predeterminada, se crea un directorio nuevo para la solución.

4. Cambie el nombre del proyecto a Tutorial de Analysis Services, que cambia también el cuadro Nombre de solución, y haga clic en Aceptar.

Ha creado correctamente el proyecto Tutorial de Analysis Services, basado en la plantilla Proyecto multidimensional y de minería de datos de Analysis Services,

dentro de una nueva solución denominada también Tutorial de Analysis Services.

Siguiente tarea de la lección


Vea también

ConceptosCrear modelos multidimensionales utilizando las herramientas de datos de SQL Server (SSDT)

Crear un proyecto de Analysis Services (SSDT)


SQL Server 2014






Tras crear un proyecto de Analysis Services, generalmente se empieza a trabajar con el mismo definiendo uno o más orígenes de datos que el proyecto utilizará. Al definir

un origen de datos, se define la información de cadena de conexión que se utilizará para establecer la conexión con el origen de datos. Para obtener más información,vea Crear un origen de datos (SSAS multidimensional).

En la tarea siguiente, definirá la base de datos de ejemplo AdventureWorksDWSQLServer2012 como origen de datos para el proyecto Tutorial de Analysis Services. En el

caso de este tutorial, esta base de datos se encuentra en el equipo local; no obstante, las bases de datos de origen generalmente se encuentran hospedadas en uno o

más equipos remotos.

Para definir un origen de datos nuevo

1. En Explorador de soluciones ﴾a la derecha de la ventana de Microsoft Visual Studio﴿, haga clic con el botón secundario en Orígenes de datos y después haga clicen Nuevo origen de datos.

2. En la página de inicio del Asistente para orígenes de datos, haga clic en Siguiente para abrir la página Seleccionar cómo definir la conexión.

3. En la página Seleccionar cómo definir la conexión, puede definir un origen de datos basado en una conexión nueva, en una conexión existente o en un objeto deorigen de datos definido con anterioridad. En este tutorial, va a definir un origen de datos basado en una conexión nueva. Compruebe que la opción Crear un

origen de datos basado en una conexión nueva o existente está seleccionada y, a continuación, haga clic en Nueva.

4. En el cuadro de diálogo Administrador de conexiones se definen las propiedades de conexión para el origen de datos. En el cuadro de lista Proveedor,

compruebe que está seleccionada la opción Native OLE DB\SQL Server Native Client 11.0.

Analysis Services también admite otros proveedores, que se muestran en la lista Proveedor.

5. En el cuadro de texto Nombre de servidor, escriba localhost.

Para conectarse a una instancia con nombre del equipo local, escriba localhost\<nombre de instancia>. Para conectarse al equipo especificado en lugar de al

equipo local, escriba el nombre del equipo o la dirección IP.

6. Compruebe que la opción Utilizar autenticación de Windows está seleccionada. En la lista Seleccione o escriba un nombre de base de datos, seleccione

AdventureWorksDW2012.

7. Haga clic en Probar conexión para probar la conexión a la base de datos.

8. Haga clic en Aceptar y, a continuación, en Siguiente.

9. En la página Información de suplantación del asistente, debe definir las credenciales de seguridad que Analysis Services debe usar para conectarse al origen de

datos. La suplantación afecta a la cuenta de Windows usada para conectarse al origen de datos cuando está seleccionada la autenticación de Windows. Analysis

Services no admite la suplantación para el procesamiento de objetos OLAP. Seleccione Utilizar la cuenta de servicio y, a continuación, haga clic en Siguiente.

10. En la página Finalización del asistente, acepte el nombre predeterminado Adventure Works DW 2012 y, a continuación, haga clic en Finalizar para crear el

nuevo origen de datos.

Nota

Para modificar las propiedades del origen de datos una vez creado este, haga doble clic en el origen de datos de la carpeta Orígenes de datos para mostrar las

propiedades del origen de datos en el Diseñador de origen de datos.



Vea también

ConceptosCrear un origen de datos (SSAS multidimensional)


SQL Server 2014





Tras definir los orígenes de datos que utilizará en un proyecto de Analysis Services, el paso siguiente generalmente consiste en definir una vista del origen de datos parael proyecto. Una vista del origen de datos es una sola vista unificada de metadatos de las tablas y vistas especificadas que el origen de datos define en el proyecto.

Almacenar metadatos en la vista del origen de datos permite trabajar con los metadatos durante el proceso de desarrollo sin ninguna conexión abierta con ningún origende datos subyacente. Para obtener más información, vea Vistas del origen de datos en modelos multidimensionales.

En la tarea siguiente, definirá una vista del origen de datos que incluye cinco tablas del origen de datos AdventureWorksDW2012.

Para definir una vista del origen de datos nueva

1. En el Explorador de soluciones ﴾a la derecha de la ventana de Microsoft Visual Studio﴿, haga clic con el botón secundario en Vistas del origen de datos y, a

continuación, haga clic en Nueva vista del origen de datos.

2. En la página Asistente para vistas del origen de datos, haga clic en Siguiente. Aparece la página Seleccionar un origen de datos.

3. En Orígenes de datos relacionales, el origen de datos Adventure Works DW 2012 aparece seleccionado. Haga clic en Siguiente.

Nota

Para crear una vista del origen de datos que se base en varios orígenes de datos, primero debe definir una vista del origen de datos que se base en un únicoorigen de datos. Este origen de datos luego se llama origen de datos principal. A continuación, puede agregar tablas y vistas a partir de un origen de datossecundario. Al diseñar dimensiones que contengan atributos basados en tablas relacionadas en varios orígenes de datos, puede que necesite definir un origende datos de Microsoft SQL Server como el origen de datos principal para usar sus capacidades del motor de consultas distribuidas.

4. En la página Seleccionar tablas y vistas se seleccionan las tablas y vistas de la lista de objetos disponibles del origen de datos seleccionado. Puede filtrar esta lista

para facilitar la selección de tablas y vistas.

Nota

Haga clic en el botón Maximizar situado en la esquina superior derecha para que la ventana ocupe toda la pantalla. Así resultará más fácil ver la lista completade objetos disponibles.

En la lista Objetos disponibles, seleccione los siguientes objetos. Para seleccionar varias tablas, haga clic en cada una de ellas mientras mantiene presionada la

tecla CTRL:

DimCustomer (dbo)

DimDate (dbo)

DimGeography (dbo)

DimProduct (dbo)

FactInternetSales (dbo)

5. Haga clic en > para agregar las tablas seleccionadas a la lista Objetos incluidos.

6. Haga clic en Siguiente.

7. En el campo Nombre, asegúrese de que aparece Adventure Works DW 2012 y, a continuación, haga clic en Finalizar.

La vista del origen de datos Adventure Works DW 2012 aparece en la carpeta Vistas del origen de datos del Explorador de soluciones. El contenido de la vista

del origen de datos también se muestra en el Diseñador de vistas del origen de datos de SQL Server Data Tools ﴾SSDT﴿. Este diseñador contiene los elementossiguientes:

El panel Diagrama, en el que las tablas y sus relaciones se representan gráficamente.

El panel Tablas, en el que las tablas y los elementos de esquema se muestran en una vista de árbol.

El panel Organizador de diagramas, en el que puede crear subdiagramas de modo que pueda ver los subconjuntos de la vista del origen de datos.

Una barra de herramientas específica del Diseñador de vistas del origen de datos.

8. Para maximizar el entorno de desarrollo de Microsoft Visual Studio, haga clic en el botón Maximizar.

9. Para ver las tablas del panel Diagrama al 50 por ciento, haga clic en el icono Zoom de la barra de herramientas del Diseñador de vistas del origen de datos. De

este modo se ocultarán los detalles de columna de cada tabla.

10. Para ocultar el Explorador de soluciones, haga clic en el botón Ocultar automáticamente, que es el icono de alfiler de la barra de título. Para ver el Explorador de

soluciones de nuevo, sitúe el puntero sobre la pestaña del Explorador de soluciones situada a la derecha del entorno de desarrollo. Para mostrar el Explorador de

soluciones, haga clic de nuevo en el botón Ocultar automáticamente.

11. Si las ventanas no se ocultan de forma predeterminada, haga clic en Ocultar automáticamente en la barra de título de las ventanas Propiedades y Explorador desoluciones.

Ahora puede ver las tablas y sus relaciones en el panel Diagrama. Observe que existen tres relaciones entre la tabla FactInternetSales y la tabla DimDate. Cada

venta tiene tres fechas asociadas: de pedido, de vencimiento y de envío. Para ver los detalles de cualquier relación, haga doble clic en la flecha de relación delpanel Diagrama.


SQL Server 2014



Vea también

ConceptosVistas del origen de datos en modelos multidimensionales





Puede cambiar el valor de la propiedad FriendlyName para los objetos de la vista del origen de datos para que sean más fáciles de identificar y usar.

En la tarea siguiente, cambiará el nombre descriptivo de cada tabla de la vista del origen de datos quitando los prefijos "Dim" y "Fact" de dichas tablas. Esto hará que losobjetos del cubo y la dimensión ﴾que definirá en la siguiente lección﴿ sean más fáciles de identificar y usar.

Nota

También puede cambiar los nombres descriptivos de las columnas, definir columnas calculadas y combinar tablas o vistas en la vista del origen de datos para quesean más fáciles de usar.

Para modificar el nombre predeterminado de una tabla

1. En el panel Tablas del Diseñador de vistas del origen de datos, haga clic con el botón secundario en la tabla FactInternetSales y, a continuación, haga clic enPropiedades.

2. Si la ventana Propiedades situada en la parte derecha de la ventana de Microsoft Visual Studio no se muestra, haga clic en el botón Ocultar automáticamente de

la barra de título de la ventana Propiedades para que esta ventana permanezca visible.

Es más fácil cambiar las propiedades de cada tabla en la vista del origen de datos cuando la ventana Propiedades permanece abierta. Si no fija la ventana abierta

mediante el botón Ocultar automáticamente, la ventana se cerrará al hacer clic en un objeto distinto del panel Diagrama.

3. Cambie la propiedad FriendlyName del objeto FactInternetSales por VentasInternet.

Al hacer clic fuera de la celda de la propiedad FriendlyName, se aplica el cambio. En la siguiente lección, definirá un grupo de medida que se basa en esta tablade hechos. El nombre de la tabla de hechos será InternetSales en lugar de FactInternetSales debido al cambio realizado en esta lección.

4. Haga clic en DimProduct en el panel Tablas. En la ventana Propiedades, cambie la propiedad FriendlyName por Productos.

5. Cambie la propiedad FriendlyName de cada una de las tablas restantes en la vista del origen de datos del mismo modo, para eliminar el prefijo "Dim".

6. Cuando haya finalizado, haga clic en el botón Ocultar automáticamente para ocultar de nuevo la ventana Propiedades.

7. En el menú Archivo o en la barra de herramientas de SQL Server Data Tools, haga clic en Guardar todo para guardar los cambios que haya efectuado hasta este

momento en el proyecto Tutorial de Analysis Services. Puede detener el tutorial aquí si lo desea y reanudarlo más adelante.

Lección siguiente


Vea también


Cambiar las propiedades de una vista del origen de datos (Analysis Services)


SQL Server 2014





Ahora que ha definido una vista del origen de datos en un proyecto de Microsoft Analysis Services, está preparado para definir el cubo inicial de Analysis Services.

Puede definir un cubo y sus dimensiones en un solo paso mediante el Asistente para cubos. También puede definir una o más dimensiones y usar el Asistente para cuboscon objeto de definir un cubo que use dichas dimensiones. Si está diseñando una solución compleja, generalmente empezará definiendo las dimensiones. Para obtener

más información, vea Dimensiones en modelos multidimensionales o Cubos en modelos multidimensionales.

Nota

Los proyectos completos para todas las lecciones de este tutorial están disponibles en línea. Puede saltar a continuación a cualquier lección con el proyectocompletado de la lección anterior como punto de partida. Haga clic aquí para descargar los proyectos de ejemplo que tienen que ver con este tutorial.


Definir una dimensiónEn esta tarea, debe usar el Asistente para dimensiones con objeto de definir una dimensión.

Definir un cubo

En esta tarea, debe usar el Asistente para cubos con objeto de definir un cubo de Analysis Services inicial.

Agregar atributos a dimensiones

En esta tarea, debe agregar atributos a las dimensiones que creó.

Revisar las propiedades de cubo y dimensiónEn esta tarea, debe revisar la estructura del cubo que definió utilizando el Asistente para cubos.

Implementar un proyecto de Analysis Services

En esta tarea, debe implementar el proyecto Analysis Services en la instancia local de Analysis Services, y obtendrá información sobre algunas propiedades deimplementación.

Examinar el cubo

En esta tarea, examinará los datos de cubo y de dimensión usando Excel o el diseñador de consultas MDX.

Lección siguiente

Lección 3: modificar medidas, atributos y jerarquías

Vea también

ConceptosEscenario de Tutorial de Analysis Services

Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Dimensiones en modelos multidimensionales

Cubos en modelos multidimensionales

Configurar las propiedades de un proyecto de Analysis Services (SSDT)

Generar proyectos de Analysis Services (SSDT)

Implementar proyectos de Analysis Services (SSDT)


SQL Server 2014


















Definir una dimensión

En la tarea siguiente, usará el Asistente para dimensiones con objeto de generar una dimensión Date.

Nota

Para realizar esta lección es necesario haber completado todos los procedimientos de la lección 1.

Para definir una dimensión

1. En Explorador de soluciones ﴾en el margen derecho de Microsoft Visual Studio﴿, haga clic con el botón secundario en Dimensiones y haga clic en Nueva

dimensión. Aparece el Asistente para dimensiones.

2. En la página Asistente para dimensiones, haga clic en Siguiente.

3. En la página Seleccionar método de creación, compruebe que la opción Usar una tabla existente está seleccionada y, a continuación, haga clic en Siguiente.

4. En la página Especificar información de origen, compruebe que la vista del origen de datos Adventure Works DW 2012 está seleccionada.

5. En la lista Tabla principal, seleccione Date.


7. En la página Seleccionar los atributos de la dimensión, active las casillas situadas junto a los siguientes atributos:

Date Key

Full Date Alternate Key

Spanish Month Name

Calendar Quarter

Calendar Year

Calendar Semester

8. Cambie el valor de la columna Tipo de atributo del atributo Full Date Alternate Key de Normal a Fecha. Para ello, haga clic en Regular en la columna Tipo de

atributo. A continuación, haga clic en la flecha para expandir las opciones. Por último, haga clic en Date > Calendar > Date. Haga clic en Aceptar. Repita estos

pasos para cambiar el tipo de atributo de los siguientes atributos como se indica a continuación:

Spanish Month Name a Month

Calendar Quarter a Quarter

Calendar Year a Year

Calendar Semester a Half Year


10. En la página Finalización del asistente, en el panel de vista previa, puede ver la dimensión Date y sus atributos.

11. Haga clic en Finalizar para completar el asistente.

En el Explorador de soluciones, en el proyecto Tutorial de Analysis Services, la dimensión Date aparece en la carpeta Dimensiones. En el centro del entorno de

desarrollo, el Diseñador de dimensiones muestra la dimensión Date.

12. En el menú Archivo, haga clic en Guardar todo.


Definir un cubo

Vea también

TasksCrear una dimensión usando una tabla existenteCrear una dimensión usando el Asistente para dimensionesConceptosDimensiones en modelos multidimensionales


SQL Server 2014



http://msdn.microsoft.com/es-es/library/bb677354.aspx


Definir un cubo

El Asistente para cubos le ayuda a definir los grupos de medida y las dimensiones de un cubo. En la tarea siguiente, usará el Asistente para cubos para generar un cubo.

Para definir un cubo y sus propiedades

1. En el Explorador de soluciones, haga clic con el botón secundario en Cubos y, a continuación, haga clic en Nuevo cubo. Aparece el Asistente para cubos.

2. En la página Asistente para cubos, haga clic en Siguiente.

3. En la página Seleccionar método de creación, compruebe que la opción Usar tablas existentes está seleccionada y, a continuación, haga clic en Siguiente.

4. En la página Seleccionar tablas de grupo de medida, compruebe que la vista del origen de datos Adventure Works DW 2012 está seleccionada.

5. Haga clic en Sugerir para que el Asistente para cubos sugiera las tablas que se deben usar para crear los grupos de medida.

El asistente examinará las tablas y sugerirá InternetSales como tabla de grupos de medida. Las tablas de grupos de medida, también denominadas tablas dehechos, contienen las medidas que son de su interés, como el número de unidades vendidas.


7. En la página Seleccionar medidas, revise las medidas seleccionadas en el grupo de medida Internet Sales y, a continuación, desactive las casillas de las medidassiguientes:

Promotion Key

Currency Key

Sales Territory Key

Revision Number

De forma predeterminada, el asistente selecciona como medidas todas las columnas numéricas de la tabla de hechos que no están vinculadas a dimensiones. No

obstante, estas cuatro columnas no son miembros reales. Las tres primeras son valores clave que vinculan la tabla de hechos con tablas de dimensiones que no se

utilizan en la versión inicial de este cubo.


9. En la página Seleccionar dimensiones existentes, asegúrese de que la dimensión Date que creó anteriormente está seleccionada y haga clic en Siguiente.

10. En la página Seleccionar nuevas dimensiones, seleccione las nuevas dimensiones que se van a crear. Para ello, compruebe que las casillas Customer, Geography

y Product están activadas y desactive la casilla InternetSales.


12. En la página Finalización del asistente, cambie el nombre del cubo por Tutorial de Analysis Services. En el panel de vista previa, puede ver el grupo de medida

InternetSales y sus medidas. También puede ver las dimensiones Date, Customer y Product.

13. Haga clic en Finalizar para completar el asistente.

En el Explorador de soluciones, en el proyecto Tutorial de Analysis Services, el cubo Tutorial de Analysis Services aparece en la carpeta Cubos, y las dimensiones de

base de datos Customer y Product aparecen en la carpeta Dimensiones. Asimismo, en el centro del entorno de desarrollo, la pestaña Estructura de cubo muestrael cubo Tutorial de Analysis Services.

14. En la barra de herramientas de la pestaña Estructura de cubo, cambie el nivel de Zoom al 50 por ciento de modo que pueda ver mejor las tablas de dimensiones y

de hechos del cubo. Observe que la tabla de hechos es amarilla y las tablas de dimensiones son azules.




Vea también

ConceptosCubos en modelos multidimensionales

Dimensiones en modelos multidimensionales


SQL Server 2014





Ahora que ha definido las dimensiones, puede rellenarlas con atributos que representan cada elemento de datos de la dimensión. Los atributos suelen estar basados en

campos de una vista del origen de datos. Al agregar atributos a una dimensión, puede incluir campos de cualquier tabla de la vista del origen de datos.

En esta tarea, usará el Diseñador de dimensiones para agregar atributos a las dimensiones Customer y Product. La dimensión Customer incluirá atributos basados encampos de las tablas Customer y Geography.

Agregar atributos a la dimensión Customer

Para agregar atributos

1. Abra el Diseñador de dimensiones para la dimensión Customer. Para ello, haga doble clic en la dimensión Customer del nodo Dimensiones del Explorador de

soluciones.

2. En el panel Atributos, observe los atributos Customer Key y Geography Key creados mediante el Asistente para cubos.

3. En la barra de herramientas de la pestaña Estructura de dimensión, asegúrese de que el icono Zoom para ver las tablas del panel Vista del origen de datos

está establecido al 100 por cien.

4. Arrastre las columnas siguientes de la tabla Customer del panel Vista del origen de datos al panel Atributos:

BirthDate

MaritalStatus

Gender

EmailAddress

YearlyIncome

TotalChildren

NumberChildrenAtHome

EnglishEducation

EnglishOccupation

HouseOwnerFlag

NumberCarsOwned

Phone

DateFirstPurchase

CommuteDistance

5. Arrastre las columnas siguientes de la tabla Geography del panel Vista del origen de datos al panel Atributos:

City

StateProvinceName

SpanishCountryRegionName

PostalCode


Agregar atributos a la dimensión Product

Para agregar atributos

1. Abra el Diseñador de dimensiones para la dimensión Product. Haga doble clic en la dimensión Product en el Explorador de soluciones.

2. En el panel Atributos, observe el atributo Product Key creado mediante el Asistente para cubos.

3. En la barra de herramientas de la pestaña Estructura de dimensión, asegúrese de que el icono Zoom para ver las tablas del panel Vista del origen de datos

está establecido al 100 por cien.

4. Arrastre las columnas siguientes de la tabla Product del panel Vista del origen de datos al panel Atributos:

StandardCost

Color

SQL Server 2014

SafetyStockLevel

ReorderPoint

ListPrice

Size

SizeRange

Weight

DaysToManufacture

ProductLine

DealerPrice

Class

Style

ModelName

StartDate

EndDate

Status



Revisar las propiedades de cubo y dimensión

Vea también

ConceptosReferencia de las propiedades de los atributos de dimensión




Revisar las propiedades de cubo y dimensión

Después de definir un cubo, se pueden revisar los resultados mediante el Diseñador de cubos. En la tarea siguiente, revisará la estructura del cubo del proyecto Tutorialde Analysis Services.

Para revisar las propiedades del cubo y de las dimensiones en el Diseñador de cubos

1. Para abrir el Diseñador de cubos, haga doble clic en el cubo Tutorial de Analysis Services en el nodo Cubos del Explorador de soluciones.

2. En el panel Medidas de la pestaña Estructura de cubo del Diseñador de cubos, expanda el grupo de medida Internet Sales para ver las medidas definidas.

Si desea cambiar el orden de dichas medidas, arrástrelas para obtener el orden que desee. El orden afectará al modo en que determinadas aplicaciones clienteordenarán las medidas. El grupo de medida y cada una de sus medidas tienen propiedades que pueden modificarse en la ventana Propiedades.

3. En el panel Dimensiones de la pestaña Estructura de cubo del Diseñador de cubos, revise las dimensiones de cubo que se encuentran en el cubo Tutorial deAnalysis Services.

Observe que, si bien solo se crearon tres dimensiones en el nivel de base de datos, como se muestra en el Explorador de soluciones, hay cinco dimensiones de

cubo en el cubo Tutorial de Analysis Services. El cubo contiene más dimensiones que la base de datos porque la dimensión de base de datos Date se utiliza comobase para tres dimensiones de cubo independientes relacionadas con fechas, basadas en los hechos relacionados con fechas de la tabla de hechos. Estas

dimensiones relacionadas con fechas también se denominan dimensiones realizadoras de roles. Las tres dimensiones de cubo relacionadas con fechas permiten que

los usuarios dimensionen el cubo mediante tres hechos independientes que están relacionados con cada venta de producto: la fecha de pedido del producto, lafecha de vencimiento de satisfacción del pedido y la fecha de envío del pedido. Si se reutiliza una única dimensión de base de datos para las dimensiones de cubo,Analysis Services simplifica la administración de las dimensiones, utiliza menos espacio en el disco y reduce el tiempo general de procesamiento.

4. En el panel Dimensiones de la pestaña Estructura de cubo, expanda Customer y, a continuación, haga clic en Editar Customer para abrir la dimensión en elDiseñador de dimensiones.

El Diseñador de dimensiones contiene estas pestañas: Estructura de dimensión, Relaciones de atributo, Traducciones y Explorador. Observe que la pestañaEstructura de dimensión incluye tres paneles: Atributos, Jerarquías y Vista del origen de datos. Los atributos que contiene la dimensión aparecen en el panelAtributos. Para obtener más información, vea Referencia de las propiedades de los atributos de dimensión, Crear jerarquías definidas por el usuario y Definir

relaciones de atributo.

5. Para cambiar al Diseñador de cubos, haga clic con el botón secundario en el cubo Tutorial de Analysis Services del nodo Cubos en el Explorador de soluciones y,

a continuación, haga clic en Ver diseñador.

6. En el Diseñador de cubos, haga clic en la pestaña Uso de dimensiones.

En esta vista del cubo Tutorial de Analysis Services, puede ver las dimensiones de cubo que se utilizan en el grupo de medida Internet Sales. Asimismo, puede

definir el tipo de relación entre cada dimensión y cada grupo de medida en el que se utiliza.

7. Haga clic en la pestaña Particiones.

El Diseñador de cubos define una única partición para el cubo, utilizando el modo de almacenamiento de procesamiento analítico en línea multidimensional(MOLAP) sin agregaciones. Con MOLAP, todos los datos de nivel hoja y todas las agregaciones se almacenan en el cubo para maximizar el rendimiento. Las

agregaciones son resúmenes de datos precalculados que mejoran el tiempo de respuesta de las consultas ya que tienen las respuestas preparadas antes de quese planteen las preguntas. Puede definir particiones adicionales, parámetros de almacenamiento y parámetros de reescritura en la pestaña Particiones. Para

obtener más información, vea Particiones (Analysis Services - Datos multidimensionales), Agregaciones y diseños de agregaciones y Diseñar el almacenamiento ylas agregaciones de una partición.

8. Haga clic en la pestaña Explorador.

Observe que el cubo no puede examinarse porque todavía no se ha implementado en una instancia de Analysis Services. En este punto, el cubo del proyecto

Tutorial de Analysis Services es simplemente una definición de un cubo, que puede implementar en cualquier instancia de Analysis Services. Cuando implementa y

procesa un cubo, puede crear los objetos definidos en una instancia de Analysis Services y rellenar los objetos con datos de los orígenes de datos subyacentes.

9. En el Explorador de soluciones, haga clic con el botón secundario en Tutorial de Analysis Services en el nodo Cubos y, a continuación, haga clic en Ver código. Es

posible que tenga que esperar.

El código XML del cubo Tutorial de Analysis Services se muestra en la pestaña Tutorial.cube [XML] de Analysis Services. Es el código real que se utiliza paracrear el cubo en una instancia de Analysis Services durante la implementación. Para obtener más información, vea Ver el XML de un proyecto de Analysis Services

(SSDT).

10. Cierre la pestaña Código XML.



Vea también

TasksExaminar los datos de dimensiones en el Diseñador de dimensiones


SQL Server 2014











Para ver los datos de dimensión y de cubo de los objetos del cubo Tutorial de Analysis Services del proyecto Tutorial de Analysis Services, debe implementar el proyectoen una instancia determinada de Analysis Services y luego procesar el cubo y sus dimensiones. Al implementar un proyecto de Analysis Services se crean y definen objetos

en una instancia de Analysis Services. Cuando se procesan los objetos en una instancia de Analysis Services, se copian los datos de los orígenes de datos subyacentes enlos objetos del cubo. Para obtener más información, vea Implementar proyectos de Analysis Services (SSDT) y Configurar las propiedades de un proyecto de Analysis

Services (SSDT).

En este punto del proceso de implementación, generalmente se implementa el cubo en una instancia de Analysis Services en un servidor de implementación. Una vez

finalizado el proceso de implementación del proyecto de Business Intelligence, generalmente utilizará el Asistente para la implementación de Analysis Services paraimplementarlo desde el servidor de desarrollo en un servidor de producción. Para obtener más información, vea Implementación de soluciones de modelosmultidimensionales y Implementar soluciones con el Asistente para la implementación.

En la tarea siguiente, revisará las propiedades de implementación del proyecto Tutorial de Analysis Services y luego implementará el proyecto en la instancia local deAnalysis Services.

Para implementar el proyecto de Analysis Services

1. En el Explorador de soluciones, haga clic con el botón secundario en el proyecto Tutorial de Analysis Services y, a continuación, haga clic en Propiedades.

Aparece el cuadro de diálogo Páginas de propiedades de Tutorial de Analysis Services, en el que se muestran las propiedades de configuración deActive(Development). Puede definir varias configuraciones, cada una con distintas propiedades. Por ejemplo, es posible que un programador desee configurar el

mismo proyecto para implementarlo en distintos equipos de implementación y con distintas propiedades de implementación, como nombres de base de datos opropiedades de procesamiento. Fíjese en el valor de la propiedad Ruta de acceso de los resultados. Esta propiedad especifica la ubicación en la que se guardanlos scripts de implementación XMLA cuando se crea un proyecto. Estos son los scripts que se utilizan para implementar los objetos del proyecto en una instancia

de Analysis Services.

2. En el nodo Propiedades de configuración del panel de la izquierda, haga clic en Implementación.

Revise las propiedades de implementación del proyecto. De forma predeterminada, la plantilla del proyecto de Analysis Services configura un proyecto de Analysis

Services para implementar de forma incremental todos los proyectos en la instancia predeterminada de Analysis Services en el equipo local, crear una base de

datos de Analysis Services con el mismo nombre que el proyecto y procesar los objetos después de la implementación utilizando la opción de procesamientopredeterminada. Para obtener más información, vea Configurar las propiedades de un proyecto de Analysis Services (SSDT).

Nota

Si desea implementar el proyecto en una instancia con nombre de Analysis Services del equipo local o en una instancia de un servidor remoto, cambie la

propiedad Servidor por el nombre de instancia apropiado, como <nombreDeServidor>\<nombreDeInstancia>.


4. En el Explorador de soluciones, haga clic con el botón secundario en el proyecto Tutorial de Analysis Services y, a continuación, haga clic en Implementar. Es

posible que tenga que esperar.

Nota

Si obtiene errores durante la implementación, utilice SQL Server Management Studio para comprobar los permisos de base de datos. La cuenta que especificópara la conexión a un origen de datos debe tener un inicio de sesión en la instancia de SQL Server. Haga doble clic en el inicio de sesión para ver laspropiedades de la asignación de usuarios. La cuenta debe tener permisos db_datareader para la base de datos AdventureWorksDW2012.

SQL Server Data Tools (SSDT) genera e implementa el proyecto de Analysis Services, Tutorial en la instancia especificada de Analysis Services, mediante un script de

implementación. El progreso de la implementación se muestra en dos ventanas: la ventana Salida y la ventana Progreso de la implementación: Analysis Services.

Para abrir la ventana Resultados, si es necesario, haga clic en Resultados en el menú Ver. La ventana Resultados muestra el progreso global de la implementación.La ventana Progreso de la implementación – Tutorial de Analysis Services muestra los detalles de cada paso realizado durante la implementación. Para obtener

más información, vea Generar proyectos de Analysis Services (SSDT) y Implementar proyectos de Analysis Services (SSDT).

5. Revise el contenido de la ventana Resultados y de la ventana Progreso de la implementación – Tutorial de Analysis Services para comprobar que la

compilación, implementación y procesamiento del cubo se realizaron sin errores.

6. Para ocultar la ventana Progreso de la implementación ‐ Tutorial de Analysis Services, haga clic en el icono Ocultar automáticamente (similar a una chincheta)

en la barra de herramientas de la ventana.

7. Para ocultar la ventana Resultados, haga clic en el icono Ocultar automáticamente en la barra de herramientas de la ventana.

Ha implementado correctamente el cubo Tutorial de Analysis Services en la instancia local de Analysis Services y luego lo ha procesado.


Examinar el cubo

Vea también

ConceptosImplementar proyectos de Analysis Services (SSDT)

Configurar las propiedades de un proyecto de Analysis Services (SSDT)

SQL Server 2014












Examinar el cubo

Una vez implementado un cubo, los datos de este pueden verse en la pestaña Explorador del Diseñador de cubos y los datos de dimensión pueden verse en la pestañaExplorador del Diseñador de dimensiones. La exploración de los datos de cubos y dimensiones es una forma de comprobar el trabajo incrementalmente. Puede

comprobar que los pequeños cambios en las propiedades, las relaciones y otros objetos tienen el efecto deseado una vez que se procesa el objeto. Si bien la pestañaExplorador se usa para ver datos de cubos y dimensiones, también ofrece diversas funciones dependiendo del objeto que se está examinando.

Para las dimensiones, la pestaña Explorador proporciona una manera de ver los miembros o de navegar por una jerarquía hasta el nodo hoja. Puede examinar datos de

dimensiones en distintos idiomas, suponiendo que se hayan agregado las traducciones al modelo.

Para los cubos, la pestaña Explorador proporciona dos métodos para explorar datos. Puede usar el Diseñador de consultas de MDX integrado para crear consultas quedevuelven un conjunto de filas plano de una base de datos multidimensional. O bien, puede usar un método abreviado de Excel. Cuando se inicia Excel desde SQL Server

Data Tools, Excel se abre con una tabla dinámica en la hoja de cálculo y una conexión predefinida a la base de datos del área de trabajo del modelo.

Excel suele ofrecer una mejor experiencia de exploración porque puede explorar datos de cubos de forma interactiva, usando los ejes horizontal y vertical para analizarlas relaciones de los datos. En cambio, el Diseñador de consultas de MDX está limitado a un único eje. Además, puesto que el conjunto de filas es plano, no se obtiene laobtención de detalles que ofrece una tabla dinámica de Excel. A medida que agregue más dimensiones y jerarquías al cubo, lo que hará en lecciones posteriores, Excelserá la solución preferida para explorar datos.

Para examinar el cubo implementado

1. Cambie al Diseñador de dimensiones para la dimensión Product en SQL Server Data Tools ﴾SSDT﴿. Para ello, haga doble clic en la dimensión Product del nodo

Dimensiones del Explorador de soluciones.

2. Haga clic en la pestaña Explorador para mostrar el miembro All de la jerarquía de atributo Product Key. En la lección tres, definirá una jerarquía de usuario parala dimensión Product que le permitirá examinar la dimensión.

3. Cambie a Diseñador de cubos en SQL Server Data Tools (SSDT). Para ello, haga doble clic en el cubo Tutorial de Analysis Services en el nodo Cubos del

Explorador de soluciones.

4. Seleccione la pestaña Explorador y haga clic en el icono Volver a conectar en la barra de herramientas del diseñador.

En el panel izquierdo del diseñador se muestran los objetos del cubo Tutorial de Analysis Services. En el lado derecho de la pestaña Explorador hay dos paneles:

el superior es el panel Filtro y el inferior es el panel Datos. En una próxima lección, utilizará el explorador de cubo para realizar el análisis.

Lección siguiente


Vea también

ReferenciaEditor de consultas MDX (Analysis Services - Datos multidimensionales)


SQL Server 2014




Una vez definido el cubo inicial, estará listo para mejorar la utilidad y la facilidad de uso del cubo. Puede hacerlo agregando jerarquías que admitan navegación yagregación en varios niveles, aplicando formatos a la medida específica, y definiendo cálculos y relaciones.

Nota



Modificar medidas

En esta tarea, debe especificar las propiedades de formato para las medidas de moneda y porcentaje del cubo Tutorial de Analysis Services.

Modificar la dimensión CustomerEn esta tarea, debe crear una jerarquía de usuario, crear cálculos con nombre, modificar atributos para utilizarlos en cálculos con nombre, y agrupar atributos degrupo y jerarquías de usuario en carpetas para mostrar.

Modificar la dimensión ProductEn esta tarea, debe definir una jerarquía de usuarios, crear cálculos con nombre, definir el nombre de miembro Todos y definir carpetas para mostrar.

Modificar la dimensión DateEn esta tarea, debe definir una jerarquía de usuario, modificar nombres de miembros de atributo y utilizar claves compuestas para especificar miembros deatributo únicos.

Examinar el cubo implementado

En esta tarea, debe explorar los datos del cubo usando el explorador del Diseñador de cubos.

Vea también




SQL Server 2014









Modificar medidas

Puede usar la propiedad FormatString para definir parámetros de formato que controlen cómo se presentan las medidas a los usuarios. En esta tarea, debe especificar

las propiedades de formato para las medidas de moneda y porcentaje del cubo Tutorial de Analysis Services.

Para modificar las medidas del cubo

1. Pase a la pestaña Estructura de cubo del Diseñador de cubos para el cubo Tutorial de Analysis Services, expanda el grupo de medida Internet Sales del panel

Medidas, haga clic con el botón secundario en Order Quantity y haga clic en Propiedades.

2. En la ventana Propiedades, haga clic en el icono de chincheta Ocultar automáticamente para anclar la ventana Propiedades y dejarla abierta.

Es más fácil cambiar las propiedades para varios elementos del cubo cuando la ventana Propiedades permanece abierta.

3. En la ventana Propiedades, haga clic en la lista FormatString y escriba #,#.

4. En la barra de herramientas de la pestaña Estructura de cubo, haga clic en el icono Mostrar la cuadrícula de medidas situado a la izquierda.

La vista de cuadrícula permite seleccionar varias medidas al mismo tiempo.

5. Seleccione una de las medidas siguientes. Para seleccionar varias medidas, haga clic en cada una de ellas mientras mantiene presionada la tecla CTRL:

Unit Price

Extended Amount

Discount Amount

Product Standard Cost

Total Product Cost

Sales Amount

Tax Amt

Freight

6. En la ventana Propiedades, en la lista FormatString, seleccione Currency.

7. En la lista desplegable de la parte superior de la ventana Propiedades ﴾justo debajo de la barra de título﴿, seleccione la medida Unit Price Discount Pct y, a

continuación, seleccione Porcentaje en la lista FormatString.

8. En la ventana Propiedades, cambie la propiedad Name de la medida Unit Price Discount Pct por Unit Price Discount Percentage.

9. En el panel Medidas, haga clic en Tax Amt y cambie el nombre de esta medida a Importe de impuesto.

10. En la ventana Propiedades, haga clic en el icono Ocultar automáticamente para ocultar la ventana Propiedades y, a continuación, haga clic en Mostrar el árbol demedidas en la barra de herramientas de la pestaña Estructura de cubo.



Modificar la dimensión Customer

Vea también

ConceptosDefinir dimensiones de base de datos

Configurar propiedades de medidas


SQL Server 2014




Modificar la dimensión Customer

Existen varios métodos para hacer que las dimensiones de un cubo sean más fáciles de usar y tengan más funciones. En las tareas de este tema, debe modificar la

dimensión Customer.

Cambiar el nombre de un atributo

Use la pestaña Estructura de dimensión del Diseñador de dimensiones para cambiar los nombres de los atributos.

Para cambiar el nombre de un atributo

1. Cambie a Diseñador de dimensiones para la dimensión Customer en SQL Server Data Tools ﴾SSDT﴿. Para ello, haga doble clic en la dimensión Customer del

nodo Dimensiones del Explorador de soluciones.

2. En el panel Atributos, haga clic con el botón secundario en English Country Region Name y haga clic en Cambiar nombre. Cambie el nombre del atributo por

Country-Region.

3. Cambie los nombres de los atributos siguientes del mismo modo:

Cambie el atributo English Education por Education.

Cambie el atributo English Occupation por Occupation.

Cambie el atributo State Province Name por State-Province.


Crear una jerarquía

Puede crear una nueva jerarquía si arrastra un atributo desde el panel Atributos hasta el panel Jerarquías.

Para crear una jerarquía

1. Arrastre el atributo Country-Region del panel Atributos al panel Jerarquías.

2. Arrastre el atributo State-Province del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Country-Region.

3. Arrastre el atributo City del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel State-Province.

4. En el panel Jerarquías de la pestaña Estructura de dimensión, haga clic con el botón secundario en la barra de título de la jerarquía Jerarquía, seleccione

Cambiar nombre y escriba Customer Geography.

El nombre de esta jerarquía es ahora Customer Geography.


Agregar un cálculo con nombre

Puede agregar un cálculo con nombre, que es una expresión SQL representada como columna calculada en una tabla de la vista del origen de datos. Aparece la

expresión y se comporta como columna en la tabla. Los cálculos con nombre permiten ampliar el esquema relacional de las tablas existentes de la vista del origen dedatos sin modificar la tabla en el origen de datos subyacente. Para obtener más información, vea Definir cálculos con nombre en una vista del origen de datos ﴾AnalysisServices).

Para agregar un cálculo con nombre

1. Abra la vista del origen de datos Adventure Works DW 2012; para ello, haga doble clic en ella en la carpeta Vistas de origen de datos del Explorador de

soluciones.

2. En el panel Tablas situado a la izquierda, haga clic con el botón secundario en Customer y luego en Nuevo cálculo con nombre.

3. En el cuadro de diálogo Crear cálculo con nombre, escriba FullName en el cuadro Nombre de columna y, a continuación, escriba o copie y pegue la siguienteinstrucción CASE en el cuadro Expresión:

La instrucción CASE concatena las columnas FirstName, MiddleName y LastName en una única columna que se utilizará en la dimensión Customer como

SQL Server 2014

CASE

WHEN MiddleName IS NULL THEN

FirstName + ' ' + LastName

ELSE

FirstName + ' ' + MiddleName + ' ' + LastName

END


nombre mostrado para el atributo Customer.

4. Haga clic en Aceptar y expanda Customer en el panel Tablas.

Aparece el cálculo con nombre FullName en la lista de columnas de la tabla Customer, con un icono que indica que se trata de un cálculo con nombre.


6. En el panel Tablas, haga clic con el botón secundario del mouse en Customer y haga clic en Explorar datos.

7. Revise la última columna de la vista Explorar la tabla Customer.

Observe que la columna FullName aparece en la vista del origen de datos, concatenando correctamente los datos de varias columnas del origen de datos

subyacente sin modificar el origen de datos original.

8. Cierre la pestaña Explorar la tabla Customer.

Usar el cálculo con nombre para los nombres de miembro

Una vez que ha creado un cálculo con nombre en la vista del origen de datos, puede utilizar dicho cálculo como propiedad de un atributo.

Para utilizar el cálculo con nombre para los nombres de miembro

1. Pase al Diseñador de dimensiones para la dimensión Customer.

2. En el panel Atributos de la pestaña Estructura de dimensión, haga clic en el atributo Customer Key.

3. Abra la ventana de propiedades y haga clic en el botón Ocultar automáticamente de la barra de títulos para que permanezca abierta.

4. En el campo de la propiedad Name, escriba Full Name.

5. Haga clic en el campo de la propiedad NameColumn situado en la parte inferior y, a continuación, haga clic en el botón Examinar ﴾…) para abrir el cuadro de

diálogo Columna de nombre.

6. Seleccione FullName al final de la lista Columna de origen y haga clic en Aceptar.

7. En la pestaña Estructura de dimensiones, arrastre el atributo Full Name del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel

City.


Definir carpetas para mostrar

Puede utilizar carpetas para mostrar para agrupar jerarquías de usuario y de atributo en estructuras de carpeta con el fin de facilitar el uso de dichas estructuras.

Para definir carpetas para mostrar

1. Abra la pestaña Estructura de dimensión para la dimensión Customer.

2. En el panel Atributos, seleccione los atributos siguientes manteniendo presionada la tecla CTRL mientras hace clic en cada uno de ellos:

City

Country-Region

Postal Code

State-Province

3. En la ventana Propiedades, haga cli en el campo de propiedad AttributeHierarchyDisplayFolder situado en la parte superior (tal vez tenga que seleccionarlo

para ver el nombre completo﴿ y después escriba Location.

4. En el panel Jerarquías, haga clic en Customer Geography y, en la ventana Propiedades de la derecha, seleccione Location como valor de la propiedad

DisplayFolder.


Commute Distance

Education

Gender

House Owner Flag

Marital Status

Number Cars Owned

Number Children At Home

Occupation

Total Children

Yearly Income

6. En la ventana Propiedades, haga clic en el campo de la propiedad AttributeHierarchyDisplayFolder situado en la parte superior y escriba Demographic.


Email Address

Phone

8. En la ventana Propiedades, haga clic en el campo de la propiedad AttributeHierarchyDisplayFolder y escriba Contacts.


Definir KeyColumns compuestas

La propiedad KeyColumns contiene la columna o columnas que representan la clave para el atributo. En esta lección, debe crear una clave compuesta para losatributos City y State-Province. Las claves compuestas pueden resultar de utilidad cuando necesite identificar un atributo de forma inequívoca. Por ejemplo, cuando

defina relaciones de atributo más adelante en este tutorial, un atributo City deberá identificar de forma exclusiva un atributo State-Province. Sin embargo, podríanexistir varias ciudades con el mismo nombre en estados diferentes. Por este motivo, deberá crear una clave compuesta formada por las columnas StateProvinceName

y City para el atributo City. Para obtener más información, vea Modificar la propiedad KeyColumns de un atributo.

Para definir KeyColumns compuestas para el atributo City

1. Abra la pestaña Estructura de dimensión para la dimensión Customer.

2. En el panel Atributos, haga clic en el atributo City.

3. En la ventana Propiedades, haga clic en el campo KeyColumns situado casi al final y, a continuación, haga clic en el botón Examinar ﴾...).

4. En el cuadro de diálogo Columnas de clave, en la lista Columnas disponibles, seleccione la columna StateProvinceName y, a continuación, haga clic en elbotón >.

Las columnas City y StateProvinceName se muestran ahora en la lista Columnas de clave.


6. Para establecer la propiedad NameColumn del atributo City, haga clic en el campo NameColumn en la ventana Propiedades y, a continuación, haga clic en elbotón Examinar ﴾...).

7. En el cuadro de diálogo Columna de nombre, en la lista Columna de origen, seleccione City y, a continuación, haga clic en Aceptar.


Para definir KeyColumns compuestas para el atributo State-Province

1. Asegúrese de que la pestaña Estructura de dimensión para la dimensión Customer está abierta.

2. En el panel Atributos, haga clic en el atributo State-Province.

3. En la ventana Propiedades, haga clic en el campo KeyColumns y, a continuación, haga clic en el botón Examinar ﴾...).

4. En el cuadro de diálogo Columnas de clave, en la lista Columnas disponibles, seleccione la columna SpanishCountryRegionName y, a continuación, haga clicen el botón >.

Las columnas SpanishCountryRegionName y StateProvinceName se muestran ahora en la lista Columnas de clave.


6. Para establecer la propiedad NameColumn del atributo State-Province, haga clic en el campo NameColumn en la ventana Propiedades y, a continuación, hagaclic en el botón Examinar ﴾...).

7. En el cuadro de diálogo Columna de nombre, en la lista Columna de origen, seleccione StateProvinceName y, a continuación, haga clic en Aceptar.


Definir relaciones de atributo

Si los datos subyacentes lo permiten, debería definir relaciones de atributo entre atributos. La definición de relaciones de atributo acelera el procesamiento de lasdimensiones, las particiones y las consultas. Para obtener más información, vea Definir relaciones de atributo y Relaciones de atributo.

Para definir relaciones de atributo

1. En el Diseñador de dimensiones para la dimensión Customer, haga clic en la pestaña Relaciones de atributo. Es posible que tenga que esperar.

2. En el diagrama, haga clic con el botón secundario en el atributo City y haga clic en Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es City. Establezca el Atributo relacionado en State-Province.




4. En la lista Tipo de relación, establezca el tipo de relación en Rígida.

El tipo de relación es Rígida porque las relaciones entre los miembros no cambiarán con el tiempo. Por ejemplo, es poco habitual que una ciudad pase a formar

parte de otro estado o provincia.


6. En el diagrama, haga clic con el botón secundario en el atributo State-Province y seleccione Nueva relación de atributo.

7. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es State-Province. Establezca el Atributo relacionado en Country-Region.




Implementar cambios, procesar los objetos y ver los cambios

Una vez que ha cambiado los atributos y las jerarquías, debe implementar los cambios y procesar de nuevo los objetos relacionados antes de ver los cambios.

Para implementar los cambios, procesar los objetos y ver los cambios

1. En el menú Generar de SQL Server Data Tools, haga clic en Tutorial de Implementar Analysis Services.

2. Después de que aparezca el mensaje La implementación finalizó correctamente, haga clic en la pestaña Explorador del Diseñador de dimensiones para ladimensión Customer y, a continuación, haga clic en el botón Volver a conectar en el margen izquierdo de la barra de herramientas del diseñador.

3. Compruebe que Customer Geography aparece seleccionado en la lista Jerarquía y, a continuación, en el panel del explorador, expanda All, Australia, New

South Wales y, por último, Coffs Harbour.

El explorador muestra los clientes de la ciudad.

4. Cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services. Para ello, haga doble clic en el cubo Tutorial de Analysis Services en el nodo Cubos

del Explorador de soluciones.

5. Haga clic en la pestaña Explorador y haga clic en el botón Volver a conectar en la barra de herramientas del diseñador.

6. En el panel Grupo de medida, expanda Customer.

Observe que, en lugar de una lista larga de atributos, debajo de Customer solamente aparecen las carpetas para mostrar y los atributos que no tienen valores

de carpeta para mostrar.



Modificar la dimensión Product

Vea también

ConceptosReferencia de las propiedades de los atributos de dimensiónQuitar un atributo de una dimensiónCambiar el nombre de un atributo

Definir cálculos con nombre en una vista del origen de datos ﴾Analysis Services﴿







Modificar la dimensión Product

En las tareas de este tema, usará un cálculo con nombre para proporcionar nombres más descriptivos a las líneas de producto, definir una jerarquía en la dimensiónProduct y especificar el nombre de miembro ﴾Todos﴿ para dicha jerarquía. También agrupará los atributos en carpetas para mostrar.


Puede agregar un cálculo con nombre a una tabla de una vista del origen de datos. En la tarea siguiente, creará un cálculo con nombre que mostrará el nombrecompleto de la línea de producto.


1. Para abrir la vista del origen de datos Adventure Works DW 2012, haga doble clic en Adventure Works DW 2012 en la carpeta Vistas del origen de datos del

Explorador de soluciones.

2. Al final de panel de diagramas, haga clic con el botón secundario en el encabezado de tabla Product y, a continuación, haga clic en Nuevo cálculo con nombre.

3. En el cuadro de diálogo Crear cálculo con nombre, escriba ProductLineName en el cuadro Nombre de columna.

4. En el cuadro Expresión, escriba o copie y pegue la siguiente instrucción CASE:

Esta instrucción CASE crea nombres descriptivos para cada línea de producto del cubo.

5. Haga clic en Aceptar para crear el cálculo con nombre ProductLineName. Es posible que tenga que esperar.


Modificar la propiedad NameColumn de un atributo

Para modificar el valor de la propiedad NameColumn de un atributo

1. Cambie a la dimensión Product en el Diseñador de dimensiones. Para ello, haga doble clic en la dimensión Product del nodo Dimensiones del Explorador de

soluciones.

2. En el panel Atributos de la pestaña Estructura de dimensión, seleccione Product Line.

3. En la ventana Propiedades a la derecha de la pantalla, haga clic en el campo de propiedad NameColumn situado en la parte inferior de la ventana y despuéshaga clic en el botón Examinar ﴾…﴿ para abrir el cuadro de diálogo Nombre de columna. ﴾Es posible que tenga que hacer clic en la pestaña Propiedades a la

derecha de la pantalla para abrir la ventana Propiedades).

4. Seleccione ProductLineName al final de la lista Columna de origen y haga clic en Aceptar.

El campo NameColumn contiene ahora el texto Product.ProductLineName (WChar). Los miembros de la jerarquía de atributo Product Line mostrarán elnombre completo de la línea de producto en lugar de un nombre abreviado de la misma.

5. En el panel Atributos de la pestaña Estructura de dimensión, seleccione Product Key.

6. En la ventana Propiedades, haga clic en el campo de la propiedad NameColumn y, a continuación, haga clic en el botón Examinar ﴾…) para abrir el cuadro de


7. Seleccione EnglishProductName en la lista Columna de origen y, a continuación, haga clic en Aceptar.

El campo NameColumn contiene ahora el texto Product.EnglishProductName (WChar).

8. En la ventana Propiedades, desplácese hacia arriba, haga clic en el campo de la propiedad Name y escriba Nombre del producto.



1. Arrastre el atributo Product Line del panel Atributos al panel Jerarquías.

2. Arrastre el atributo Model Name del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Product Line.

SQL Server 2014

CASE ProductLine

WHEN 'M' THEN 'Mountain'

WHEN 'R' THEN 'Road'

WHEN 'S' THEN 'Accessory'

WHEN 'T' THEN 'Touring'

ELSE 'Components'

END

3. Arrastre el atributo Nombre del producto del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Model Name. ﴾Cambió elnombre Product Key a Nombre del producto en la sección anterior﴿.

4. En el panel Jerarquías de la pestaña Estructura de dimensión, haga clic con el botón secundario en la barra de título de la jerarquía Jerarquía, haga clic en

Cambiar nombre y escriba Líneas de modelo del producto.

El nombre de la jerarquía es ahora Líneas de modelo del producto.


Especificar los nombres de carpeta y el nombre de todos los miembros

Para especificar los nombres de carpeta y de los miembros


Class

Color

Days To Manufacture

Reorder Point

Safety Stock Level

Size

Size Range

Style

Weight

2. En el campo de la propiedad AttributeHierarchyDisplayFolder de la ventana Propiedades, escriba Stocking.

Ahora ha agrupado estos atributos en una única carpeta para mostrar.

3. En el panel Atributos, seleccione los atributos siguientes:

Dealer Price

List Price

Standard Cost

4. En la celda de la propiedad AttributeHierarchyDisplayFolder de la ventana Propiedades, escriba Financial.

Ahora ha agrupado estos atributos en una segunda carpeta para mostrar.

5. En el panel Atributos, seleccione los atributos siguientes:

End Date

Start Date

Status

6. En la celda de la propiedad AttributeHierarchyDisplayFolder de la ventana Propiedades, escriba History.

Ahora ha agrupado estos atributos en una tercera carpeta para mostrar.

7. Seleccione la jerarquía Líneas de modelo del producto en el panel Jerarquías y, a continuación, cambie la propiedad AllMemberName de la ventana

Propiedades por Todos los productos.

8. Haga clic en una área abierta del panel Jerarquías y cambie la propiedad AttributeAllMemberName situada en la parte superior de la ventana Propiedades a

Todos los productos.

Hacer clic en un área abierta permite modificar las propiedades de la dimensión Product propiamente dicha. También puede hacer clic en Product en la parte

superior de la lista de atributos del panel Atributos.


Definir una relación de atributo

Si los datos subyacentes lo permiten, debería definir relaciones de atributo entre atributos. La definición de relaciones de atributo acelera el procesamiento de lasdimensiones, las particiones y las consultas. Para obtener más información, vea Definir relaciones de atributo y Relaciones de atributo.


1. En el Diseñador de dimensiones, para la dimensión Product, haga clic en la pestaña Relaciones de atributo.



2. En el diagrama, haga clic con el botón secundario en el atributo Model Name y haga clic en Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Model Name. Establezca el Atributo relacionado en Product Line.

En la lista Tipo de relación, deje establecido el tipo de relación en Flexible, ya que las relaciones entre los miembros pueden cambiar con el tiempo. Por

ejemplo, un modelo de producto podría moverse a otra línea de producto.



Revisar los cambios de la dimensión Product

Para revisar los cambios de la dimensión Product

1. En el menú Generar de SQL Server Data Tools (SSDT), haga clic en Implementar Tutorial de Analysis Services.

2. Después de que aparezca el mensaje La implementación finalizó correctamente, haga clic en la pestaña Explorador del Diseñador de dimensiones para la

dimensión Product y, a continuación, haga clic en el botón Volver a conectar de la barra de herramientas del diseñador.

3. Compruebe que Líneas de modelo del producto está seleccionado en la lista Jerarquía y expanda Todos los productos.

Observe que el nombre del miembro Todos aparece como Todos los productos. Esto es debido a que cambió la propiedad AllMemberName de la jerarquíapor Todos los productos anteriormente en esta lección. Además, los miembros del nivel Product Line ahora tienen nombres descriptivos, en lugar de

abreviaturas de una sola letra.


Modificar la dimensión Date

Vea también

ConceptosDefinir cálculos con nombre en una vista del origen de datos ﴾Analysis Services﴿Crear jerarquías definidas por el usuarioConfigurar el nivel ﴾All﴿ para las jerarquías de atributo






Modificar la dimensión Date

En las tareas de este tema, debe crear una jerarquía definida por el usuario y cambiar los nombres de miembro que se muestran para los atributos Date, Month,Calendar Quarter y Calendar Semester. También definirá claves compuestas para los atributos, controlará el criterio de ordenación de los miembros de dimensión ydefinirá las relaciones de atributo.


Puede agregar un cálculo con nombre, que es una expresión SQL representada como columna calculada, a una tabla de la vista del origen de datos. La expresiónaparece como una columna en la tabla y se comporta como tal. Los cálculos con nombre permiten ampliar el esquema relacional de las tablas existentes de la vista delorigen de datos sin modificar la tabla en el origen de datos subyacente. Para obtener más información, vea Definir cálculos con nombre en una vista del origen dedatos (Analysis Services).


1. Para abrir la vista del origen de datos Adventure Works DW 2012, haga doble clic en ella en la carpeta Vistas del origen de datos del Explorador de

soluciones.

2. Junto a la parte inferior del panel Tablas, haga clic con el botón secundario en Date y, a continuación, haga clic en Nuevo cálculo con nombre.

3. En el cuadro de diálogo Crear cálculo con nombre, escriba SimpleDate en el cuadro Nombre de columna y, a continuación, escriba o copie y pegue lasiguiente instrucción DATENAME en el cuadro Expresión:

La instrucción DATENAME extrae los valores de año, mes y día de la columna FullDateAlternateKey. Usará esta nueva columna como el nombre mostrado parael atributo FullDateAlternateKey.

4. Haga clic en Aceptar y expanda Date en el panel Tablas.

Aparece el cálculo con nombre SimpleDate en la lista de columnas de la tabla Date, con un icono que indica que se trata de un cálculo con nombre.


6. En el panel Tablas, haga clic con el botón secundario en Date y haga clic en Explorar datos.

7. Desplácese hacia la derecha para examinar la última columna de la vista Explorar la tabla Date.

Observe que la columna SimpleDate aparece en la vista del origen de datos, concatenando correctamente los datos de varias columnas del origen de datos

subyacente sin modificar el origen de datos original.

8. Cierre la vista Explorar la tabla Date.

Usar el cálculo con nombre para los nombres de miembro

Una vez que ha creado un cálculo con nombre en la vista del origen de datos, puede utilizar dicho cálculo como propiedad de un atributo.

Para utilizar el cálculo con nombre para los nombres de miembro

1. Abra el Diseñador de dimensiones para la dimensión Date en SQL Server Data Tools ﴾SSDT﴿. Para ello, haga doble clic en la dimensión Date en el nodo

Dimensiones del Explorador de soluciones.

2. En el panel Atributos de la pestaña Estructura de dimensión, haga clic en el atributo Date Key.

3. Si la ventana Propiedades no está abierta, ábrala y después haga clic en el botón Ocultar automáticamente en la barra de título para que permanezca abierta.

4. Haga clic en la propiedad NameColumn situada en la parte inferior de la ventana y después haga clic en el botón de puntos suspensivos ﴾…) para abrir el

cuadro de diálogo Columna de nombre.

5. Seleccione SimpleDate al final de la lista Columna de origen y haga clic en Aceptar.



Puede crear una nueva jerarquía arrastrando un atributo desde el panel Atributos hasta el panel Jerarquías.


SQL Server 2014

DATENAME(mm, FullDateAlternateKey) + ' ' +

DATENAME(dd, FullDateAlternateKey) + ', ' +

DATENAME(yy, FullDateAlternateKey)


1. En la pestaña Estructura de dimensión del Diseñador de dimensiones correspondiente a la dimensión Date, arrastre el atributo Calendar Year del panel

Atributos al panel Jerarquías.

2. Arrastre el atributo Calendar Semester del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Calendar Year.

3. Arrastre el atributo Calendar Quarter del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Calendar Semester.

4. Arrastre el atributo Spanish Month Name del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Calendar Quarter.

5. Arrastre el atributo Date Key del panel Atributos a la celda <nuevo nivel> del panel Jerarquías, debajo del nivel Spanish Month Name.

6. En el panel Jerarquías, haga clic con el botón secundario en la barra de título de la jerarquía Jerarquía, haga clic en Cambiar nombre y escriba Fecha del

calendario.

7. Mediante el menú contextual, en la jerarquía Fecha del calendario, cambie el nombre del nivel Spanish Month Name a Mes del calendario y cambie el nombre

del nivel Date Key a Fecha.

8. Elimine el atributo Full Date Alternate Key del panel Atributos, ya que no lo va a usar. Haga clic en Aceptar en la ventana de confirmación Eliminar objetos.


Definir relaciones de atributo

Si los datos subyacentes lo permiten, debería definir relaciones de atributo entre atributos. La definición de relaciones de atributo acelera el procesamiento de lasdimensiones, las particiones y las consultas.


1. En el Diseñador de dimensiones para la dimensión Date, haga clic en la pestaña Relaciones de atributo.

2. En el diagrama, haga clic con el botón secundario en el atributo Spanish Month Name y haga clic en Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Spanish Month Name. Establezca el Atributo relacionado en Calendar Quarter.


El tipo de relación es Rígida porque las relaciones entre los miembros no cambiarán con el tiempo.


6. En el diagrama, haga clic con el botón secundario en el atributo Calendar Quarter y, a continuación, haga clic en Nueva relación de atributo.

7. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Calendar Quarter. Establezca el Atributo relacionado en Calendar Semester.



10. En el diagrama, haga clic con el botón secundario en el atributo Calendar Semester y, a continuación, haga clic en Nueva relación de atributo.

11. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Calendar Semester. Establezca el Atributo relacionado en Calendar Year.




Proporcionar nombres de miembros de dimensión únicos

En esta tarea, creará columnas con nombres descriptivos que usarán los atributos EnglishMonthName, CalendarQuarter y CalendarSemester.

Para proporcionar nombres de miembros de dimensión únicos

1. Para cambiar a la vista del origen de datos Adventure Works DW 2012, haga doble clic en ella en la carpeta Vistas de origen de datos del Explorador de

soluciones.

2. En el panel Tablas, haga clic con el botón secundario en Date y, a continuación, haga clic en Nuevo cálculo con nombre.

3. En el cuadro de diálogo Crear cálculo con nombre, escriba MonthName en el cuadro Nombre de columna y, a continuación, escriba o copie y pegue lasiguiente instrucción en el cuadro Expresión:

Esta instrucción concatena el mes y el año de cada mes de la tabla una nueva columna.


5. En el panel Tablas, haga clic con el botón secundario del mouse en Date y, a continuación, haga clic en Nuevo cálculo con nombre.

EnglishMonthName+' '+ CONVERT(CHAR (4), CalendarYear)

6. En el cuadro de diálogo Crear cálculo con nombre, escriba CalendarQuarterDesc en el cuadro Nombre de columna y, a continuación, escriba o copie y pegueel script SQL siguiente en el cuadro Expresión:

Este script SQL concatena el trimestre natural y el año de cada trimestre de la tabla en una nueva columna.


8. En el panel Tablas, haga clic con el botón secundario del mouse en Date y, a continuación, haga clic en Nuevo cálculo con nombre.

9. En el cuadro de diálogo Crear cálculo con nombre, escriba CalendarSemesterDesc en el cuadro Nombre de columna y, a continuación, escriba o copie ypegue el script SQL siguiente en el cuadro Expresión:

Este script SQL concatena el semestre natural y el año de cada semestre de la tabla en una nueva columna.



Definir KeyColumns compuestas y establecer la columna de nombre

La propiedad KeyColumns contiene la columna o columnas que representan la clave para el atributo. En esta tarea, definirá propiedades KeyColumns compuestas.

Para definir KeyColumns compuestas para el atributo Spanish Month Name

1. Abra la pestaña Estructura de dimensión para la dimensión Date.

2. En el panel Atributos, haga clic en el atributo Spanish Month Name.


4. En el cuadro de diálogo Columnas de clave, en la lista Columnas disponibles, seleccione la columna CalendarYear y, a continuación, haga clic en el botón >.

5. Las columnas EnglishMonthName y CalendarYear se muestran ahora en la lista Columnas de clave.


7. Para establecer la propiedad NameColumn del atributo EnglishMonthName, haga clic en el campo NameColumn en la ventana Propiedades y, a continuación,haga clic en el botón Examinar ﴾...).

8. En el cuadro de diálogo Columna de nombre, en la lista Columna de origen, seleccione MonthName y, a continuación, haga clic en Aceptar.


Para definir KeyColumns compuestas para el atributo Calendar Quarter

1. En el panel Atributos, haga clic en el atributo Calendar Quarter.



Las columnas CalendarQuarter y CalendarYear se muestran ahora en la lista Columnas de clave.


5. Para establecer la propiedad NameColumn del atributo Calendar Quarter, haga clic en el campo NameColumn en la ventana Propiedades y, a continuación,haga clic en el botón Examinar ﴾...).

6. En el cuadro de diálogo Columna de nombre, en la lista Columna de origen, seleccione CalendarQuarterDesc y, a continuación, haga clic en Aceptar.


Para definir KeyColumns compuestas para el atributo Calendar Semester

1. En el panel Atributos, haga clic en el atributo Calendar Semester.

'Q' + CONVERT(CHAR (1), CalendarQuarter) +' '+ 'CY ' +

CONVERT(CHAR (4), CalendarYear)

CASE

WHEN CalendarSemester = 1 THEN 'H1' + ' ' + 'CY' + ' '

+ CONVERT(CHAR(4), CalendarYear)

ELSE

'H2' + ' ' + 'CY' + ' ' + CONVERT(CHAR(4), CalendarYear)

END



Las columnas CalendarSemester y CalendarYear se muestran ahora en la lista Columnas de clave.


5. Para establecer la propiedad NameColumn del atributo Calendar Semester, haga clic en el campo NameColumn en la ventana de propiedades y, a

continuación, haga clic en el botón Examinar ﴾...).

6. En el cuadro de diálogo Columna de nombre, en la lista Columna de origen, seleccione CalendarSemesterDesc y, a continuación, haga clic en Aceptar.


Implementar y ver los cambios

Una vez que ha cambiado los atributos y las jerarquías, debe implementar los cambios y procesar de nuevo los objetos relacionados antes de ver los cambios.

Para implementar y ver los cambios

1. En el menú Generar de SQL Server Data Tools, haga clic en Implementar Tutorial de Analysis Services.

2. Después de que aparezca el mensaje La implementación finalizó correctamente, haga clic en la pestaña Explorador del Diseñador de dimensiones para la

dimensión Date y, a continuación, haga clic en el botón Volver a conectar en la barra de herramientas del diseñador.

3. Seleccione Calendar Quarter en la lista Jerarquía. Revise los miembros de la jerarquía de atributo Calendar Quarter.

Observe que los nombres de los miembros de la jerarquía de atributo Calendar Quarter son más descriptivos y fáciles de usar porque se ha creado un cálculocon nombre que se usa como nombre. Ahora hay miembros en la jerarquía de atributo Calendar Quarter para cada trimestre de cada año. Los miembros no

están ordenados cronológicamente. En lugar de ello, están ordenados por trimestre y luego por año. En la siguiente tarea de este tema, modificará estecomportamiento para ordenar los miembros de la jerarquía de este atributo por año y luego por trimestre.

4. Revise los miembros de las jerarquías de los atributos Spanish Month Name y Calendar Semester.

Observe que los miembros de estas jerarquías tampoco están ordenados cronológicamente. En lugar de ello, están ordenados por mes o semestre,respectivamente, y luego por año. En la tarea siguiente de este tema, modificará este comportamiento para cambiar el criterio de ordenación.

Cambiar el criterio de ordenación modificando el orden de los miembros de clave compuesta

En esta tarea, modificará el criterio de ordenación cambiando el orden de las claves que forman la clave compuesta.

Para modificar el orden de los miembros de clave compuesta

1. Abra la pestaña Estructura de dimensión del Diseñador de dimensiones para la dimensión Date y, a continuación, seleccione Calendar Semester en el panel

Atributos.

2. En la ventana Propiedades, revise el valor de la propiedad OrderBy. Dicho valor se establece en Key.

Los miembros de la jerarquía de atributo Calendar Semester están ordenados por su valor de clave. Con una clave compuesta, el orden de las claves de los

miembros se basa en el primer valor de la primera clave del miembro y luego en el valor de la segunda clave del miembro. Dicho de otro modo, los miembros

de la jerarquía de atributo Calendar Semester están ordenados primero por semestre y luego por año.

3. En la ventana Propiedades, haga clic en el botón Examinar ﴾...) del valor de la propiedad KeyColumns.

4. En la lista Columnas de clave del cuadro de diálogo Columnas de clave, compruebe que CalendarSemester está seleccionado, y, a continuación, haga clic en laflecha abajo para invertir el orden de los miembros de esta clave compuesta. Haga clic en Aceptar.

Los miembros de la jerarquía de atributo ahora aparecen ordenados primero por año y luego por semestre.

5. Seleccione Calendar Quarter en el panel Atributos y, a continuación, haga clic en el botón Examinar ﴾...) de la propiedad KeyColumns de la ventana

Propiedades.

6. En la lista Columnas de clave del cuadro de diálogo Columnas de clave, compruebe que CalendarQuarter está seleccionado, y, a continuación, haga clic en laflecha abajo para invertir el orden de los miembros de esta clave compuesta. Haga clic en Aceptar.

Los miembros de la jerarquía de atributo ahora aparecen ordenados primero por año y luego por trimestre.

7. Seleccione Spanish Month Name en el panel Atributos y, a continuación, haga clic en el botón de puntos suspensivos ﴾...) de la propiedad KeyColumns de la

ventana Propiedades.

8. En la lista Columnas de clave del cuadro de diálogo Columnas de clave, compruebe que EnglishMonthName está seleccionado, y, a continuación, haga clic enla flecha abajo para invertir el orden de los miembros de esta clave compuesta. Haga clic en Aceptar.

Los miembros de la jerarquía de atributo ahora aparecen ordenados primero por año y luego por mes.

9. En el menú Generar de SQL Server Data Tools, haga clic en Implementar Tutorial de Analysis Services. Cuando la implementación se haya completadocorrectamente, haga clic en la pestaña Explorador del Diseñador de dimensiones para la dimensión Date.

10. En la barra de herramientas de la pestaña Explorador, haga clic en el botón Volver a conectar.

11. Revise los miembros de las jerarquías de los atributos Calendar Quarter y Calendar Semester.

Observe que los miembros de estas jerarquías ahora están clasificados por orden cronológico, por año y luego por trimestre o semestre, respectivamente.

12. Revise los miembros de la jerarquía de atributo Spanish Month Name.

Observe que los miembros de la jerarquía de atributo ahora aparecen ordenados primero por año y luego alfabéticamente por mes. Esto se debe a que el tipo

de datos de la columna EnglishCalendarMonth de la vista del origen de datos es una columna de cadena, basada en el tipo de datos nvarchar de la base de

datos relacional subyacente. Para obtener información sobre cómo habilitar la ordenación cronológica de los meses dentro de cada año, vea Ordenar los

miembros de atributo en función de un atributo secundario.



Vea también

ConceptosDimensiones en modelos multidimensionales






En la tarea siguiente, examinará el cubo Tutorial de Analysis Services. Puesto que nuestro análisis compara las medidas en varias dimensiones, usará una tabla dinámicade Excel para examinar los datos. El uso de una tabla dinámica le permite colocar la información de clientes, fechas y productos en diferentes ejes de modo que puedaver cómo cambian las ventas por Internet cuando se ven en determinados períodos de tiempo, datos demográficos de los clientes y líneas de productos.

Para examinar el cubo implementado

1. Para cambiar al Diseñador de cubos de SQL Server Data Tools, haga doble clic en el cubo Tutorial de Analysis Services en la carpeta Cubos del Explorador de

soluciones.

2. Abra la pestaña Explorador y haga clic en el botón Volver a conectar de la barra de herramientas del diseñador.

3. Haga clic en el icono de Excel para iniciar Excel usando la base de datos del área de trabajo como origen de datos. Cuando se le pida que habilite las conexiones,

haga clic en Habilitar.

4. En la lista de campos de la tabla dinámica, expanda Internet Sales y arrastre la medida Sales Amount hasta el área Valores.

5. En la lista de campos de la tabla dinámica, expanda Product.

6. Arrastre la jerarquía de usuario Product Model Lines hasta el área Columnas.

7. En la lista de campos de la tabla dinámica, expanda Customer, expanda Location y arrastre la jerarquía Customer Geography desde la carpeta para mostrar

Location de la dimensión Customer hasta el área Filas.

8. En la lista de campos de la tabla dinámica, expanda Order Date y arrastre la jerarquía Order Date.Calendar Date hasta el área Filtro de informe.

9. Haga clic en la flecha que se encuentra a la derecha del filtro Order Date.Calendar Date del panel de datos, desactive la casilla del nivel (All), expanda 2006,

expanda H1 CY 2006, expanda Q1 CY 2006, active la casilla February 2006 y, a continuación, haga clic en Aceptar.

De este modo, se muestran las ventas realizadas por Internet por región y por línea de productos en el mes de febrero de 2006, como se muestra en la imagensiguiente.

Lección siguiente

Lección 4: Definir propiedades de dimensiones y de atributos avanzados


SQL Server 2014


Lección 4: Definir propiedades de dimensiones y de atributosavanzados

En esta lección, aprenderá a utilizar algunas de las propiedades avanzadas de atributos, jerarquías de atributos y propiedades de dimensiones.

Nota

Esta lección se basa en una versión mejorada del proyecto Tutorial de Analysis Services que completó en las tres primeras lecciones de este tutorial. En la primera

tarea de esta lección se describe dónde buscar el proyecto de ejemplo adecuado que debe utilizar para la lección, así como la diferencia existente entre este proyectoy el proyecto que ha creado en las tres primeras lecciones.


Usar una versión modificada del proyecto Tutorial de Analysis ServicesEn esta tarea, abrirá, revisará e implementará una versión modificada del proyecto Tutorial de Analysis Services, que tiene varios grupos de medidas y dimensionesadicionales.

Definir propiedades de atributo primario en una jerarquía de elementos primarios y secundariosEn esta tarea, definirá los nombres de nivel de una dimensión primaria‐secundaria y especificará si deben mostrarse los datos relacionados con los miembrosprimarios. Para obtener más información, vea Dimensiones de elementos primarios y secundarios y Atributos en las jerarquías de elementos primarios ysecundarios.

Agrupar miembros de atributo automáticamenteEn esta tarea, debe crear automáticamente agrupaciones de miembros de atributos basadas en la distribución de miembros de la jerarquía de atributo. Para

obtener más información, vea Agrupar miembros de atributos ﴾discretización﴿.

Ocultar y deshabilitar jerarquías de atributoEn esta tarea, se muestra cómo y cuándo deshabilitar u ocultar jerarquías de atributo.

Ordenar los miembros de atributo en función de un atributo secundarioEn esta tarea, se muestra cómo ordenar los miembros de dimensión en función de un atributo secundario para obtener el criterio de ordenación que se desee.

Especificar relaciones de atributo entre los atributos de una jerarquía definida por el usuarioEn esta tarea, aprenderá a definir las propiedades de miembro de los atributos y a especificar relaciones de agregación entre ellos. Para obtener más información,vea Definir relaciones de atributo y Propiedades de jerarquía de usuario.

Definir las propiedades de miembro desconocido y de procesamiento de valores NULL

En esta tarea, debe configurar las propiedades UnknownMember y UnknownMemberName para controlar las condiciones de error causadas por los miembros

de dimensión con valor NULL.

Lección siguiente

Lección 5: definir relaciones entre dimensiones y grupos de medida

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Dimensiones en modelos multidimensionales


SQL Server 2014

















Usar una versión modificada del proyecto Tutorial de AnalysisServices

Las lecciones restantes de este tutorial se basan en una versión mejorada del proyecto Tutorial de Analysis Services que completó en las tres primeras lecciones. Se han

agregado tablas y cálculos con nombre adicionales a la vista del origen de datos Adventure Works DW 2012, se han agregado más dimensiones al proyecto y estasnuevas dimensiones se han agregado al cubo Tutorial de Analysis Services. Además, se ha agregado un segundo grupo de medidas, que contiene medidas de unasegunda tabla de hechos. Este proyecto mejorado le permitirá continuar aprendiendo a agregar funciones adicionales a la aplicación de Business Intelligence sinnecesidad de tener que repetir las técnicas ya aprendidas.

Para poder continuar con el tutorial, debe descargar, extraer, cargar y procesar la versión mejorada del proyecto Tutorial de Analysis Services. Siga las instrucciones de

esta lección para asegurarse de que ha realizado todos los pasos.

Descargar y extraer el archivo de proyecto

1. Haga clic aquí para ir a la página de descarga que proporciona los proyectos de ejemplo relacionados con este tutorial. Los proyectos del tutorial se incluyen en

la descarga de Tutorial de Analysis Services SQL Server 2012.

2. Haga clic en Tutorial de Analysis Services de SQL Server 2012 para descargar el paquete que contiene los proyectos para este tutorial.

De forma predeterminada, se guarda un archivo .zip en la carpeta Descargas. Debe mover el archivo .zip a una ubicación que tenga una ruta de acceso máscorta (por ejemplo, cree una carpeta C:\Tutoriales para almacenar los archivos). Después puede extraer los archivos contenidos en el archivo .zip. Si intentar

descomprimir los archivos desde la carpeta Descargas, que tiene una ruta de acceso más larga, solo obtendrá la lección 1.

3. Cree una subcarpeta en la unidad raíz, o cerca de ella, por ejemplo C:\Tutorial.

4. Mueva el archivo Analysis Services Tutorial SQL Server 2012.zip a la subcarpeta.

5. Haga clic con el botón secundario en el archivo y seleccione Extraer todo.

6. Busque la carpeta Lesson 4 Start para buscar el archivo Analysis Services Tutorial.sln.

Cargar y procesar el proyecto mejorado

1. En SQL Server Data Tools, en el menú Archivo, haga clic en Cerrar solución para cerrar los archivos que no vaya a usar.

2. En el menú Archivo, seleccione Abrir y haga clic en Proyecto o solución.

3. Vaya a la ubicación donde extrajo los archivos del proyecto de tutorial.

Busque la carpeta denominada Lección 4 inicio y haga doble clic en Analysis Services Tutorial.sln.

4. Implemente la versión mejorada del proyecto Tutorial de Analysis Services en la instancia local de Analysis Services, o en otra instancia, y compruebe que elproceso finaliza correctamente.

Comprender las mejoras realizadas en el proyecto

La versión mejorada del proyecto es distinta de la versión del proyecto Tutorial de Analysis Services que completó en las tres primeras lecciones. Las diferencias se

describen en las siguientes secciones: Revise esta información antes de continuar con las lecciones restantes del tutorial.

Vista del origen de datos

La vista del origen de datos del proyecto mejorado contiene una tabla de hechos adicional y cuatro tablas de dimensiones adicionales de la base de datos

AdventureWorksDW2012 .

Observe que, con diez tablas en la vista del origen de datos, el diagrama <Todas las tablas> pasa a estar demasiado lleno. Esto dificulta la comprensión de lasrelaciones entre las tablas y la localización de tablas específicas. Para resolver este problema, las tablas están organizadas en dos diagramas lógicos, el diagramaInternet Sales y el diagrama Reseller Sales. Estos diagramas están organizados cada uno en una única tabla de hechos. Crear diagramas lógicos permite ver y utilizarun subconjunto específico de tablas de la vista del origen de datos en lugar de ver siempre todas las tablas y sus relaciones en un único diagrama.

Diagrama Internet Sales

El diagrama Internet Sales contiene las tablas que están relacionadas con la venta directa de productos de Adventure Works a los clientes a través de Internet. Las

tablas del diagrama son las cuatro tablas de dimensiones y la tabla de hechos que agregó a la vista del origen de datos Adventure Works DW 2012 en la lección 1.Estas tablas son:

Geography

Customer

date

Product

SQL Server 2014


InternetSales

Diagrama Reseller Sales

El diagrama Reseller Sales contiene las tablas relacionadas con la venta de productos de Adventure Works realizadas por los distribuidores. Este diagrama contiene las

siete tablas de dimensiones siguientes y una tabla de hechos de la base de datos AdventureWorksDW2012 :

Reseller

Promotion

SalesTerritory

Geography

date

Product

Employee

ResellerSales

Como puede observar, las tablas DimGeography, DimDate y DimProduct se usan tanto en el diagrama Internet Sales como en el diagrama Reseller Sales. Las tablas

de dimensiones pueden vincularse a varias tablas de hechos.

Dimensiones de cubo y base de datos

El proyecto Tutorial de Analysis Services contiene cinco dimensiones de base de datos nuevas, y el cubo Tutorial de Analysis Services contiene las mismas cinco

dimensiones que las dimensiones del cubo. Estas dimensiones se han definido de modo que contengan jerarquías de usuario y atributos que se modificaron mediantecálculos con nombre, claves de miembro de composición y carpetas para mostrar. Las nuevas dimensiones se describen en la siguiente lista.

Dimensión ResellerLa dimensión Reseller se basa en la tabla Reseller de la vista del origen de datos Adventure Works DW 2012.

Dimensión PromotionLa dimensión Promotion se basa en la tabla Promotion de la vista del origen de datos Adventure Works DW 2012.

Dimensión Sales TerritoryLa dimensión Sales Territory se basa en la tabla SalesTerritory de la vista del origen de datos Adventure Works DW 2012.

Dimensión EmployeeLa dimensión Employee se basa en la tabla Employee de la vista del origen de datos Adventure Works DW 2012.

Dimensión GeographyLa dimensión Geography se basa en la tabla Geography de la vista del origen de datos Adventure Works DW 2012.

Cubo Analysis Services

El cubo Tutorial de Analysis Services contiene ahora dos grupos de medida: el grupo de medida original basado en la tabla InternetSales y un segundo grupo de

medida basado en la tabla ResellerSales en la vista del origen de datos Adventure Works DW 2012.


Definir propiedades de atributo primario en una jerarquía de elementos primarios y secundarios

Vea también

TasksImplementar un proyecto de Analysis Services




Definir propiedades de atributo primario en una jerarquía deelementos primarios y secundarios

Una jerarquía de elementos primarios y secundarios es una jerarquía de una dimensión que está basada en dos columnas de tabla. La combinación de estas columnasdefine las relaciones jerárquicas entre los miembros de dimensión. La primera columna, denominada columna de clave de miembro, identifica a cada miembro de

dimensión. La otra columna, denominada columna primaria, identifica el elemento primario de cada miembro de dimensión. La propiedad NamingTemplate de un

atributo primario determina el nombre de cada nivel en la jerarquía de elementos primarios y secundarios, y la propiedad MembersWithData determina si deben

mostrarse los datos de los miembros primarios.

Para obtener más información, vea Dimensiones de elementos primarios y secundarios y Atributos en las jerarquías de elementos primarios y secundarios.

Nota

Cuando se utiliza el Asistente para dimensiones con objeto de crear una dimensión, el asistente reconoce las tablas que incluyen relaciones de elementos primarios ysecundarios, y define automáticamente la jerarquía de elementos primarios y secundarios.

En las tareas de este tema, creará una plantilla de asignación de nombres que define el nombre para cada nivel en la jerarquía de elementos primarios y secundarios dela dimensión Employee. A continuación, configurará el atributo primario para ocultar todos los datos primarios, de modo que solo se muestren las ventas de losmiembros del nivel de hoja.

Examinar la dimensión Employee

1. En el Explorador de soluciones, haga doble clic en Employee.dim en la carpeta Dimensiones para abrir el Diseñador de dimensiones para la dimensiónEmployee.

2. Haga clic en la pestaña Explorador, compruebe que Employees está seleccionado en la lista Jerarquía y, a continuación, expanda el miembro All Employees.

Observe que Ken J. Sánchez es el director de nivel superior de esta jerarquía de elementos primarios y secundarios.

3. Seleccione el miembro Ken J. Sánchez.

Observe que el nombre de nivel para este miembro es Level 02. ﴾El nombre de nivel aparece después de Nivel actual:, justo encima del miembro All

Employees.﴿ En esta tarea, definirá nombres más descriptivos para cada nivel.

4. Expanda Ken J. Sánchez para ver los nombres de los empleados que informan a este director y, a continuación, seleccione Brian S. Welcker para ver el nombre

de este nivel.

Observe que el nombre de nivel para este miembro es Level 03.

5. En el Explorador de soluciones, haga doble clic en Analysis Services Tutorial.cube en la carpeta Cubos para abrir el Diseñador de cubos para Tutorial deAnalysis Services.

6. Haga clic en la pestaña Explorador.

7. Haga clic en el icono de Excel y, a continuación, haga clic en Habilitar cuando se le pida que habilite las conexiones.

8. En la lista de campos de la tabla dinámica, expanda Venta del distribuidor. Arrastre Reseller Sales-Sales Amount hasta el área Valores.

9. En la lista de campos de la tabla dinámica, expanda Empleado y arrastre la jerarquía Employees hasta el área Filas.

Todos los miembros de la jerarquía Employees se agregarán a la columna A del informe de tabla dinámica.

En la ilustración siguiente se muestra expandida la jerarquía Employees.

SQL Server 2014



10.

Observe que las ventas realizadas por cada director del nivel 03 también se muestran en el nivel 04. Esto es así porque cada director también es un empleadode otro director. En la tarea siguiente, ocultará estos importes de ventas.

Modificar las propiedades de los atributos primarios en la dimensión Employee

1. Cambie al Diseñador de dimensiones para la dimensión Employee.

2. Haga clic en la pestaña Estructura de dimensión, y, a continuación, seleccione la jerarquía de atributo Employees en el panel Atributos.

Observe el icono único de este atributo. Este icono significa que el atributo es la clave principal de una jerarquía de elementos primarios y secundarios. Observe

también que, en la ventana Propiedades, la propiedad Usage del atributo está definida como primaria. Esta propiedad se estableció con el Asistente paradimensiones cuando se diseñó la dimensión. El asistente detectó automáticamente la relación de elementos primarios y secundarios.

3. En la ventana Propiedades, haga clic en el botón de puntos suspensivos ﴾...) de la celda de la propiedad NamingTemplate.

En el cuadro de diálogo Plantilla de asignación de nombres de nivel, debe definir la plantilla de asignación de nombres de nivel que determina los nombresde nivel de la jerarquía de elementos primarios y secundarios que se muestran a los usuarios cuando examinan los cubos.

4. En la segunda fila, la fila *, escriba Employee Level * en la columna Nombre y, a continuación, haga clic en la tercera fila.

Observe que, bajo Resultado, cada nivel ahora se denominará "Employee Level" seguido por un número que aumenta de forma secuencial.

En la imagen siguiente se muestran los cambios realizados en el nivel Plantilla de asignación de nombres de nivel.


6. En la ventana Propiedades del atributo Employees, en la celda de la propiedad MembersWithData, seleccione NonLeafDataHidden para cambiar este valor

por el atributo Employees.

De este modo se ocultarán los datos relacionados con los miembros no hoja de la jerarquía de elementos primarios y secundarios.

Examinar la dimensión Employee con los atributos modificados

1. En el menú Compilar de SQL Server Data Tools (SSDT), haga clic en Tutorial de Implementar Analysis Services.

2. Cuando la implementación se haya completado correctamente, cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y haga clic en Volver a

conectar en la barra de herramientas de la pestaña Explorador.

3. Haga clic en el icono de Excel y, a continuación, haga clic en Habilitar.

4. Arrastre Reseller Sales-Sales Amount hasta el área Valores.

5. Arrastre la jerarquía Employees hasta el área Etiquetas de fila.

En la imagen siguiente se muestran los cambios realizados en la jerarquía Employees. Observe que Stephen Y. Jiang ya no aparece como empleado de sí mismo.


Agrupar miembros de atributo automáticamente

Vea también

ConceptosDimensiones de elementos primarios y secundarios

Atributos en las jerarquías de elementos primarios y secundarios





Agrupar miembros de atributo automáticamente

Cuando se examina un cubo, generalmente se dimensionan los miembros de una jerarquía de atributo según los miembros de otra jerarquía de atributo. Por ejemplo,

puede agrupar las ventas de cliente por ciudad, producto comprado o género. No obstante, con determinados tipos de atributo, resulta útil hacer que Microsoft AnalysisServices cree automáticamente grupos de miembros de atributos en función de la distribución de los miembros en una jerarquía de atributo. Por ejemplo, puede hacer

que Analysis Services cree grupos de valores de ingresos anuales de los clientes. Al hacerlo, los usuarios que examinen la jerarquía de atributo verán los nombres y losvalores de los grupos en lugar de los miembros propiamente dichos. Esto limita el número de niveles que se presentan a los usuarios, lo que puede resultar más útil parael análisis.

La propiedad DiscretizationMethod determina si Analysis Services crea agrupaciones, así como el tipo de agrupación que se lleva a cabo. De forma predeterminada,

Analysis Services no realiza agrupaciones. Si habilita las agrupaciones automáticas, puede permitir que Analysis Services determine automáticamente el mejor método deagrupación en función de la estructura del atributo, o puede elegir uno de los algoritmos de agrupación de la lista siguiente para especificar el método de agrupación:

EqualAreas

Analysis Services crea intervalos de grupos de modo que la población total de los miembros de dimensión quede distribuida de forma homogénea en los grupos.

Clusters

Analysis Services crea grupos realizando una agrupación en clústeres unidimensionales en los valores de entrada mediante el método de agrupación en clústeresmediana-K con distribuciones gausianas. Esta opción solo es válida para columnas numéricas.

Una vez que haya especificado un método de agrupación, debe especificar el número de grupos mediante la propiedad DiscretizationBucketCount. Para obtener másinformación, vea Agrupar miembros de atributos ﴾discretización﴿.

En las tareas de este tema, habilitará distintos tipos de agrupaciones para lo siguiente: valores de los ingresos anuales en la dimensión Customer, número de horas debaja por enfermedad del empleado en la dimensión Employees, y número de horas de vacaciones del empleado en la dimensión Employees. A continuación procesará yexaminará el cubo Tutorial de Analysis Services para ver el efecto de los grupos de miembro. Por último, modificará las propiedades del grupo de miembro para ver elefecto del cambio en el tipo de agrupación.

Agrupar miembros de la jerarquía de atributo en la dimensión Customer

1. En el Explorador de soluciones, haga doble clic en Customer en la carpeta Dimensiones para abrir el Diseñador de dimensiones para la dimensión Customer.

2. En el panel Vista del origen de datos, haga clic con el botón secundario en la tabla Customer y, a continuación, haga clic en Explorar datos.

Observe el intervalo de valores de la columna YearlyIncome. Estos valores pasan a ser miembros de la jerarquía de atributo Yearly Income, a menos que

habilite la agrupación de miembro.

3. Cierre la pestaña Explorar la tabla Customer.

4. En el panel Atributos, seleccione Yearly Income.

5. En la ventana Propiedades, cambie el valor de la propiedad DiscretizationMethod por Automática y el valor de la propiedad DiscretizationBucketCount por

5.

En la imagen siguiente se muestran las propiedades modificadas para Yearly Income.

SQL Server 2014


Agrupar miembros de la jerarquía de atributo en la dimensión Employee

1. Cambie al Diseñador de dimensiones para la dimensión Employee.

2. En el panel Vista del origen de datos, haga clic con el botón secundario en la tabla Employee y, a continuación, haga clic en Explorar datos.

Fíjese en los valores de las columnas SickLeaveHours y VacationHours.

3. Cierre la pestaña Explorar la tabla Employee.

4. En el panel Atributos, seleccione Sick Leave Hours.

5. En la ventana Propiedades, cambie el valor de la propiedad DiscretizationMethod por Clusters y el valor de la propiedad DiscretizationBucketCount por 5.

6. En el panel Atributos, seleccione Vacation Hours.

7. En la ventana Propiedades, cambie el valor de la propiedad DiscretizationMethod a EqualAreas y el valor de la propiedad DiscretizationBucketCount a 5.

Examinar las jerarquías de atributo modificadas


2. Cuando la implementación se haya completado correctamente, cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y haga clic en Volver a

conectar en la pestaña Explorador.


4. Arrastre la medida Internet Sales-Sales Amount hasta el área Valores de la lista de campos de la tabla dinámica.

5. En la lista de campos, expanda la dimensión Product y, a continuación, arrastre la jerarquía de usuario Product Model Lines hasta el área Etiquetas de fila de

la lista de campos.

6. Expanda la dimensión Customer en la lista de campos, expanda la carpeta para mostrar Demographic y, a continuación, arrastre la jerarquía de atributo Yearly

Income hasta el área Etiquetas de columna.

Los miembros de la jerarquía de atributo Yearly Income están agrupados ahora en seis depósitos, incluido un depósito para las ventas a los clientes cuyosingresos anuales se desconocen. No se muestran todos los depósitos.

7. Quite la jerarquía de atributo Yearly Income del área de columnas y quite la medida Internet Sales-Sales Amount del área Valores.

8. Agregue la medida Reseller Sales-Sales Amount al área de datos.

9. En la lista de campos, expanda la dimensión Employee , expanda Organization y arrastre Sick Leave Hours hasta Etiquetas de columna.

Observe que todas las ventas las realizan los empleados de uno de los dos grupos. Observe también que los empleados que tienen de 32 a 42 horas de bajapor enfermedad han realizado más ventas que los que tienen de 20 a 31 horas de baja por enfermedad.

En la imagen siguiente se muestran las ventas dimensionadas por horas de baja por enfermedad de los empleados.

10. Elimine la jerarquía de atributo Sick Leave Hours del área de columnas del panel Datos.

11. Agregue Vacation Hours al área de columnas del panel Datos.

Observe que aparecen dos grupos, basados en el método de agrupación por áreas iguales ﴾EqualAreas﴿. Hay otros tres grupos ocultos porque no contienen

valores de datos.

Modificar propiedades de agrupación y revisar el efecto de los cambios

1. Cambie al Diseñador de dimensiones para la dimensión Employee y seleccione Vacation Hours en el panel Atributos.

2. En la ventana Propiedades, cambie el valor de la propiedad DiscretizationBucketCount por 10.

3. En el menú Generar de SQL Server Data Tools, haga clic en Implementar Tutorial de Analysis Services.

4. Cuando la implementación se haya completado correctamente, vuelva al Diseñador de cubos para el cubo Tutorial de Analysis Services.

5. Haga clic en Volver a conectar en la pestaña Explorador, haga clic en el icono de Excel y vuelva a crear la tabla dinámica para que pueda ver el efecto delcambio al método de agrupación:

a. Arrastre Reseller Sales-Sales Amount hasta Valores

b. Arrastre Vacation Hours (en la carpeta Employees Organization) hasta Columnas

c. Arrastre Product Model Lines hasta Filas

Observe que ahora hay tres grupos de miembros del atributo Vacation Hours que tienen valores de ventas para productos. Los otros siete grupos contienen

miembros sin datos de ventas.


Ocultar y deshabilitar jerarquías de atributo

Vea también

ConceptosAgrupar miembros de atributos ﴾discretización﴿




Ocultar y deshabilitar jerarquías de atributo

De forma predeterminada, se crea una jerarquía de atributo para cada uno de los atributos de una dimensión, y cada jerarquía está disponible para los datos de hechosde dimensionamiento. Esta jerarquía consta de un nivel "Todos" y un nivel de detalle que contiene todos los miembros de la jerarquía. Como ha aprendido, puede

organizar los atributos en jerarquías definidas por el usuario para proporcionar rutas de navegación en un cubo. En determinadas circunstancias, le interesará deshabilitaru ocultar algunos atributos y sus jerarquías. Por ejemplo, determinados atributos, como los números de seguridad social o números de identificación nacional, sueldos,las fechas de nacimiento e información sobre el inicio de sesión, no son atributos que los usuarios vayan a utilizar para dimensionar la información del cubo. En lugar de

ello, generalmente esta información solo se visualiza como detalles de un miembro de atributo en concreto. Puede ocultar estas jerarquías de atributo, dejando losatributos visibles solo como propiedades de miembro de un atributo específico. También puede hacer que los miembros de otros atributos, como los nombres de clienteo los códigos postales, solo estén visibles cuando se visualizan a través de una jerarquía de usuario en lugar de visualizarse de forma independiente a través de unajerarquía de atributo. Un motivo para hacerlo puede ser el número total de miembros distintos de la jerarquía de atributo. Por último, para mejorar el rendimiento delprocesamiento, debe deshabilitar las jerarquías de atributos que los usuarios no utilizarán para examinar.

El valor de la propiedad AttributeHierarchyEnabled determina si se ha creado una jerarquía de atributo. Si esta propiedad se establece en False, la jerarquía de atributono se crea y el atributo no puede utilizarse como nivel en una jerarquía de usuario; la jerarquía de atributo solo existe como propiedad de miembro. No obstante, una

jerarquía de atributo deshabilitada puede utilizarse para ordenar los miembros de otro atributo. Si un valor de la propiedad AttributeHierarchyEnabled se establece en

True, el valor de la propiedad AttributeHierarchyVisible determina si la jerarquía de atributo es visible independientemente de su uso en una jerarquía definida por elusuario.

Cuando una jerarquía de atributo está habilitada, puede especificar valores para las tres propiedades adicionales siguientes:

IsAggregatable

De forma predeterminada se define un nivel ﴾Todos﴿ para todas las jerarquías de atributo. Para deshabilitar el nivel ﴾Todos﴿ de una jerarquía de atributo habilitada,establezca el valor de esta propiedad en False.

Nota

Un atributo que tiene su propiedad IsAggregatable establecida en False solamente puede usarse como la raíz de una jerarquía definida por el usuario y debetener un miembro predeterminado especificado ﴾en caso contrario, el motor de Analysis Services elegirá uno﴿.

AttributeHierarchyOrdered

De forma predeterminada, Analysis Services ordena los miembros de las jerarquías de atributo habilitadas durante el procesamiento y luego almacena losmiembros según el valor de la propiedad OrderBy, como Nombre o Clave. Si el orden no le importa, puede incrementar el rendimiento del procesamiento

estableciendo el valor de esta propiedad en False.

AttributeHierarchyOptimizedState

De forma predeterminada, y con el objeto de mejorar el rendimiento de las consultas, Analysis Services crea durante el procesamiento un índice para cadajerarquía de atributo habilitada. Si no tiene previsto utilizar una jerarquía de atributo para explorar, puede incrementar el rendimiento del procesamientoestableciendo el valor de esta propiedad en NotOptimized. No obstante, si utiliza una jerarquía oculta como atributo clave para la dimensión, el rendimientotambién mejorará si crea un índice de los miembros del atributo.

Estas propiedades no se aplican si la jerarquía de atributo está deshabilitada.

En las tareas de este tema, deshabilitará los números de seguridad social y otros atributos en la dimensión Employee que no se utilizarán para examinar. Luego ocultarálas jerarquías de atributo de nombre de cliente y código postal en la dimensión Customer. Debido al elevado número de miembros de atributo de estas jerarquías,examinarlas será un proceso muy lento, independientemente de la jerarquía de usuario que utilice.

Establecer las propiedades de la jerarquía de atributo en la dimensión Employee

1. Cambie al Diseñador de dimensiones para la dimensión Employee y haga clic en la pestaña Explorador.

2. Compruebe que las jerarquías de atributo siguientes aparecen en la lista Jerarquía:

Base Rate

Birth Date

Login ID

Número de seguridad social del director

SSN

3. Vaya a la pestaña Estructura de dimensión y seleccione los atributos siguientes en el panel Atributos. Para seleccionar varias medidas, haga clic en cada una

de ellas mientras mantiene presionada la tecla CTRL:

Base Rate

Birth Date

Login ID

Número de seguridad social del director

SSN

4. En la ventana Propiedades, establezca el valor de la propiedad AttributeHierarchyEnabled en False para los atributos seleccionados.

SQL Server 2014

Observe que, en el panel Atributos, el icono de cada atributo ha cambiado para indicar que el atributo no está habilitado.

En la imagen siguiente se muestra la propiedad AttributeHierarchyEnabled establecida en False para los atributos seleccionados.

5. En el menú Generar, haga clic en Implementar Analysis Services Tutorial.

6. Cuando el proceso haya finalizado correctamente, diríjase a la pestaña Explorador, haga clic en Volver a conectar y, a continuación, intente examinar lasjerarquías de atributo modificadas.

Observe que los miembros de los atributos modificados no están disponibles para examinar como jerarquías de atributo en la lista Jerarquía. Si intenta agregar

una de las jerarquías de atributo deshabilitadas como nivel en una jerarquía de usuario, recibirá un error en el que se le notificará que debe habilitar la jerarquíade atributo para que ésta pueda participar en una jerarquía definida por el usuario.

Establecer las propiedades de la jerarquía de atributo en la dimensión Customer

1. Cambie al Diseñador de dimensiones para la dimensión Customer y haga clic en la pestaña Explorador.

2. Compruebe que las jerarquías de atributo siguientes aparecen en la lista Jerarquía:

Full Name

Postal Code

3. Cambie a la pestaña Estructura de dimensión y seleccione los atributos siguientes en el panel Atributos (utilice la tecla CTRL si desea seleccionar varios

atributos al mismo tiempo):

Full Name

Postal Code

4. En la ventana Propiedades, establezca el valor de la propiedad AttributeHierarchyVisible en False para los atributos seleccionados.

Puesto que los miembros de estas jerarquías de atributo se utilizarán para dimensionar datos de hechos, si ordena y optimiza dichos miembros, mejorará elrendimiento. Por consiguiente, las propiedades de estos atributos no deben cambiarse.

En la imagen siguiente se muestra la propiedad AttributeHierarchyVisible establecida en False.

5. Arrastre el atributo Postal Code del panel Atributos a la jerarquía de usuario Customer Geography en el panel Jerarquías y niveles que se encuentra justo en

el nivel City.

Observe que el atributo oculto puede seguir convirtiéndose en un nivel de una jerarquía de usuario.

6. En el menú Generar, haga clic en Implementar Analysis Services Tutorial.

7. Cuando la implementación haya finalizado correctamente, vaya a la pestaña Explorador de la dimensión Customer y haga clic en Volver a conectar.

8. Intente seleccionar cualquiera de las jerarquías de atributo modificadas en la lista Jerarquía.

Observe que ninguna de las jerarquías de atributo modificadas aparece en la lista Jerarquía.

9. En la lista Jerarquía, seleccione Customer Geography y examine cada nivel del panel del explorador.

Observe que los niveles ocultos, Postal Code y Full Name, están visibles en la jerarquía definida por el usuario.


Ordenar los miembros de atributo en función de un atributo secundario

Vea también

Otros recursosDesigning and Implementing How-to Topics (Analysis Services - Multidimensional Data)




Ordenar los miembros de atributo en función de un atributosecundario

En la lección 3, aprendió a ordenar los miembros de atributo en función de su nombre o valor de clave. También aprendió a utilizar una clave de miembro compuesta queafectaba a todos los miembros de atributo y al criterio de ordenación. Para obtener más información, vea Modificar la dimensión Date. Sin embargo, si ni el nombre ni la

clave del atributo ofrecen el orden que desea, puede usar un atributo secundario para conseguir el criterio de ordenación deseado. Definir una relación entre losatributos, puede usar el segundo atributo para ordenar los miembros del primer atributo.

Las relaciones de atributo definen las relaciones o dependencias que existen entre los atributos. En una dimensión que se basa en una única tabla relacional, todos losatributos están generalmente relacionados entre sí a través del atributo de clave. Esto es así porque todos los atributos de una dimensión proporcionan informaciónsobre los miembros vinculados por el atributo de clave de la dimensión a los hechos de la tabla de hechos de cada grupo de medida relacionado. En una dimensión quese basa en varias tablas, los atributos generalmente están vinculados en función de la clave de combinación entre las tablas. Si los datos subyacentes lo permiten, los

atributos relacionados se pueden utilizar para especificar un criterio de ordenación. Por ejemplo, puede crear un nuevo atributo que proporciona la lógica de ordenaciónpara un atributo relacionado.

El Diseñador de dimensiones permite definir relaciones adicionales entre atributos o cambiar las relaciones predeterminadas para incrementar el rendimiento. La

limitación principal que existe al crear una relación de atributo es asegurarse de que el atributo al que se hace referencia no tiene más de un valor para ningún miembrodel atributo con el que está relacionado. Cuando se define una relación entre dos atributos, se puede definir la relación como rígida o flexible, en función de si lasrelaciones entre los miembros cambiarán con el tiempo. Por ejemplo, un empleado podría cambiar de región de venta, pero una ciudad nunca pasará a formar parte deuna provincia distinta. Si se define una relación como rígida, las agregaciones de atributos no se calculan de nuevo cada vez que se procesa la dimensión de formaincremental. No obstante, si la relación entre los miembros cambia, la dimensión debe procesarse por completo. Para obtener más información, vea Relaciones de

atributo, Definir relaciones de atributo, Configurar propiedades de relación de los atributos y Especificar relaciones de atributo entre los atributos de una jerarquíadefinida por el usuario.

En las tareas de este tema, definirá un atributo nuevo en la dimensión Date basado en una columna existente de la tabla de dimensiones subyacente. Utilizará esteatributo nuevo para ordenar los miembros del mes natural cronológicamente en lugar de ordenarlos alfabéticamente. También definirá un atributo nuevo en la dimensiónCustomer en función del cálculo con nombre que utilizará para ordenar los miembros del atributo Commute Distance. En las tareas del tema siguiente, aprenderá autilizar las relaciones de atributo para incrementar el rendimiento de las consultas.

Definir una relación de atributo y el criterio de ordenación en la dimensión Date

1. Abra el Diseñador de dimensiones para la dimensión Date y revise la propiedad OrderBy del atributo Month Name en la ventana Propiedades.

Observe que los miembros del atributo Month Name están ordenados por sus valores de clave.

2. Cambie a la pestaña Explorador, compruebe que Calendar Date está seleccionado en la lista Jerarquía y, a continuación, expanda los niveles de la jerarquíadefinida por el usuario para revisar el criterio de ordenación de los meses naturales.

Observe que los miembros de la jerarquía de atributo están ordenados en función de los valores ASCII de las claves de sus miembros, que son el mes y el año.En este caso, si se ordena por el nombre o la clave del atributo, los meses naturales no se ordenan cronológicamente. Para resolver este problema, ordenarálos miembros de la jerarquía de atributo en función de un atributo nuevo, el atributo MonthNumberOfYear. Creará este atributo tomando como base unacolumna de la tabla de dimensiones Date.

3. Cambie a la pestaña Estructura de dimensión de la dimensión Date, haga clic con el botón secundario del mouse en MonthNumberOfYear en el panel Vista

del origen de datos y, a continuación, haga clic en Nuevo atributo de la columna.

4. En el panel Atributos, seleccione Month Number Of Year y, a continuación, establezca la propiedad AttributeHierarchyEnabled en False en la ventana

Propiedades, la propiedad AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.

Estos parámetros ocultarán el atributo ante los usuarios y mejorarán el tiempo de procesamiento. Este atributo no se usará para examinar. Solo se utilizará paraordenar los miembros de otro atributo.

Nota

Al ordenar alfabéticamente las propiedades de la ventana Propiedades se simplificará esta tarea ya que las tres propiedades aparecerán una al lado de laotra.

5. Haga clic en la pestaña Relación de atributo.

Observe que todos los atributos de la dimensión Date están relacionados directamente con el atributo Date, que es el miembro de clave que relaciona los

miembros de dimensión con los hechos de los grupos de medida relacionados. No hay ninguna relación definida entre el atributo Month Name y el atributo

Month Number Of Year.

6. En el diagrama, haga clic con el botón secundario en el atributo Month Name y seleccione Nueva relación de atributo.

7. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Month Name. Establezca el Atributo relacionado en Month Number Of Year.


Las relaciones entre los miembros del atributo Month Name y del atributo Month Number Of Year no cambiarán con el tiempo. Como resultado, Analysis

Services no quitará las agregaciones de esta relación durante el procesamiento incremental. Si se produce un cambio, el procesamiento generará un errordurante el procesamiento incremental y tendrá que realizar el proceso completo de la dimensión. Ahora ya puede establecer el criterio de ordenación de losmiembros de Month Name.


10. Haga clic en la pestaña Estructura de dimensión.

11. Seleccione Month Name en el panel Atributos y, a continuación, cambie el valor de la propiedad OrderBy de la ventana Propiedades por AttributeKey y el

SQL Server 2014






valor de la propiedad OrderByAttribute por Month Number Of Year.

12. En el menú Generar, haga clic en Implementar Tutorial de Analysis Services.

13. Cuando la implementación se haya completado correctamente, diríjase a la pestaña Explorador de la dimensión Date, haga clic en Volver a conectar y, a

continuación, examine las jerarquías de usuario Calendar Date y Fiscal Date para comprobar que los meses están ordenados cronológicamente.

Observe que los meses ahora aparecen en orden cronológico, como se muestra en la imagen siguiente.

Definir las relaciones de atributo y el criterio de ordenación en la dimensión Customer

1. Cambie a la pestaña Explorador del Diseñador de dimensiones para la dimensión Customer y, a continuación, examine los miembros de la jerarquía de atributoCommute Distance.

Observe que los miembros de la jerarquía de atributo están ordenados en función de los valores ASCII de la clave de miembro. En este caso, si se ordena por el

nombre o la clave del atributo, las distancias para ir al trabajo no se ordenan de menor a mayor. En esta tarea, debe ordenar los miembros de la jerarquía deatributo en función del cálculo con nombre CommuteDistanceSort que atribuye el número de orden apropiado a cada valor distinto de la columna. Para

ahorrar tiempo, este cálculo con nombre ya se ha agregado a la tabla Customer de la vista del origen de datos Adventure Works DW. Puede cambiar a esta

vista del origen de datos para ver el script SQL que se usa en este cálculo con nombre. Para obtener más información, vea Definir cálculos con nombre en unavista del origen de datos (Analysis Services).

En la imagen siguiente se muestran los miembros de la jerarquía de atributo Commute Distance, ordenados según los valores ASCII de la clave de miembro.

2. Cambie a la pestaña Estructura de dimensión del Diseñador de dimensiones de la dimensión Customer, haga clic con el botón secundario enCommuteDistanceSort en la tabla Customer del panel Vista del origen de datos y, a continuación, haga clic en Nuevo atributo de la columna.

3. En el panel Atributos, seleccione Commute Distance Sort y establezca la propiedad AttributeHierarchyEnabled de este atributo en False en la ventana

Propiedades, la propiedad AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.

Estos parámetros ocultarán el atributo ante los usuarios y mejorarán el tiempo de procesamiento. Este atributo no se usará para examinar. Solo se utilizará paraordenar los miembros de otro atributo.

4. Seleccione Geography y, a continuación, establezca su propiedad AttributeHierarchyVisible en False en la ventana Propiedades, la propiedad

AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.

Estos parámetros ocultarán el atributo ante los usuarios y mejorarán el tiempo de procesamiento. Este atributo no se usará para examinar. Solo se utilizará paraordenar los miembros de otro atributo. Dado que Geography tiene propiedades de miembro, su propiedad AttributeHierarchyEnabled debe establecerse en

True. Por lo tanto, para ocultar el atributo, se debe establecer la propiedad AttributeHierarchyVisible en False.


6. En la lista de atributos, haga clic con el botón secundario en el atributo Commute Distance y, a continuación, seleccione Nueva relación de atributo.

7. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Commute Distance. Establezca el Atributo relacionado en Commute Distance

Sort.


La relación entre los miembros del atributo Commute Distance y del atributo Commute Distance Sort no cambiará con el tiempo.


Ahora ya puede establecer el criterio de ordenación del atributo Commute Distance.


11. En el panel Atributos, seleccione Commute Distance y cambie el valor de la propiedad OrderBy de la ventana Propiedades por AttributeKey, y el valor de la

propiedad OrderByAttribute por Commute Distance Sort.



13. Cuando la implementación haya finalizado correctamente, vaya a la pestaña Examinador del Diseñador de dimensiones de la dimensión Customer, haga clic enVolver a conectar y examine la jerarquía de atributo Commute Distance.

Observe que los miembros de la jerarquía de atributo ahora están clasificados en un orden lógico en función de una distancia cada vez mayor, como es muestraen la imagen siguiente.


Especificar relaciones de atributo entre los atributos de una jerarquía definida por el usuario



Especificar relaciones de atributo entre los atributos de unajerarquía definida por el usuario

Como ya ha visto en este tutorial, es posible organizar jerarquías de atributo en niveles dentro de jerarquías de usuario para proporcionar rutas de navegación a losusuarios de un cubo. Una jerarquía de usuario puede representar una jerarquía natural, como una ciudad, un estado o un país, o simplemente representar una ruta denavegación, como el nombre de un empleado, su cargo y el nombre de departamento. Para el usuario que navega por una jerarquía, estos dos tipos de jerarquía deusuario son el mismo.

Con una jerarquía natural, si define relaciones de atributo entre los atributos que forman los niveles, Analysis Services puede utilizar una agregación de un atributo paraobtener los resultados de un atributo relacionado. Si no hay ninguna relación definida entre los atributos, Analysis Services agregará todos los atributos que no sean declave del atributo de clave. Por lo tanto, si los datos subyacentes lo permiten, debería definir relaciones de atributo entre atributos. La definición de relaciones de atributomejora el rendimiento del procesamiento de las dimensiones, las particiones y las consultas. Para obtener más información, vea Definir relaciones de atributo y Relaciones

de atributo.

Cuando se definen relaciones de atributo, se puede especificar que la relación sea flexible o rígida. Si define una relación rígida, Analysis Services retiene las agregacionescuando se actualiza la dimensión. Si la relación que se define como rígida cambia, Analysis Services genera un error durante el proceso, a menos que la dimensión seprocese por completo. El rendimiento de la consulta y del procesamiento aumenta si se especifican las relaciones y las propiedades de relación apropiadas. Para obtenermás información, vea Definir relaciones de atributo y Propiedades de jerarquía de usuario.

En las tareas de este tema, debe definir relaciones de atributo para los atributos de las jerarquías de usuario naturales del proyecto Tutorial de Analysis Services. Estas

jerarquías son la jerarquía Customer Geography de la dimensión Customer, la jerarquía Sales Territory de la dimensión Sales Territory, la jerarquía Product Model

Lines de la dimensión Product y las jerarquías Fiscal Date y Calendar Date de la dimensión Date. Todas estas jerarquías de usuario son jerarquías naturales.

Definir relaciones de atributo para atributos de la jerarquía Customer Geography

1. Cambie al Diseñador de dimensiones para la dimensión Customer y haga clic en la pestaña Estructura de dimensión.

En el panel Jerarquías, fíjese en los niveles de la jerarquía definida por el usuario Customer Geography. Actualmente, esta jerarquía es simplemente una rutaque permite a los usuarios ver detalles, ya que no se han definido relaciones entre niveles o atributos.


Observe las cuatro relaciones de atributo que vinculan los atributos que no son de clave de la tabla Geography con el atributo de clave de la tabla Geography.

El atributo Geography está relacionado con el atributo Full Name. El atributo Postal Code está vinculado de forma indirecta al atributo Full Name a través delatributo Geography, porque el atributo Postal Code está vinculado al atributo Geography y el atributo Geography está vinculado al atributo Full Name. A

continuación, cambiaremos las relaciones de atributo para que no usen el atributo Geography.

3. En el diagrama, haga clic con el botón secundario en el atributo Full Name y seleccione Nueva relación de atributo.

4. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Full Name. Establezca el Atributo relacionado en Postal Code. En la lista Tipo de

relación, deje establecido el tipo de relación en Flexible, ya que las relaciones entre los miembros pueden cambiar con el tiempo.


Aparece un icono de advertencia en el diagrama porque la relación es redundante. La relación Full Name -> Geography-> Postal Code ya existía, y acaba decrear la relación Full Name -> Postal Code. Ahora, la relación Geography-> Postal Code es redundante, por lo que la quitaremos.

6. En el panel Relaciones de atributo, haga clic con el botón secundario en Geography-> Postal Code y, a continuación, haga clic en Eliminar.

7. Cuando aparezca el cuadro de diálogo Eliminar objetos, haga clic en Aceptar.

8. En el diagrama, haga clic con el botón secundario en el atributo Postal Code y seleccione Nueva relación de atributo.

9. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Postal Code. Establezca el Atributo relacionado en City. En la lista Tipo de

relación, deje establecido el tipo de relación en Flexible.


Ahora, la relación Geography-> City es redundante y la eliminaremos.

11. En el panel Relaciones de atributo, haga clic con el botón secundario en Geography-> City y, a continuación, haga clic en Eliminar.


13. En el diagrama, haga clic con el botón secundario en el atributo City y seleccione Nueva relación de atributo.

14. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es City. Establezca el Atributo relacionado en State-Province. En la lista Tipo de

relación, establezca el tipo de relación en Rígida, ya que la relación entre una ciudad y un estado no cambiará en el futuro.


16. Haga clic con el botón secundario en la flecha situada entre Geography y State-Province y, a continuación, haga clic en Eliminar.



19. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es State-Province. Establezca el Atributo relacionado en Country-Region. En la lista

Tipo de relación, establezca el tipo de relación en Rígida, ya que la relación entre un estado‐provincia y un país‐región no cambiará con el tiempo.


SQL Server 2014





21. En el panel Relaciones de atributo, haga clic con el botón secundario en Geography-> Country-Region y, a continuación, haga clic en Eliminar.



Observe que al eliminar la última relación de atributo entre Geografía y otros atributos, se elimina Geografía. Esto se debe a que el atributo ya no se usa.


Definir relaciones de atributo para atributos de la jerarquía Sales Territory

1. Abra el Diseñador de dimensiones para la dimensión Sales Territory y haga clic en la pestaña Relaciones de atributo.

2. En el diagrama, haga clic con el botón secundario en el atributo Sales Territory Country y, a continuación, seleccione Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Sales Territory Country. Establezca el Atributo relacionado en Sales Territory

Group. En la lista Tipo de relación, deje establecido el tipo de relación en Flexible.


Sales Territory Group ahora está vinculado a Sales Territory Country, y Sales Territory Country está vinculado a Sales Territory Region. La propiedad

RelationshipType de cada una de estas relaciones se establece en Flexible porque las agrupaciones de las regiones dentro de un país y las agrupaciones delos países en grupos pueden cambiar con el tiempo.

Definir relaciones de atributo para atributos de la jerarquía Product Model Lines

1. Abra el Diseñador de dimensiones para la dimensión Product y haga clic en la pestaña Relaciones de atributo.

2. En el diagrama, haga clic con el botón secundario en el atributo Model Name y seleccione Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Model Name. Establezca el Atributo relacionado en Product Line. En la lista

Tipo de relación, deje establecido el tipo de relación en Flexible.


Definir relaciones de atributo para atributos de la jerarquía Fiscal Date

1. Cambie al Diseñador de dimensiones para la dimensión Date y haga clic en la pestaña Relaciones de atributo.


3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Month Name. Establezca el Atributo relacionado en Fiscal Quarter. En la lista

Tipo de relación, establezca el tipo de relación en Rígida.


5. En el diagrama, haga clic con el botón secundario en el atributo Fiscal Quarter y, a continuación, seleccione Nueva relación de atributo.

6. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Fiscal Quarter. Establezca el Atributo relacionado en Fiscal Semester. En la lista



8. En el diagrama, haga clic con el botón secundario en el atributo Fiscal Semester y, a continuación, seleccione Nueva relación de atributo.

9. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Fiscal Semester. Establezca el Atributo relacionado en Fiscal Year. En la lista



Definir relaciones de atributo para atributos de la jerarquía Calendar Date


2. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Month Name. Establezca el Atributo relacionado en Calendar Quarter. En la lista



4. En el diagrama, haga clic con el botón secundario en el atributo Calendar Quarter y, a continuación, seleccione Nueva relación de atributo.

5. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Calendar Quarter. Establezca el Atributo relacionado en Calendar Semester. En

la lista Tipo de relación, establezca el tipo de relación en Rígida.


7. En el diagrama, haga clic con el botón secundario en el atributo Calendar Semester y, a continuación, seleccione Nueva relación de atributo.

8. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Calendar Semester. Establezca el Atributo relacionado en Calendar Year. En la

lista Tipo de relación, establezca el tipo de relación en Rígida.


Definir relaciones de atributo para atributos de la jerarquía Geography

1. Abra el Diseñador de dimensiones para la dimensión Geography y haga clic en la pestaña Relaciones de atributo.

2. En el diagrama, haga clic con el botón secundario en el atributo Postal Code y seleccione Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Postal Code. Establezca el Atributo relacionado en City. En la lista Tipo de

relación, establezca el tipo de relación en Flexible.


5. En el diagrama, haga clic con el botón secundario en el atributo City y seleccione Nueva relación de atributo.

6. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es City. Establezca el Atributo relacionado en State-Province. En la lista Tipo de

relación, establezca el tipo de relación en Rígida.



9. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es State-Province. Establezca el Atributo relacionado en Country-Region. En la lista



11. En el diagrama, haga clic con el botón secundario en el atributo Geography Key y, a continuación, seleccione Propiedades.

12. Establezca la propiedad AttributeHierarchyOptimizedState en NotOptimized, la propiedad AttributeHierarchyOrdered en False y la propiedad

AttributeHierarchyVisible en False.


14. En el menú Generar de SQL Server Data Tools (SSDT), haga clic en Implementar Tutorial de Analysis Services.


Definir las propiedades de miembro desconocido y de procesamiento de valores NULL

Vea también

ConceptosDefinir relaciones de atributo

Propiedades de jerarquía de usuario





Definir las propiedades de miembro desconocido y deprocesamiento de valores NULL

Cuando Analysis Services procesa una dimensión, todos los valores distintos de las columnas subyacentes de las tablas o las vistas de la vista del origen de datos rellenanlos atributos de la dimensión. Si Analysis Services encuentra una valor NULL durante el procesamiento, de forma predeterminada, convierte este valor NULL en un cero en

las columnas numéricas o en una cadena vacía en las columnas de cadena. Puede modificar estas opciones predeterminadas o convertir los valores NULL en el proceso

de extracción, transformación y carga ﴾si existe﴿ del almacenamiento de datos relacional subyacente. También puede hacer que Analysis Services convierta el valor NULLen un valor determinado configurando tres propiedades: las propiedades UnknownMember y UnknownMemberName de la dimensión y la propiedad NullProcessing

del atributo clave de la dimensión.

El Asistente para dimensiones y el Asistente para cubos habilitarán estas propiedades dependiendo de si el atributo clave de una dimensión admite valores NULL o si elatributo del elemento raíz de una dimensión de copo de nieve se basa en una columna que puede admitir valores NULL. En estos casos, la propiedad NullProcessing del

atributo clave se establecerá en UnknownMember y la propiedad UnknownMember se establecerá en Visible.

No obstante, al crear dimensiones de copo de nieve incrementalmente, como se hace con la dimensión Product en este tutorial, o al definir dimensiones con el Diseñadorde dimensiones y, a continuación, incorporar estas dimensiones existentes en un cubo, puede que tenga que establecer manualmente las propiedades UnknownMember

y NullProcessing.

En las tareas de este tema, agregará los atributos de categoría de producto y subcategoría de producto en la dimensión Product de las tablas de copo de nieve queagregará a la vista del origen de datos Adventure Works DW. Luego habilitará la propiedad UnknownMember para la dimensión Product, especificará Assembly

Components como valor de la propiedad UnknownMemberName, relacionará los atributos de Subcategory y Category con el atributo de nombre del producto y, por

último, definirá el control de errores personalizado para el atributo clave de miembro que vincula las tablas de copo de nieve.

Nota

Si ha agregado los atributos Subcategory y Category al definir originalmente el cubo del Tutorial de Analysis Services con el Asistente para cubos, estos pasos

deberían haberse ejecutado automáticamente.

Revisar las propiedades de control de errores y de miembro desconocido en la dimensiónProduct

1. Cambie al Diseñador de dimensiones para la dimensión Product, haga clic en la pestaña Estructura de dimensión y, a continuación, seleccione Product en el

panel Atributos.

De este modo, podrá ver y modificar las propiedades de la dimensión propiamente dicha.

2. En la ventana Propiedades, revise las propiedades UnknownMember y UnknownMemberName.

Observe que la propiedad UnknownMember no está habilitada, porque su valor está establecido en Ninguno en lugar de Visible u Oculto, y que no se ha

especificado ningún nombre para la propiedad UnknownMemberName.

3. En la ventana Propiedades, seleccione (personalizada) en la celda de la propiedad ErrorConfiguration y luego expanda la colección de propiedadesErrorConfiguration.

Establecer la propiedad ErrorConfiguration en (personalizada) permite ver los valores de configuración de errores predeterminados, si no se cambia ningúnvalor.

4. Revise las propiedades de configuración de error de clave y clave NULL, pero no realice ningún cambio.

Observe que, de forma predeterminada, cuando se convierten las claves NULL en el miembro desconocido, el error de procesamiento asociado con esta

conversión se omite.

En la imagen siguiente se muestran los parámetros de propiedad para la colección de propiedades ErrorConfiguration.

5. Haga clic en la pestaña Explorador, compruebe que Product Model Lines está seleccionado en la lista Jerarquía y expanda All Products.

Observe los cinco miembros del nivel Product Line.

6. Expanda Components y, a continuación, expanda el miembro sin etiqueta del nivel Model Name.

Este nivel contiene los componentes de ensamblado que se usan al crear otros componentes, empezando por el producto Adjustable Race, como se muestra

en la imagen siguiente.

SQL Server 2014

Definir los atributos de tablas de copo de nieve y una jerarquía definida por el usuario ProductCategory

1. Abra el Diseñador de vistas del origen de datos para la vista del origen de datos Adventure Works DW, seleccione Reseller Sales en el panel Organizador de

diagramas y, a continuación, haga clic en Agregar o quitar objetos en el menú Vista del origen de datos de SQL Server Data Tools (SSDT).

Se abre el cuadro de diálogo Agregar o quitar tablas.

2. En la lista Objetos incluidos, seleccione DimProduct (dbo) y, a continuación, haga clic en Agregar tablas relacionadas.

Se agregarán tanto DimProductSubcategory (dbo) como FactProductInventory (dbo). Quite FactProductInventory (dbo) de modo que solo se agregue la

tabla DimProductSubcategory (dbo) a la lista Objetos incluidos.

3. Con la tabla DimProductSubcategory (dbo) seleccionada de forma predeterminada como tabla que se agrega con más frecuencia, haga clic de nuevo enAgregar tablas relacionadas.

La tabla DimProductCategory (dbo) se agrega a la lista Objetos incluidos.


5. En el menú Formato de SQL Server Data Tools, seleccione Diseño automático y haga clic en Diagrama.

Observe que la tabla DimProductSubcategory (dbo) y la tabla DimProductCategory (cbo) están vinculadas entre sí y también a la tabla ResellerSales a travésde la tabla Product.

6. Cambie al Diseñador de dimensiones para la dimensión Product y haga clic en la pestaña Estructura de dimensión.

7. Haga clic con el botón secundario en el panel Vista del origen de datos y luego haga clic en Mostrar todas las tablas.

8. En el panel Vista del origen de datos, busque la tabla DimProductCategory, haga clic con el botón secundario en ProductCategoryKey en dicha tabla y, luego,

haga clic en Nuevo atributo de la columna.

9. En el panel Atributos, cambie el nombre de este nuevo atributo por Category.

10. En la ventana Propiedades, haga clic en el campo de la propiedad NameColumn y, a continuación, haga clic en el botón Examinar ﴾…) para abrir el cuadro de


11. Seleccione EnglishProductCategoryName en la lista Columna de origen y haga clic en Aceptar.

12. En el panel Vista del origen de datos, busque la tabla DimProductSubcategory, haga clic con el botón secundario en ProductSubcategoryKey en dicha tabla y,

luego, haga clic en Nuevo atributo de la columna.

13. En el panel Atributos, cambie el nombre de este nuevo atributo por Subcategory.

14. En la ventana Propiedades, haga clic en el campo de la propiedad NameColumn y, a continuación, haga clic en el botón Examinar ﴾…﴿ para abrir el cuadro de


15. Seleccione EnglishProductSubcategoryName en la lista Columna de origen y, a continuación, haga clic en Aceptar.

16. Cree una nueva jerarquía definida por el usuario denominada Product Categories con los niveles siguientes, por orden de arriba a abajo: Category,

Subcategory y Product Name.

17. Especifique All Products como valor para la propiedad AllMemberName de la jerarquía definida por el usuario Product Categories.

Examinar las jerarquías definidas por el usuario en la dimensión Product

1. En la barra de herramientas de la pestaña Estructura de dimensión del Diseñador de dimensiones para la dimensión Product, haga clic en Procesar.

2. Haga clic en Sí para crear e implementar el proyecto y, a continuación, haga clic en Ejecutar para procesar la dimensión Product.

3. Cuando el proceso se haya ejecutado correctamente, expanda Procesamiento de dimensión 'Product' finalizó correctamente en el cuadro de diálogoProgreso del proceso, expanda Procesamiento de atributo de dimensión 'Product Name' finalizó correctamente y, a continuación, expanda SQL queries 1.

4. Haga clic en la consulta SELECT DISTINCT y, a continuación, haga clic en Ver detalles.

Observe que se ha agregado una cláusula WHERE a la cláusula SELECT DISTINCT que elimina los productos que no tienen ningún valor en la columnaProductSubcategoryKey, como se muestra en la imagen siguiente.

5. Haga clic en Cerrar tres veces para cerrar todos los cuadros de diálogo de procesamiento.

6. Haga clic en la pestaña Explorador en el Diseñador de dimensiones para la dimensión Product y, a continuación, haga clic en Volver a conectar.

7. Compruebe que Product Model Lines aparece en la lista Jerarquía, expanda All Products y, a continuación, expanda Components.

8. Seleccione Product Categories en la lista Jerarquía, expanda All Products y, a continuación, expanda Components.

Observe que no aparece ningún componente de ensamblado.

Para modificar el comportamiento mencionado en la tarea anterior, habilitará la propiedad UnknownMember de la dimensión Products, establecerá un valor para lapropiedad UnknownMemberName, establecerá la propiedad NullProcessing para los atributos Subcategory y Model Name en UnknownMember, definirá elatributo Category como un atributo relacionado del atributo Subcategory y luego definirá el atributo Product Line como un atributo relacionado del atributo Model

Name. Estos pasos harán que Analysis Services use el valor de nombre de miembro desconocido para cada producto que no tenga ningún valor para la columnaSubcategoryKey, como verá en la tarea siguiente.

Habilitar el miembro desconocido, definir las relaciones de atributo y especificar propiedades

de procesamiento personalizadas para valores NULL

1. Haga clic en la pestaña Estructura de dimensión del Diseñador de dimensiones para la dimensión Product y, a continuación, seleccione Product en el panel

Atributos.

2. En la ventana Propiedades, cambie la propiedad UnknownMember por Visible y, a continuación, cambie el valor de la propiedad UnknownMemberName por

Assembly Components.

Al cambiar la propiedad UnknownMember por Visible u Oculto se habilita la propiedad UnknownMember para la dimensión.


4. En el diagrama, haga clic con el botón secundario en el atributo Subcategory y seleccione Nueva relación de atributo.

5. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Subcategory. Establezca el Atributo relacionado en Category. Deje establecido el

tipo de relación en Flexible.


7. En el panel Atributos, seleccione Subcategory.

8. En la ventana Propiedades, expanda la propiedad KeyColumns y, a continuación, expanda la propiedad DimProductSubcategory.ProductSubcategoryKey

(Integer).

9. Cambie la propiedad NullProcessing por UnknownMember.

10. En el panel Atributos, seleccione Model Name.

11. En la ventana Propiedades, expanda la propiedad KeyColumns y, a continuación, expanda la propiedad Product.ModelName (WChar).

12. Cambie la propiedad NullProcessing por UnknownMember.

Debido a estos cambios, cuando el proceso de Analysis Services detecte un valor NULL para el atributo Subcategory o el atributo Model Name, el valor de

miembro desconocido se sustituirá como valor de clave y las jerarquías definidas por el usuario se generarán correctamente.

Examinar de nuevo la dimensión Product

1. En el menú Compilar, haga clic en Tutorial de Implementar Analysis Services.

2. Cuando la implementación haya finalizado correctamente, haga clic en la pestaña Explorador del Diseñador de dimensiones para la dimensión Product y luego

haga clic en Volver a conectar.

3. Compruebe que Product Categories está seleccionado en la lista Jerarquía y expanda All Products.

Observe que aparece Assembly Components como nuevo miembro del nivel Category.

4. Expanda el miembro Assembly Components del nivel Category y luego expanda el miembro Assembly Components del nivel Subcategory .

Observe que todos los componentes de ensamblado ahora aparecen en el nivel Product Name, como se muestra en la ilustración siguiente.

Lección siguiente

Lección 5: definir relaciones entre dimensiones y grupos de medida



Lección 5: definir relaciones entre dimensiones y grupos demedida

En las lecciones anteriores de este tutorial, ha aprendido que las dimensiones de base de datos que se agregan a un cubo pueden utilizarse como base para una o másdimensiones de cubo. En esta lección, aprenderá a definir distintos tipos de relaciones entre dimensiones de cubo y grupos de medida, así como a especificar laspropiedades de estas relaciones.

Para obtener más información, vea Relaciones de dimensión y Defining and Configuring Dimension Usage and Dimension Relationships.

Nota



Definir una relación referenciadaEn esta tarea, aprenderá a vincular una dimensión a una tabla de hechos de forma indirecta a través de una dimensión que está vinculada de forma directa a travésde una relación clave principal–clave externa.

Definir una relación de hechosEn esta tarea, aprende a definir una dimensión basada en datos de la tabla de hechos, y a definir la relación de la dimensión como una relación de hechos.

Definir una relación de varios a variosEn esta tarea, aprende a relacionar un hecho con varios miembros de dirección a través de la definición de una relación de varios a varios entre tablas dedimensiones y tablas de hechos.

Definir la granularidad de las dimensiones en un grupo de medida

En esta tarea, aprende a modificar la granularidad de una dimensión para un grupo de medida específico.

Lección siguiente

Lección 6: definir cálculos

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Relaciones de dimensiónOtros recursosDefining and Configuring Dimension Usage and Dimension Relationships


SQL Server 2014













Definir una relación referenciada

Hasta este punto del tutorial, cada dimensión de cubo que definió se basaba en una tabla que estaba directamente vinculada a la tabla de hechos para un grupo demedida a través de una relación de clave principal a clave externa. En las tareas de este tema, debe vincular la dimensión Geography a la tabla de hechos de ventas por

distribuidor a través de la dimensión Reseller, denominada dimensión de referencia. Esto permite a los usuarios dimensionar las ventas de distribuidor por geografía. Para

obtener más información, vea Definir relaciones referenciadas y propiedades de las relaciones referenciadas.

Dimensionar las ventas de distribuidor por geografía

1. En el Explorador de soluciones, haga clic con el botón secundario en Tutorial de Analysis Services en la carpeta Cubos y, a continuación, haga clic enExaminar.

2. Elimine todas las jerarquías del panel de datos y compruebe que la medida Reseller Sales-Sales Amount aparece en el área de datos de dicho panel.Agréguela al panel de datos si no aparece.

3. Desde la dimensión Geography del panel de metadatos, arrastre la jerarquía definida por el usuario Geography hasta el área Coloque campos de fila aquí de

dicho panel.

Observe que la medida Reseller Sales-Sales Amount no está bien dimensionada por los miembros del atributo Country-Region de la jerarquía Regions. El

valor de Reseller Sales-Sales Amount se repite para cada miembro de atributo Country-Region .

4. Abra el Diseñador de vistas del origen de datos para la vista del origen de datos Adventure Works DW 2012.

5. En el panel Organizador de diagramas, vea la relación entre las tablas Geography y ResellerSales.

Observe que no hay ningún vínculo directo entre estas tablas. No obstante, existe un vínculo indirecto entre estas tablas a través de la tabla Reseller o de la

tabla SalesTerritory.

6. Haga doble clic en la flecha que representa la relación entre las tablas Geography y Reseller.

En el cuadro de diálogo Editar relación, observe que la columna GeographyKey es la clave principal en la tabla Geography y la clave externa en la tabla

Reseller.

7. Haga clic en Cancelar, cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y, a continuación, haga clic en la pestaña Uso de dimensiones.

Observe que la dimensión del cubo Geography actualmente no tiene ninguna relación con el grupo de medida Internet Sales ni con el grupo de medida

Reseller Sales.

8. Haga clic en el botón de puntos suspensivos ﴾…) de la celda Full Name de la intersección de la dimensión Customer y el grupo de medida Internet Sales.

En el cuadro de diálogo Definir relación, observe que hay una relación Regular definida entre la tabla de dimensiones DimCustomer y la tabla de grupos de

medida FactInternetSales basada en la columna CustomerKey de cada una de estas tablas. Todas las demás relaciones que ha definido en este tutorial hastaeste punto han sido relaciones regulares.

En la imagen siguiente se muestra el cuadro de diálogo Definir relación con una relación regular entre la tabla de dimensiones DimCustomer y la tabla de

grupos de medida FactInternetSales.

SQL Server 2014


9. Haga clic en Cancelar.

10. Haga clic en el botón de puntos suspensivos ﴾…﴿ de la celda sin nombre que se encuentra en la intersección de la dimensión Geography y el grupo de medida

Reseller Sales.

En el cuadro de diálogo Definir relación, observe que actualmente no hay ninguna relación definida entre la dimensión del cubo Geography y el grupo demedida Reseller Sales. No se puede definir una relación regular porque no existe ninguna relación directa entre la tabla de dimensiones de la dimensiónGeography y la tabla de hechos del grupo de medida Reseller Sales.

11. En la lista Seleccionar tipo de relación, seleccione Referenciada.

Para definir una relación referenciada, debe especificar una dimensión que esté conectada directamente con la tabla del grupo de medida, denominadadimensión intermedia, que Analysis Services pueda utilizar para vincular la dimensión de referencia a la tabla de hechos. Luego debe especificar el atributo que

vincula la dimensión de referencia a la dimensión intermedia.

12. En la lista Dimensión intermedia, seleccione Reseller.

La tabla subyacente para la dimensión Geography está vinculada a la tabla de hechos a través de la tabla subyacente para la dimensión Reseller.

13. En la lista Atributo de dimensión de referencia, seleccione Geography Key y, luego, intente seleccionar Geography Key en la lista Atributo de dimensiónintermedia.

Observe que Geography Key no aparece en la lista Atributo de dimensión intermedia. Esto es así porque la columna GeographyKey no está definida comoatributo en la dimensión Reseller.


En la tarea siguiente, resolverá este problema definiendo un atributo que se basa en la columna GeographyKey de la dimensión Reseller.

Definir el atributo de la dimensión intermedia y la relación de la dimensión referenciada

1. Abra el Diseñador de dimensiones para la dimensión Reseller y vea las columnas de la tabla Reseller del panel Vista del origen de datos y los atributos

definidos en la dimensión Reseller del panel Atributos.

Observe que, aunque GeographyKey está definida como columna en la tabla Reseller, no se ha definido ningún atributo en la dimensión Reseller basado en estacolumna. Geography se ha definido como atributo de dimensión en la dimensión Geography porque es la columna de clave que vincula la tabla subyacente paradicha dimensión a la tabla de hechos.

2. Para agregar un atributo Geography Key a la dimensión Reseller, haga clic con el botón secundario del mouse en GeographyKey en el panel Vista del origen

de datos y, a continuación, haga clic en Nuevo atributo de la columna.

3. En el panel Atributos, seleccione Geography Key y, a continuación, en la ventana de propiedades, establezca la propiedad AttributeHierarchyOptimizedState

en NotOptimized, la propiedad AttributeHierarchyOrdered en False y la propiedad AttributeHierarchyVisible en False.

El atributo Geography Key de la dimensión Reseller solamente se utilizará para vincular la dimensión Geography a la tabla de hechos Reseller Sales. Puesto que

no se utilizará para examinar, definir esta jerarquía de atributo como visible no aporta ningún valor. Además, ordenar y optimizar la jerarquía de atributo soloafectaría negativamente al proceso. No obstante, el atributo debe estar habilitado para poder servir como vínculo entre las dos dimensiones.

4. Cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services, haga clic en la pestaña Uso de dimensiones y, a continuación, haga clic en el botón depuntos suspensivos (…﴿ que se encuentra en la intersección del grupo de medida Reseller Sales y la dimensión de cubo Geography.


6. En la lista Dimensión intermedia, seleccione Reseller.

7. En la lista Atributo de dimensión de referencia, seleccione Geography Key y, a continuación, seleccione Geography Key en la lista Atributo de dimensiónintermedia.

Observe que la casilla Materializar está activada. Ésta es la configuración predeterminada de las dimensiones MOLAP. Materializar el vínculo del atributo de ladimensión hace que, durante el proceso, el valor del vínculo entre la tabla de hechos y la dimensión de referencia de cada fila se materialice, o almacene, en laestructura MOLAP de la dimensión. Esto tendrá un efecto menor en el rendimiento del proceso y en los requisitos de almacenamiento, pero aumentará elrendimiento de la consulta (en ocasiones de forma significativa).


Observe que la dimensión de cubo Geography ahora está vinculada al grupo de medida Reseller Sales. El icono indica que la relación es una relación dedimensión referenciada.

9. En la lista Dimensiones de la pestaña Uso de dimensiones, haga clic con el botón secundario en Geography y, a continuación, haga clic en Cambiar nombre.

10. Cambie el nombre de esta dimensión de cubo por Reseller Geography.

Puesto que esta dimensión de cubo ahora está vinculada al grupo de medida Reseller Sales, los usuarios se beneficiarán de definir explícitamente su uso en elcubo, con el fin de evitar una posible confusión de los usuarios.

Dimensionar correctamente las ventas de distribuidor por geografía


2. Cuando la implementación se haya completado correctamente, haga clic en la pestaña Explorador del Diseñador de cubos para el cubo Tutorial de AnalysisServices y, a continuación, haga clic en el botón Volver a conectar.

3. En el panel de metadatos, expanda Reseller Geography, haga clic con el botón secundario del mouse en Geographies y, a continuación, haga clic en Agregar a

área de fila.

Observe que la medida Reseller Sales-Sales Amount no aparece bien dimensionada por el atributo Country-Region de la jerarquía definida por el usuarioGeographies, como se muestra en la imagen siguiente.


Definir una relación de hechos

Vea también

ConceptosRelaciones de atributo

Definir relaciones referenciadas y propiedades de las relaciones referenciadas





Definir una relación de hechos

A veces, los usuarios desean poder dimensionar las medidas según los elementos de datos que se encuentran en la tabla de hechos o realizar consultas en la tabla dehechos sobre determinada información relacionada adicional, como números de factura o números de pedidos de compra relacionados con hechos de venta específicos.Cuando se define una dimensión basada en un elemento de tabla de hechos de este tipo, la dimensión se conoce como dimensión de hechos. Las dimensiones de hechos

también se denominan dimensiones degeneradas. Las dimensiones de hechos son útiles para agrupar filas de tablas de hechos relacionadas, como todas las filas queestán relacionadas con un número de factura determinado. Aunque esta información puede colocarse en una tabla de dimensiones independiente de la base de datosrelacional, crear una tabla de dimensiones independiente para la información no supone ninguna ventaja, ya que la tabla de dimensiones crecerá al mismo ritmo que latabla de hechos, y simplemente crearía datos duplicados y una complejidad innecesaria.

En Analysis Services, puede determinar si los datos de las dimensiones de hechos deben duplicarse en una estructura de dimensiones MOLAP para incrementar el

rendimiento de las consultas o si es necesario definir una dimensión de hechos como dimensión ROLAP para ahorrar espacio a costa del rendimiento de las consultas.Cuando se almacena una dimensión en modo de almacenamiento MOLAP, todos los miembros de la dimensión se almacenan en la instancia de Analysis Services en unaestructura MOLAP muy comprimida, además de almacenarse en las particiones del grupo de medida. Cuando se almacena una dimensión con el modo dealmacenamiento ROLAP, en la estructura MOLAP solo se almacena la definición de la dimensión, y, en el momento de la consulta, los miembros de la dimensiónpropiamente dichos se consultan desde la tabla de hechos relacionales subyacente. El modo de almacenamiento adecuado se decide en función de la frecuencia con laque se consultan las dimensiones de hechos, el número de filas que devuelve una consulta típica, el rendimiento de la consulta y el costo de procesamiento. Para definir

una dimensión como ROLAP, no es necesario almacenar todos los cubos que utilizan la dimensión con el mismo modo de almacenamiento ROLAP. El modo de

almacenamiento de cada dimensión se puede configurar independientemente.

Cuando define una dimensión de hechos, puede definir la relación entre la dimensión de hechos y el grupo de medida como relación de hechos. Las relaciones de hechos

presentan estas limitaciones:

El atributo de granularidad debe encontrarse en la columna de clave de la dimensión, que crea una relación uno a uno entre la dimensión y los hechos de la tablade hechos.

Una dimensión puede tener una relación de hechos con un solo grupo de medida.

Nota

Las dimensiones de hechos deben actualizarse de forma incremental después de cada actualización realizada en el grupo de medida al que hace referencia la relaciónde hechos.

Para obtener más información, vea Relaciones de dimensión y Definir relaciones de hechos y propiedades de las relaciones de hechos.

En las tareas de este tema, debe agregar una nueva dimensión de cubo basada en la columna CustomerPONumber de la tabla de hechos FactInternetSales. A

continuación, debe definir la relación entre esta nueva dimensión de cubo y el grupo de medida Internet Sales como relación de hechos.

Definir la dimensión de hechos de los pedidos de ventas por Internet

1. En el Explorador de soluciones, haga clic con el botón secundario en Dimensiones y, a continuación, haga clic en Nueva dimensión.




5. En la lista Tabla principal, seleccione InternetSales.

6. Compruebe que aparecen SalesOrderNumber y SalesOrderLineNumber en la lista Columnas de clave.

7. En la lista Columna de nombre, seleccione SalesOrderLineNumber.


9. En la página Seleccionar tablas relacionadas, desactive las casillas que aparecen al lado de todas las tablas y, a continuación, haga clic en Siguiente.

10. En la página Seleccionar los atributos de la dimensión, haga clic dos veces en la casilla del encabezado para desactivar todas las casillas. El atributo Sales

Order Number seguirá seleccionado porque es el atributo clave.

11. Seleccione el atributo Customer PO Number y, a continuación, haga clic en Siguiente.

12. En la página Finalización del asistente, cambie el nombre por Internet Sales Order Details y, a continuación, haga clic en Finalizar para completar el asistente.


14. En el panel Atributos del Diseñador de dimensiones para la dimensión Internet Sales Order Details, seleccione Sales Order Number y, a continuación, cambiela propiedad Nombre de la ventana de propiedades por Item Description.

15. En la celda de la propiedad NameColumn, haga clic en el botón Examinar ﴾…﴿. En el cuadro de diálogo Columna de nombre, seleccione Product en la lista

Tabla de origen, seleccione EnglishProductName en Columna de origen y, a continuación, haga clic en Aceptar.

16. Agregue el atributo Sales Order Number a la dimensión arrastrando la columna SalesOrderNumber de la tabla InternetSales del panel Vista del origen de

datos al panel Atributos.

17. Cambie la propiedad Nombre del nuevo atributo Sales Order Number por Order Number y cambie la propiedad OrderBy por Key.

18. En el panel Jerarquías, cree una jerarquía de usuario Internet Sales Orders que contenga los niveles Order Number e Item Description, en este orden.

SQL Server 2014



19. En el panel Atributos, seleccione Internet Sales Order Details y luego revise el valor de la propiedad StorageMode de la ventana Propiedades.

Observe que, de forma predeterminada, esta dimensión está almacenada como dimensión MOLAP. Aunque cambiar el modo de almacenamiento por ROLAP

supondrá un ahorro de tiempo de procesamiento y espacio de almacenamiento, esto es así a costa del rendimiento de las consultas. Para este tutorial, utilizaráMOLAP como modo de almacenamiento.

20. Para agregar la dimensión que acaba de crear al cubo Tutorial de Analysis Services como una dimensión de cubo, cambie al Diseñador de cubos. En la pestañaEstructura de cubo, haga clic con el botón secundario del mouse en el panel Dimensiones y seleccione Agregar dimensión de cubo.

21. En el cuadro de diálogo Agregar dimensión de cubo, seleccione Internet Sales Order Details y, a continuación, haga clic en Aceptar.

Definir una relación de hechos para la dimensión de hechos

1. En el Diseñador de cubos del cubo Tutorial de Analysis Services, haga clic en la pestaña Uso de dimensiones.

Observe que la dimensión de cubo Internet Sales Order Details está configurada automáticamente con una relación de hechos, como indica el icono único.

2. Haga clic en el botón Examinar ﴾…) de la celda Item Description, situada en la intersección del grupo de medida Internet Sales con la dimensión Internet Sales

Order Details, para revisar las propiedades de la relación de hecho.

Se abre el cuadro de diálogo Definir relación. Observe que no puede configurar ninguna de las propiedades.

En la imagen siguiente se muestran las propiedades de la relación de hechos en el cuadro de diálogo Definir relación.


Examinar el cubo utilizando la dimensión de hecho

1. En el menú Compilar, haga clic en Tutorial de Implementar Analysis Services para implementar los cambios realizados en la instancia de Analysis Services y

procesar la base de datos.


3. Borre todas las medidas y las jerarquías del panel de datos y, a continuación, agregue la medida Internet Sales-Sales Amount al área de datos de dicho panel.

4. En el panel de metadatos, expanda sucesivamente Customer, Location, Customer Geography, Members, All Customers, Australia, Queensland, Brisbane y

4000, haga clic con el botón secundario en Adam Powell y, a continuación, haga clic en Agregar a filtro.

La aplicación de un filtro para limitar los pedidos de venta que se devuelven a un único cliente permite al usuario obtener detalles en una tabla de hechos degran tamaño sin tener que sufrir una notable pérdida en el rendimiento de las consultas.

5. Agregue la jerarquía definida por el usuario Internet Sales Orders de la dimensión Internet Sales Order Details al área de filas del panel de datos.

Observe que en el panel de datos aparecen los números de pedidos de venta y los importes correspondientes de ventas por Internet para Adam Powell.

En la imagen siguiente se muestra el resultado de los pasos anteriores.


Definir una relación de varios a varios

Vea también

ConceptosRelaciones de dimensiónDefinir relaciones de hechos y propiedades de las relaciones de hechos





Definir una relación de varios a varios

Generalmente, cuando se define una dimensión cada hecho se combina con un único miembro de dimensión, mientras que un mismo miembro puede estar asociado avarios hechos distintos. Por ejemplo, cada cliente puede tener varios pedidos, pero cada pedido pertenece a un solo cliente. En terminología de bases de datosrelacionales, esto se conoce como relación de uno a varios. No obstante, algunas veces un único hecho puede combinarse con varios miembros de dimensión. En

terminología de bases de datos relacionales, esto se conoce como relación de varios a varios. Por ejemplo, un cliente puede tener varios motivos para realizar una

compra, y un motivo de compra puede estar asociado a varias compras. Para definir los motivos de venta que se relacionan con cada compra, se utiliza una tabla de

combinación. Una dimensión de motivo de venta creada a partir de relaciones de este tipo tendría varios miembros que estarían relacionados a una única transacción deventa. Las dimensiones de varios a varios amplían el modelo dimensional más allá del esquema de estrella y admiten análisis complejos cuando las dimensiones no estándirectamente relacionadas con una tabla de hechos.

En Analysis Services, para definir una relación de varios a varios entre una dimensión y un grupo de medida se especifica una tabla de hechos intermedia que estácombinada con la tabla de dimensiones. Una tabla de hechos intermedia, a su vez, se combina con una tabla de dimensiones intermedia con la que la tabla de hechos

está combinada. Las relaciones de varios a varios entre la tabla de hechos intermedia y las tablas de dimensiones de la relación y la dimensión intermedia crean lasrelaciones de varios a varios entre los miembros de dimensión primaria y las medidas del grupo de medida especificado por la relación. Para definir una relación devarios a varios entre una dimensión y un grupo de medida a través de un grupo de medida intermedio, el grupo de medida intermedio debe compartir una o variasdimensiones con el grupo de medida original.

Con una dimensión de varios a varios, los valores distintos se suman, lo que significa que no se agregan más de una vez al miembro Todos.

Nota

Para poder admitir una relación de dimensiones de varios a varios, debe definir una relación de clave principal a clave externa en la vista del origen de datos entretodas las tablas implicadas. De lo contrario, no podrá seleccionar el grupo de medida intermedio correcto cuando establezca la relación en la pestaña Uso de

dimensiones del Diseñador de cubos.

Para obtener más información, vea Relaciones de dimensión y Definir una relación de varios a varios y las propiedades de las relaciones de varios a varios.

En las tareas de este tema, debe definir la dimensión Sales Reasons y el grupo de medida Sales Reasons, y definir una relación de varios a varios entre la dimensión SalesReasons y el grupo de medida Internet Sales a través del grupo de medida Sales Reasons.

Agregar tablas necesarias a la vista del origen de datos

1. Abra el Diseñador de vistas del origen de datos para la vista del origen de datos Adventure Works DW 2012.

2. Haga clic con el botón secundario en cualquier lugar del panel Organizador de diagramas, haga clic en Nuevo diagrama y especifique Internet Sales Order

Reasons como nombre de este nuevo diagrama.

3. Arrastre la tabla InternetSales al panel Diagrama desde el panel Tablas.

4. Haga clic con el botón secundario en cualquier punto del panel Diagrama y, a continuación, haga clic en Agregar o quitar tablas.

5. En el cuadro de diálogo Agregar o quitar tablas, agregue la tabla DimSalesReason y la tabla FactInternetSalesReason a la lista Objetos incluidos y haga clic

en Aceptar.

Observe que las relaciones de clave principal a clave externa entre las tablas que están implicadas se establecen automáticamente, ya que dichas relacionesestán definidas en la base de datos relacional subyacente. Si dichas relaciones no se hubiesen definido en la base de datos relacional subyacente, tendría quedefinirlas en la vista del origen de datos.

6. En el menú Formato, seleccione Diseño automático y haga clic en Diagrama.

7. En la ventana Propiedades, cambie la propiedad FriendlyName de la tabla DimSalesReason por SalesReason y, a continuación, cambie la propiedadFriendlyName de la tabla FactInternetSalesReason por InternetSalesReason.

8. En el panel Tablas, expanda InternetSalesReason (dbo.FactInternetSalesReason), haga clic en SalesOrderNumber y, luego, revise la propiedad DataType para

esta columna de datos en la ventana Propiedades.

Observe que el tipo de datos para la columna SalesOrderNumber es un tipo de datos de cadena.

9. Revise los tipos de datos de las demás columnas de la tabla InternetSalesReason.

Observe que los datos de las otras dos columnas de esta tabla son de tipo numérico.

10. En el panel Tablas, haga clic con el botón secundario en InternetSalesReason (dbo.FactInternetSalesReason) y seleccione Explorar datos.

Observe que, para cada número de línea de cada pedido, un valor clave identifica el motivo de venta para la compra del artículo de la línea, como se muestra enla imagen siguiente.

SQL Server 2014



Definir el grupo de medida intermedio

1. Cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y haga clic en la pestaña Estructura de cubo.

2. Haga clic con el botón secundario en cualquier punto del panel Medidas y, después, haga clic en Nuevo grupo de medida. Para obtener más información, veaMedidas y grupos de medida en modelos multidimensionales.

3. En el cuadro de diálogo Nuevo grupo de medida, seleccione InternetSalesReason en la lista Seleccione una tabla en la vista del origen de datos y haga clic

en Aceptar.

Observe que el grupo de medida Internet Sales Reason ahora aparece en el panel Medidas.

4. Expanda el grupo de medida Internet Sales Reason.

Como puede observar, solo hay una medida definida para este nuevo grupo de medida, la medida Internet Sales Reason Count.

5. Seleccione Internet Sales Reason Count y revise las propiedades de esta medida en la ventana Propiedades.

Observe que la propiedad AggregateFunction para esta medida está definida como Recuento en lugar de como Suma. Analysis Services seleccionó Recuento

porque el tipo de datos subyacente es un tipo de datos de cadena. Las otras dos columnas de la tabla de hechos subyacente no estaban seleccionadas como

medias porque Analysis Services las detectó como claves numéricas y no como medidas reales. Para obtener más información, vea Definir el comportamiento de

suma parcial.

6. En la ventana Propiedades, cambie la propiedad Visible de la medida Internet Sales Reason Count a False.

Esta medida solo podrá utilizarse para combinar la dimensión Sales Reason que definirá junto al grupo de medida Internet Sales. Los usuarios no examinaránesta medida directamente.

En la ilustración siguiente se muestran las propiedades de la medida Internet Sales Reason Count.

Definir la dimensión de varios a varios

1. En el Explorador de soluciones, haga clic con el botón secundario en Dimensiones y, a continuación, haga clic en Nueva dimensión.




5. En la lista Tabla principal, seleccione SalesReason.

6. En la lista Columnas de clave, compruebe que aparece SalesReasonKey.

7. En la lista Columna de nombre, seleccione SalesReasonName.




9. En la página Seleccionar los atributos de la dimensión, el atributo Sales Reason Key se selecciona automáticamente porque es el atributo clave. Active la

casilla situada junto al atributo Sales Reason Reason Type, cambie su nombre por Sales Reason Type y, a continuación, haga clic en Siguiente.

10. En la página Finalización del asistente, haga clic en Finalizar para crear la dimensión Sales Reason.


12. En el panel Atributos del Diseñador de dimensiones para la dimensión Sales Reason, seleccione Sales Reason Key y, a continuación, cambie la propiedadNombre de la ventana Propiedades por Sales Reason.

13. En el panel Jerarquías del Diseñador de dimensiones, cree una jerarquía de usuario denominada Sales Reasons que contenga el nivel Sales Reason Type y el

nivel Sales Reason, en este orden.

14. En la ventana Propiedades, defina All Sales Reasons como valor de la propiedad AllMemberName de la jerarquía Sales Reasons.

15. Defina All Sales Reasons como valor de la propiedad AttributeAllMemberName de la dimensión Sales Reason.

16. Para agregar la dimensión que acaba de crear al cubo Tutorial de Analysis Services como una dimensión de cubo, cambie al Diseñador de cubos. En la pestañaEstructura de cubo, haga clic con el botón secundario en el panel Dimensiones y seleccione Agregar dimensión de cubo.

17. En el cuadro de diálogo Agregar dimensión de cubo, seleccione Sales Reason y, a continuación, haga clic en Aceptar.


Definir la relación de varios a varios

1. Cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y haga clic en la pestaña Uso de dimensiones.

Observe que la dimensión Sales Reason tiene una relación regular definida con el grupo de medida Internet Sales Reason, pero no tiene ninguna relacióndefinida con los grupos de medida Internet Sales ni Reseller Sales. Observe también que la dimensión Internet Sales Order Details tiene una relación normaldefinida con la dimensión Internet Sales Reason, que a su vez tiene una relación de hechos con el grupo de medida Internet Sales. Si esta dimensión noestaba presente ﴾u otra dimensión con una relación con Internet Sales Reason y el grupo de medida Internet Sales no estaban presentes﴿, no se podría definirla relación de varios a varios.

2. Haga clic en la celda en la intersección del grupo de medida Internet Sales y la dimensión Sales Reasons y, a continuación, haga clic en el botón Examinar ﴾…).

3. En el cuadro de diálogo Definir relación, seleccione Varios a varios en la lista Seleccionar tipo de relación.

Debe definir el grupo de medida intermedio que conecta la dimensión Sales Reason al grupo de medida Internet Sales.

4. En la lista Grupo de medida intermedio, seleccione Internet Sales Reason.

En la imagen siguiente se muestran los cambios realizados en el cuadro de diálogo Definir relación.


Observe el icono de varios a varios que representa la relación existente entre la dimensión Sales Reason y el grupo de medida Internet Sales.

Examinar el cubo y la dimensión de varios a varios


2. Cuando la implementación se haya completado correctamente, cambie a la pestaña Explorador del Diseñador de cubos para el cubo Tutorial de Analysis

Services y, a continuación, haga clic en Volver a conectar.

3. Agregue la medida Internet Sales-Sales Amount al área de datos del panel de datos.

4. Agregue la jerarquía definida por el usuario Sales Reason de la dimensión Sales Reason al área de filas del panel de datos.

5. En el panel de metadatos, expanda sucesivamente Customer, Location, Customer Geography, Members, All Customers y Australia, haga clic con el botónsecundario en Queensland y, a continuación, haga clic en Agregar a filtro.

6. Expanda cada miembro del nivel Sales Reason Type para revisar los valores en dólares que están asociados a cada razón que un cliente de Queensland indicópara su compra de un producto de Adventure Works a través de Internet.

Observe que los totales que están asociados con cada motivo de ventas se suman y dan lugar a un valor superior a las ventas totales. Esto es así porquealgunos clientes citaron varios motivos para su compra.

En la imagen siguiente se muestran los paneles Filtro y Datos del Diseñador de cubos.


Definir la granularidad de las dimensiones en un grupo de medida

Vea también

ConceptosTrabajar con diagramas en el Diseñador de vistas del origen de datos ﴾Analysis Services﴿Relaciones de dimensiónDefinir una relación de varios a varios y las propiedades de las relaciones de varios a varios






Definir la granularidad de las dimensiones en un grupo demedida

Los usuarios desearán dimensionar los datos de hechos con una granularidad o especificidad distinta para distintos objetivos. Por ejemplo, los datos de venta para las

ventas de proveedor o ventas por Internet pueden registrarse cada día, mientras que es posible que la información sobre cuotas de venta solo exista en el nivel de mes otrimestre. En estos casos, los usuarios desearán una dimensión de tiempo con otra granularidad o un nivel de detalle distinto para cada una de las distintas tablas dehechos. Si bien puede definirse una nueva dimensión de base de datos como una dimensión de tiempo con esta granularidad diferente, hay una forma más fácil dehacerlo con Analysis Services.

De forma predeterminada, cuando en Analysis Services se usa una dimensión dentro de un grupo de medida, el nivel de detalle de los datos de esa dimensión se basa enel atributo clave de la dimensión. Por ejemplo, cuando se incluye una dimensión de tiempo en un grupo de medida y el nivel de detalle predeterminado de la dimensiónde tiempo es diariamente, el nivel de detalle predeterminado de dicha dimensión dentro del grupo de medida es diariamente. Esto es a menudo muy apropiado, como

en el caso de los grupos de medida Internet Sales y Reseller Sales de este tutorial. No obstante, cuando se incluye una dimensión de este tipo en otros tipos de gruposde medida, como en el grupo de medida de cuotas de venta o de presupuestos, generalmente es más apropiado utilizar un nivel de detalle mensual o trimestral.

Para especificar un nivel de detalle para una dimensión de cubo que no sea el predeterminado, debe modificar el atributo de granularidad para una dimensión de cubocomo se utiliza en un grupo de medida determinado en la pestaña Uso de dimensiones del Diseñador de cubos. Si cambia el nivel de detalle de una dimensión de ungrupo de medida específico por un atributo distinto del atributo clave de dicha dimensión, debe garantizar que todos los demás atributos del grupo de mensaje esténdirecta o indirectamente relacionados con el nuevo atributo de granularidad. Para ello, debe especificar las relaciones de atributo entre todos los demás atributos y elatributo que se ha especificado como atributo de granularidad en el grupo de medida. En este caso, se definen relaciones de atributo adicionales en vez de mover

relaciones de atributo. El atributo que se especifica como atributo de granularidad se convierte efectivamente en el atributo clave del grupo de medida para el resto de

atributos de la dimensión. Si no especifica correctamente las relaciones de atributo, Analysis Services no podrá agregar los valores de forma correcta, como verá en lastareas de este tema.

Para obtener más información, vea Relaciones de dimensión y Definir relaciones normales y propiedades de las relaciones normales.

En las tareas de este tema, debe agregar un grupo de medida Sales Quotas y definir la granularidad de la dimensión Date en este grupo de modo que sea mensual.Después debe definir las relaciones de atributo existentes entre el atributo de mes y otros atributos de dimensión para asegurarse de que Analysis Services agregue losvalores correctamente.

Agregar tablas y definir el grupo de medida Sales Quotas

1. Cambie a la vista del origen de datos Adventure Works DW 2012.

2. Haga clic con el botón secundario en cualquier lugar del panel Organizador de diagramas, haga clic en Nuevo diagrama y, a continuación, asigne al diagramael nombre Sales Quotas.

3. Arrastre las tablas Employee, Sales Territory y Date desde el panel Tablas hasta el panel Diagrama.

4. Agregue la tabla FactSalesQuota al panel Diagrama haciendo clic con el botón secundario en cualquier punto del panel Diagrama y seleccionando Agregar o

quitar tablas.

Observe que la tabla SalesTerritory está vinculada a la tabla FactSalesQuota a través de la tabla Employee.

5. Revise las columnas de la tabla FactSalesQuota y, a continuación, explore los datos de la tabla.

Observe que el nivel de detalle de los datos de esta tabla es trimestre natural, que es el nivel más bajo de detalle de la tabla FactSalesQuota.

6. En el Diseñador de vistas del origen de datos, cambie la propiedad FriendlyName de la tabla FactSalesQuota a SalesQuotas.

7. Cambie al cubo Tutorial de Analysis Services y haga clic en la pestaña Estructura de cubo.

8. Haga clic con el botón secundario en cualquier lugar del panel Medidas, haga clic en Nuevo grupo de medida, haga clic en SalesQuotas en el cuadro de

diálogo Nuevo grupo de medida y, a continuación, haga clic en Aceptar.

Aparece el grupo de medida Sales Quotas en el panel Medidas. Observe que, en el panel Dimensiones, también se define una dimensión de cubo Date nueva,

basada en la dimensión Date de la base de datos. Se define una dimensión de cubo nueva relacionada con el tiempo porque Analysis Services no sabe quédimensión de las existentes en el cubo y relacionada con el tiempo debe relacionar con la columna DateKey de la tabla de hechos FactSalesQuota subyacente

del grupo de medida Sales Quotas. Cambiará este valor más adelante en otra tarea de este tema.

9. Expanda el grupo de medida Sales Quotas.

10. En el panel Medidas, seleccione Sales Amount Quota y, a continuación, establezca el valor de la propiedad FormatString en Currency en la ventana

Propiedades.

11. Seleccione la medida Sales Quotas Count y, a continuación, escriba #,# como el valor para la propiedad FormatString en la ventana de propiedades.

12. Suprima la medida Calendar Quarter del grupo de medida Sales Quotas.

Analysis Services ha detectado la columna que subyace en la medida Calendar Quarter como columna que contiene medidas. No obstante, esta columna y la

columna CalendarYear contienen los valores que más adelante en este tema utilizará para vincular el grupo de medida Sales Quotas con la dimensión Date.

13. En el panel Medidas, haga clic con el botón secundario en el grupo de medida Sales Quotas y luego haga clic en Nueva medida. Para obtener másinformación, vea Defining and Configuring a Measure.

Se abre el cuadro de diálogo Nueva medida, que contiene las columnas de origen disponibles para una medida con un tipo de uso Suma.

14. En el cuadro de diálogo Nueva medida, seleccione Recuento distinto en la lista Uso, compruebe que SalesQuotas está seleccionado en la lista Tabla de

origen, seleccione EmployeeKey en la lista Columna de origen y haga clic en Aceptar.

SQL Server 2014




Observe que la medida se crea en un grupo de medida nuevo denominado Sales Quotas 1. A fin de maximizar el rendimiento del procesamiento, en SQL Server

se crean medidas de recuento distintas en los grupos de medida correspondientes.

15. Cambie el valor de la propiedad Nombre de la medida Employee Key Distinct Count por Sales Person Count y, a continuación, escriba #,# como el valor para

la propiedad FormatString.

Examinar las medidas del grupo de medida Sales Quota por fecha



3. Haga clic en el acceso directo de Excel y, a continuación, haga clic en Habilitar.

4. En la lista de campos de tabla dinámica, expanda el grupo de medida Sales Quotas y arrastre la medida Sales Amount Quota hasta el área Valores.

5. Expanda la dimensión Territorio de ventas y arrastre la jerarquía definida por el usuario Territorios de ventas hasta las etiquetas de fila.

Observe que la dimensión de cubo Sales Territory no está relacionada, directa ni indirectamente, con la tabla de hechos Sales Quota, como se muestra en laimagen siguiente.

En la próxima serie de pasos de este tema definirá una relación de dimensión de referencia entre esta dimensión y esta tabla de hechos.

6. Mueva la jerarquía de usuario Territorios de ventas del área Etiquetas de fila al área Etiquetas de columna.

7. En la lista de campos de tabla dinámica, seleccione la jerarquía definida por el usuario Territorios de ventas y haga clic en la flecha hacia abajo de la derecha.

8. En el filtro, haga clic en la casilla Seleccionar todo para desactivar todas las casillas y elija solo North America.

9. En la lista de campos de la tabla dinámica, expanda Date.

10. Arrastre la jerarquía de usuario Date.Fiscal Date hasta Etiquetas de fila.

11. En la tabla dinámica, haga clic en la flecha hacia abajo que aparece junto a Etiquetas de fila. Desactive todos los años excepto FY 2008.

Observe que solo aparece el miembro July 2007 del nivel Month, en lugar de los miembros July, 2007, August, 2007 y September, 2007 del nivel Month, y

que solo aparece el miembro July 1, 2007 del nivel Date en lugar de los 31 días. Este comportamiento se produce porque el nivel de detalle de los datos de la

tabla de hechos es el nivel trimestral y el nivel de detalle de la dimensión Date es el nivel diario. Cambiará este comportamiento en la siguiente tarea de estetema.

Observe también que el valor de Sales Amount Quota para los niveles de mes y día es el mismo valor que aparece en el nivel de trimestre, $13.733.000,00. Esto

es así porque el nivel más bajo de datos del grupo de medida Sales Quotas se encuentra en el nivel de trimestre. Cambiará este comportamiento en la lección 6.

En la imagen siguiente se muestran los valores para Sales Amount Quota.

Definir las propiedades de uso de dimensiones para el grupo de medida Sales Quotas

1. Abra el Diseñador de dimensiones para la dimensión Employee, haga clic con el botón secundario en SalesTerritoryKey en el panel Vista del origen de datos

y, a continuación, haga clic en Nuevo atributo de columna.

2. En el panel Atributos, seleccione SalesTerritoryKey y, a continuación, establezca la propiedad AttributeHierarchyVisible en False en la ventana de

propiedades, la propiedad AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.

Este atributo es necesario para vincular la dimensión Sales Territory con los grupos de medida Sales Quotas y Sales Quotas 1 como dimensión referenciada.

3. En el Diseñador de cubos para el cubo Tutorial de Analysis Services, haga clic en la pestaña Uso de dimensiones y, a continuación, revise el uso de lasdimensiones en los grupos de medida Sales Quotas y Sales Quotas 1.

Observe que las dimensiones de cubo Employee y Date están vinculadas a los grupos de medida Sales Quotas y Sales Quotas 1 a través de relacionesnormales. Observe también que la dimensión de cubo Sales Territory no está vinculada a ninguno de estos grupos de medida.

4. Haga clic en la celda en la intersección de la dimensión Sales Territory y el grupo de medida Sales Quotas y, a continuación, haga clic en el botón Examinar ﴾…).

Se abre el cuadro de diálogo Definir relación.


6. En la lista Dimensión intermedia, seleccione Employee.

7. En la lista Atributo de dimensión de referencia, Sales Territory Region.

8. En la lista Atributo de dimensión intermedia, seleccione Sales Territory Key (la columna de clave para el atributo Sales Territory Region es la columna

SalesTerritoryKey).

9. Compruebe que la casilla Materializar está activada.


11. Haga clic en la celda en la intersección de la dimensión Sales Territory y el grupo de medida Sales Quotas 1 y, a continuación, haga clic en el botón Examinar(…). Se abre el cuadro de diálogo Definir relación.


13. En la lista Dimensión intermedia, seleccione Employee.

14. En la lista Atributo de dimensión de referencia, Sales Territory Region.

15. En la lista Atributo de dimensión intermedia, seleccione Sales Territory Key (la columna de clave para el atributo Sales Territory Region es la columna

SalesTerritoryKey).

16. Compruebe que la casilla Materializar está activada.


18. Elimine la dimensión de cubo Date.

En lugar de tener cuatro dimensiones de cubo relacionadas con el tiempo, utilizará la dimensión de cubo Order Date del grupo de medida Sales Quotas como

fecha a partir de la que se dimensionarán las cuotas de ventas. También utilizará esta dimensión de cubo como dimensión de fecha principal del cubo.

19. En la lista Dimensiones, cambie el nombre de la dimensión de cubo Order Date por Date.

Cambiar el nombre de la dimensión de cubo Order Date por Date facilita a los usuarios comprender su rol como dimensión de fecha principal del cubo.

20. Haga clic en el botón Examinar ﴾…﴿ de la celda que se encuentra en la intersección del grupo de medida Sales Quotas y la dimensión Date.

21. En el cuadro de diálogo Definir relación, seleccione Regular en la lista Seleccionar tipo de relación.

22. En la lista Atributo de granularidad, seleccione Calendar Quarter.

Observe que aparece un mensaje de advertencia para notificarle que, puesto que ha seleccionado un atributo sin clave como atributo de granularidad, debe

especificar todos los demás atributos como propiedades de miembro para asegurarse de que estén relacionados directa o indirectamente con el atributo degranularidad.

23. En el área Relación del cuadro de diálogo Definir relación, vincule las columnas de dimensión CalendarYear y CalendarQuarter de la tabla que subyace en la

dimensión de cubo Date con las columnas CalendarYear y CalendarQuarter de la tabla que subyace en el grupo de medida Sales Quota y, a continuación, hagaclic en Aceptar.

Nota

Calendar Quarter se define como atributo de granularidad de la dimensión de cubo Date en el grupo de medida Sales Quotas, pero el atributo Date siguesiendo el atributo de granularidad para los grupos de medida Internet Sales y Reseller Sales.

24. Repita los cuatro pasos anteriores para el grupo de medida Sales Quotas 1.

Definir las relaciones de atributo entre el atributo Calendar Quarter y otros atributos de

dimensión de la dimensión Date

1. Cambie al Diseñador de dimensiones para la dimensión Date y, a continuación, haga clic en la pestaña Relaciones de atributo.

Observe que, aunque Calendar Year está vinculado a Calendar Quarter a través del atributo Calendar Semester, los atributos de calendario fiscal estánvinculados solamente el uno al otro; no están vinculados al atributo Calendar Quarter y, por consiguiente, no se agregan correctamente al grupo de medida

Sales Quotas.

2. En el diagrama, haga clic con el botón secundario del mouse en el atributo Calendar Quarter y, a continuación, seleccione Nueva relación de atributo.

3. En el cuadro de diálogo Crear relación de atributo, el Atributo de origen es Calendar Quarter. Establezca el Atributo relacionado en Fiscal Quarter.


Observe que aparece un mensaje de advertencia para indicarle que la dimensión Date contiene una o varias relaciones de atributo redundantes que pueden

impedir que se agreguen datos cuando se usa un atributo sin clave como atributo de granularidad.

5. Elimine la relación de atributo entre los atributos Month Name y Fiscal Quarter.


Examinar las medidas del grupo de medida Sales Quota por fecha


2. Cuando la implementación se haya completado correctamente, haga clic en la pestaña Explorador del Diseñador de cubos para el cubo Tutorial de AnalysisServices y, a continuación, haga clic en Volver a conectar.

3. Haga clic en el acceso directo de Excel y, a continuación, haga clic en Habilitar.

4. Arrastre la medida Sales Amount Quota hasta el área Valores.

5. Arrastre la jerarquía de usuario Territorios de ventas hasta las Etiquetas de columna y, a continuación, filtre en North America.

6. Arrastre la jerarquía de usuario Date.FiscalDate hasta Etiquetas de fila y, a continuación, haga clic en la flecha hacia abajo que aparece junto a Etiquetas de fila

en la tabla dinámica y desactive todas las casillas excepto FY 2008 para mostrar solamente el año fiscal 2008.


8. Expanda sucesivamente FY 2008, H1 FY 2008 y Q1 FY 2008.

En la ilustración siguiente se muestra una tabla dinámica para el cubo Tutorial de Analysis Services, con el grupo de medida Sales Quota bien dimensionado.

Observe que cada miembro del nivel de trimestre fiscal tiene el mismo valor que el nivel de trimestre. Usando Q1 FY 2008 como ejemplo, la cuota de $9.180.000,

00 para Q1 FY 2008 es también el valor de cada uno de sus miembros. Este comportamiento se produce porque el nivel de detalle de los datos de la tabla de

hechos es el nivel trimestral y el nivel de detalle de la dimensión Date también es el nivel de trimestre. En la lección 6, aprenderá a asignar el importe trimestralproporcionalmente a cada mes.

Lección siguiente


Vea también

ConceptosRelaciones de dimensiónDefinir relaciones normales y propiedades de las relaciones normales

Trabajar con diagramas en el Diseñador de vistas del origen de datos ﴾Analysis Services﴿







En esta lección, aprenderá a definir cálculos, que son scripts o expresiones de Expresiones multidimensionales ﴾MDX﴿. Los cálculos le permiten definir miembroscalculados, conjuntos con nombre y ejecutar otros comandos de script para ampliar las capacidades de un cubo de Analysis Services. Por ejemplo, puede ejecutar un

comando de script para definir un subcubo y, a continuación, asignar un cálculo a las celdas del subcubo.

Al definir un nuevo cálculo en el Diseñador de cubos, el cálculo se agrega al panel Organizador de script de la pestaña Cálculos del Diseñador de cubos, y los camposdel tipo de cálculo en cuestión aparecen en un formulario de cálculos en el panel de las expresiones de cálculo. Los cálculos se ejecutan en el orden en el que aparecenen el panel Organizador de script. Puede reorganizar los cálculos haciendo clic con el botón secundario en un cálculo determinado y seleccionando Subir o Bajar, o

haciendo clic en un cálculo determinado y utilizando los iconos Subir o Bajar en la barra de herramientas de la pestaña Cálculos.

En la pestaña Cálculos, puede agregar nuevos cálculos y ver o editar cálculos existentes en las vistas siguientes del panel de las expresiones de cálculo:

Vista de formulario. Esta vista muestra las expresiones y propiedades de un comando único en formato de gráfico. Al editar un script MDX, un cuadro de expresiónrellena la vista de formulario.

Vista de script. Esta vista muestra todos los scripts de cálculo en un editor de código, lo que le permite cambiar fácilmente los scripts de cálculo. Cuando el panel

de las expresiones de cálculo está en la Vista de script, el Organizador de script estará oculto. La Vista de script proporciona codificación de color, coincidenciade paréntesis, autocompletar y regiones de código MDX. Puede expandir o contraer las regiones de código MDX para facilitar la edición.

Para cambiar de una vista a otra en el panel de las expresiones de cálculo, haga clic en Vista de formulario o Vista de script en la barra de herramientas de la pestañaCálculos.

Nota

Si Analysis Services detecta un error de sintaxis en algún cálculo, la vista de formulario no aparecerá hasta que el error se haya corregido en la Vista de script.

También puede utilizar el Asistente de Business Intelligence para agregar determinados cálculos a un cubo. Por ejemplo, puede utilizar este asistente para agregar

inteligencia de tiempo a un cubo, lo que significa definir miembros calculados para cálculos relacionados con el tiempo como, por ejemplo, períodos hasta fecha, mediasmóviles o crecimiento entre períodos. Para obtener más información, vea Definir cálculos de inteligencia de tiempo mediante el Asistente de Business Intelligence.

Importante

En la pestaña Cálculos, el script de cálculo empieza por el comando CALCULATE. El comando CALCULATE controla la agregación de las celdas en el cubo y solodebería editar este comando si intenta especificar manualmente la forma en que se deberían agregar las celdas del cubo.

Para obtener más información, vea Cálculos y Cálculos en modelos multidimensionales.

Nota



Definir miembros calculados

En esta tarea, aprenderá a definir miembros calculados.

Definir conjuntos con nombre

En esta tarea, aprenderá a definir conjuntos con nombre.

Lección siguiente

Lección 7: definir indicadores clave de rendimiento ﴾KPI﴿

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Crear conjuntos con nombre

Crear miembros calculados


SQL Server 2014












Definir miembros calculados

Los miembros calculados son miembros de una dimensión o un grupo de medida que se definen según una combinación de datos del cubo, operadores aritméticos,números y funciones. Por ejemplo, puede crear un miembro calculado que calcule la suma de dos medidas físicas en el cubo. Las definiciones de miembros calculados se

almacenan en cubos pero sus valores se calculan en el momento de la consulta.

Para crear un miembro calculado, utilice el comando Nuevo miembro calculado en la pestaña Cálculos del Diseñador de cubos. Puede crear un miembro calculado

dentro de cualquier dimensión, incluida la dimensión de medidas. También puede colocar un miembro calculado en una carpeta para mostrar en el cuadro de diálogoPropiedades de cálculo. Para obtener más información, vea Cálculos, Cálculos en modelos multidimensionales y Crear miembros calculados.

En las tareas de este tema se definen medidas calculadas para permitir que los usuarios vean el porcentaje de margen de beneficio bruto y el ratio de ventas para ventas

por Internet, para ventas del distribuidor y para todas las ventas.

Definir cálculos para agregar medidas físicas

1. Abra el Diseñador de cubos para el cubo Analysis Services Tutorial y, a continuación, haga clic en la pestaña Cálculos.

Observe el comando predeterminado CALCULATE en el panel de las expresiones de cálculo y en el panel Organizador de script. Este comando especifica que

las medidas del cubo deberían agregarse según el valor especificado por sus propiedades AggregateFunction. Los valores de medida normalmente se suman,

pero también pueden contarse o agregarse de otra forma.

La siguiente imagen muestra la pestaña Cálculos del Diseñador de cubos.

2. En la barra de herramientas de la pestaña Cálculos, haga clic en Nuevo miembro calculado.

En el panel de las expresiones de cálculo aparece un nuevo formulario en el que podrá definir las propiedades de este nuevo miembro calculado. El nuevo

miembro aparecerá también en el panel Organizador de script.

La siguiente imagen muestra el formulario que aparece en el panel de las expresiones de cálculo al hacer clic en Nuevo miembro calculado.

SQL Server 2014




3. En el cuadro Nombre, cambie el nombre de la medida calculada por [Total Sales Amount].

Si el nombre de un miembro calculado contiene un espacio, dicho nombre deberá ir entre corchetes.

Observe que en la lista Jerarquía primaria, de manera predeterminada, se crea un nuevo miembro calculado en la dimensión Measures. A un miembro

calculado de la dimensión Measures también se le denomina con frecuencia medida calculada.

4. En la pestaña Metadatos del panel Herramientas de cálculo de la pestaña Cálculos, expanda Medidas y, a continuación, Ventas por Internet para ver los

metadatos del grupo de medida Internet Sales.

Puede arrastrar los elementos de metadatos desde el panel Herramientas de cálculo al cuadro Expresión y agregar entonces operadores y otros elementos

para crear expresiones de Expresiones multidimensionales (MDX). O bien, puede escribir la expresión MDX directamente en el cuadro Expresión.

Nota

Si no puede ver los metadatos en el panel Herramientas de cálculo, haga clic en Volver a conectar en la barra de herramientas. Si esto no funciona, puede

que tenga que procesar el cubo o iniciar la instancia de Analysis Services.

5. Arrastre Internet Sales-Sales Amount de la pestaña Metadatos del panel Herramientas de cálculo al cuadro Expresión del panel de las expresiones de

cálculo.

6. En el cuadro Expresión, escriba un signo más ﴾+﴿ después de [Measures].[Internet Sales-Sales Amount].

7. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Venta del distribuidor y, a continuación, arrastre Reseller Sales-Sales Amount al cuadro

Expresión del panel de las expresiones de cálculo después del signo más ﴾+﴿.

8. En la lista Cadena de formato, seleccione "Moneda".

9. En la lista Comportamiento si no está vacío, active las casillas Internet Sales-Sales Amount y Reseller Sales-Sales Amount y haga clic en Aceptar.

Las medidas especificadas en la lista Comportamiento si no está vacío se utilizan para resolver consultas NON EMPTY en MDX. Si se especifican una o másmedidas en la lista Comportamiento si no está vacío, Analysis Services tratará al miembro calculado como vacío si todas las medidas especificadas estánvacías. Si la propiedad Non-empty behavior está en blanco, Analysis Services deberá evaluar al miembro calculado para determinar si el miembro está vacío.

La siguiente imagen muestra el panel de las expresiones de cálculo llenado con la configuración especificada en los pasos anteriores.

10. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de script y revise el script de cálculo en el panel de las expresiones de cálculo.

Observe que el nuevo cálculo se agrega a la expresión CALCULATE inicial; los cálculos individuales se separan con un punto y coma. Observe también queaparece un comentario al principio del script del cálculo. Se recomienda la agregación de comentarios dentro del script de cálculo para grupos de cálculos paraayudarle a usted y a otros programadores a comprender los scripts de cálculo complejos.

11. Agregue una nueva línea al script de cálculo después del comando Calculate; y antes del script de cálculo recientemente agregada y, a continuación, agregue elsiguiente texto al script en su propia línea:

La siguiente imagen muestra los scripts de cálculo tal como deberían aparecer en el panel de las expresiones de cálculo en este punto del tutorial.

/* Calculations to aggregate Internet Sales and Reseller Sales measures */

12. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de formulario, compruebe que está seleccionado [Total Sales Amount] en el panel

Organizador de script y haga clic en Nuevo miembro calculado.

13. Cambie el nombre de este nuevo miembro calculado por [Total Product Cost] y, a continuación, cree la siguiente expresión en el cuadro Expresión:

14. En la lista Cadena de formato, seleccione "Moneda".

15. En la lista Comportamiento si no está vacío, active las casillas Internet Sales-Total Product Cost y Reseller Sales-Total Product Cost y haga clic en Aceptar.

Ahora ha definido dos miembros calculados y ambos son visibles en el panel Organizador de script. Estos miembros calculados pueden ser utilizados por otros

cálculos definidos posteriormente en el script de cálculo. Puede ver la definición de cualquier miembro calculado seleccionando el miembro calculado en el panelOrganizador de script; la definición del miembro calculado aparecerá en el panel de las expresiones de cálculo de la vista Formulario. Los miembros

calculados recientemente definidos no aparecerán en el panel Herramientas de cálculo hasta que se hayan implementado estos objetos. Los cálculos norequieren procesamiento.

Definir cálculos de margen de beneficio bruto

1. Compruebe que [Costo total del producto] está seleccionado en el panel Organizador de scripts y, a continuación, haga clic en Nuevo miembro calculado en

la barra de herramientas de la pestaña Cálculos.

2. En el cuadro Nombre, cambie el nombre de esta nueva medida calculada por [Internet GPM].

3. En el cuadro Expresión, cree la siguiente expresión MDX:

4. En la lista Cadena de formato, seleccione "Porcentaje".

5. En la lista Comportamiento si no está vacío, active la casilla de Internet Sales-Sales Amount y, a continuación, haga clic en Aceptar.


7. En el cuadro Nombre, cambie el nombre de esta nueva medida calculada por [Reseller GPM].



10. En la lista Comportamiento si no está vacío, active la casilla de Reseller Sales-Sales Amount y, a continuación, haga clic en Aceptar.


12. En el cuadro Nombre, cambie el nombre de esta nueva medida calculada por [Total GPM].


Observe que este miembro calculado hace referencia a otros miembros calculados. Como este miembro calculado se calculará después de los miembroscalculados a los que hace referencia, se tratará de un miembro calculado válido.



16. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de script y revise los tres cálculos que acaba de agregar al script de cálculo.

[Measures].[Internet Sales-Total Product Cost] + [Measures].[Reseller Sales-Total Product Cost]

([Measures].[Internet Sales-Sales Amount] -

[Measures].[Internet Sales-Total Product Cost]) /

[Measures].[Internet Sales-Sales Amount]

([Measures].[Reseller Sales-Sales Amount] -

[Measures].[Reseller Sales-Total Product Cost]) /

[Measures].[Reseller Sales-Sales Amount]

([Measures].[Total Sales Amount] -

[Measures].[Total Product Cost]) /

[Measures].[Total Sales Amount]

17. Agregue una nueva línea al script de cálculo inmediatamente anterior al cálculo [Internet GPM] y, a continuación, agregue el siguiente texto al script en supropia línea:

La siguiente imagen muestra el panel Expresiones con los tres cálculos nuevos.

Definir el porcentaje de los cálculos totales

1. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de formulario.

2. En el panel Organizador de script, seleccione [Total GPM] y, a continuación, haga clic en Nuevo miembro calculado en la barra de herramientas de la pestañaCálculos.

Si hace clic en el miembro calculado final del panel Organizador de script antes de hacer clic en Nuevo miembro calculado se asegurará de que el nuevomiembro calculado se escribe al final del script. Los scripts se ejecutan en el orden en el que aparecen en el panel Organizador de script.

3. Cambie el nombre de este nuevo miembro calculado por [Internet Sales Ratio to All Products].

4. Escriba la siguiente expresión en el cuadro Expresión:

Esta expresión MDX calcula la contribución al total de ventas por Internet de cada producto. La instrucción Case junto con la función IS EMPTY garantiza que nose produzca un error de división por cero cuando un producto no tiene ventas.


6. En la lista Comportamiento si no está vacío, active la casilla de Internet Sales-Sales Amount y, a continuación, haga clic en Aceptar.


8. Cambie el nombre de este miembro calculado por [Reseller Sales Ratio to All Products].



/* Calculations to calculate gross profit margin */

Case

When IsEmpty( [Measures].[Internet Sales-Sales Amount] )

Then 0

Else ( [Product].[Product Categories].CurrentMember,

[Measures].[Internet Sales-Sales Amount]) /

( [Product].[Product Categories].[(All)].[All],

[Measures].[Internet Sales-Sales Amount] )

End

Case

When IsEmpty( [Measures].[Reseller Sales-Sales Amount] )

Then 0


[Measures].[Reseller Sales-Sales Amount]) /


[Measures].[Reseller Sales-Sales Amount] )

End

11. En la lista Comportamiento si no está vacío, active la casilla de Reseller Sales-Sales Amount y, a continuación, haga clic en Aceptar.


13. Cambie el nombre de este miembro calculado por [Total Sales Ratio to All Products].




17. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de script y, a continuación, revise los tres cálculos que acaba de agregar al script decálculo.

18. Agregue una nueva línea al script de cálculo inmediatamente anterior al cálculo [Internet Sales Ratio to All Products] y, a continuación, agregue el siguientetexto al script en su propia línea:

Ahora ha definido un total de ocho miembros calculados, que están visibles en el panel Organizador de scripts cuando se está en la Vista de formulario.

Examinar los nuevos miembros calculados


2. Cuando la implementación se haya completado correctamente, vaya a la pestaña Explorador y, a continuación, haga clic en Volver a conectar.


4. En el panel Lista de campos de la tabla dinámica, expanda la carpeta Valores para ver los nuevos miembros calculados de la dimensión Medidas.

5. Arrastre Importe de venta total al área Valores y revise los resultados.

Arrastre las medidas Internet Sales-Sales Amount y Reseller Sales-Sales Amount desde los grupos de medida Internet Sales y Reseller Sales hasta el áreaValores.

Observe que la medida Total Sales Amount es la suma de las medidas Internet Sales-Sales Amount y Reseller Sales-Sales Amount.

6. Agregue la jerarquía definida por el usuario Categorías de producto al área de filtro del área Filtro de informe y, a continuación, filtre los datos por Mountain

Bikes.

Observe que la medida Total Sales Amount se calcula para la categoría de ventas del producto Mountain Bikes según las medidas Internet Sales-Sales

Amount y Reseller Sales-Sales Amount de Mountain Bikes.

7. Agregue la jerarquía definida por el usuario Date.Calendar Date al área Etiquetas de fila y revise los resultados.

Observe que la medida Total Sales Amount de cada año natural se calcula para la categoría de ventas del producto Mountain Bikes según las medidasInternet Sales-Sales Amount y Reseller Sales-Sales Amount de Mountain Bikes.

8. Agregue las medidas Total GPM, Internet GPM y Reseller GPM al área Valores y, a continuación, revise los resultados.

Observe que el margen de beneficio bruto para la venta del distribuidor es notablemente inferior al de las ventas a través de Internet, como se muestra en laimagen siguiente.

Case

When IsEmpty( [Measures].[Total Sales Amount] )

Then 0


[Measures].[Total Sales Amount]) /


[Measures].[Total Sales Amount] )

End

/* Calculations to calculate percentage of product to total product sales */

9. Agregue las medidas Total Sales Ratio to All Products, Internet Sales Ratio to All Products y Reseller Sales Ratio to All Products al área Valores.

Observe que el ratio de las ventas de bicicletas de montaña en relación con todos los productos ha aumentado con el tiempo para las ventas por Internet, peroha disminuido con el tiempo para la venta del distribuidor. Observe también que el ratio de la venta de bicicletas de montaña con respecto a todos losproductos es inferior en la venta por distribuidor que en la venta por Internet.

10. Cambie el filtro de Mountain Bikes a Bikes, y revise los resultados.

Observe que el margen de beneficio bruto de todas las bicicletas vendidas a través de distribuidores es negativo, porque las bicicletas de paseo y las bicicletasde carrera se están vendiendo con pérdida.

11. Cambie el filtro a Accessories y, a continuación, revise los resultados.

Observe que la venta de accesorios aumenta con el tiempo pero que estas ventas constituyen solo una pequeña fracción del total de ventas. Observe tambiénque el margen de beneficio bruto para la venta de accesorios es superior que para las bicicletas.



Vea también

ConceptosCálculosCálculos en modelos multidimensionalesCrear miembros calculados







Un conjunto con nombre es una expresión de Expresiones multidimensionales ﴾MDX﴿ que devuelve un conjunto de miembros de dimensión. Puede definir conjuntos con

nombre y guardarlos como parte de la definición del cubo; también puede crear conjuntos con nombre en aplicaciones cliente. Puede crear conjuntos con nombre

combinando datos del cubo, operadores aritméticos, números y funciones. Los usuarios pueden usar los conjuntos con nombre en consultas MDX en aplicaciones cliente

y también pueden usarse para definir conjuntos en subcubos. Un subcubo es una colección de conjuntos unidos de forma cruzada que restringe el espacio del cubo alsubespacio definido para instrucciones posteriores. La definición de un espacio del cubo restringido es un concepto fundamental para el scripting de MDX.

Los conjuntos con nombre simplifican las consultas MDX y ofrecen alias útiles para expresiones de conjunto complejas utilizadas con normalidad. Por ejemplo, puede

definir un conjunto con nombre denominado Large Resellers que contenga el conjunto de miembros de dimensión Reseller que tenga la mayoría de los empleados. Los

usuarios finales podrían entonces utilizar el conjunto con nombre Large Resellers en consultas, o utilizar el conjunto con nombre para definir un conjunto en un subcubo.Las definiciones de los conjuntos con nombre se almacenan, pero sus valores solo existen en la memoria. Para crear un conjunto con nombre, utilice el comando Nuevo

conjunto con nombre en la pestaña Cálculos del Diseñador de cubos. Para obtener más información, vea Cálculos y Crear conjuntos con nombre.

En las tareas de este tema, definirá dos conjuntos con nombre: un conjunto con nombre Core Products y un conjunto con nombre Large Resellers.

Definir un conjunto con nombre Core Products

1. Cambie a la pestaña Cálculos del Diseñador de cubos para el cubo Tutorial de Analysis Services y, a continuación, haga clic en Vista de formulario en la barra

de herramientas.

2. Haga clic en [Total Sales Ratio to All Products] en el panel Organizador de script y, a continuación, haga clic en Nuevo conjunto con nombre en la barra de

herramientas de la pestaña Cálculos.

Al definir un nuevo cálculo en la pestaña Cálculos, recuerde que los cálculos se resuelven en el orden en el que aparecen en el panel Organizador de script. Su

enfoque en dicho panel al crear un nuevo cálculo determinará el orden de la ejecución del cálculo; un nuevo cálculo se define inmediatamente después delcálculo especificado.

3. En el cuadro Nombre, cambie el nombre del nuevo conjunto con nombre por [Core Products].

En el panel Organizador de script, observe el icono único que diferencia un conjunto con nombre de un comando de script o de un miembro calculado.

4. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Producto, Categoría, Miembros y All Products.

Nota

Si no puede ver los metadatos en el panel Herramientas de cálculo, haga clic en Volver a conectar en la barra de herramientas. Si esto no funciona, puede

que tenga que procesar el cubo o iniciar la instancia de Analysis Services.

5. Arrastre Bikes al cuadro Expresión.

Ahora ha creado una expresión de conjunto que devolverá el conjunto de miembros que esté en la categoría Bike de la dimensión Product.

Definir un conjunto con nombre Large Resellers

1. Haga clic con el botón secundario en [Core Products] en el panel Organizador de scripts y, a continuación, haga clic en Nuevo conjunto con nombre.

2. En el cuadro Nombre, cambie el nombre de este conjunto con nombre por [Large Resellers].

3. En el cuadro Expresión, escriba Exists().

Utilizará la función Exists para devolver el conjunto de miembros de la jerarquía de atributo Reseller Name que forma intersección con el conjunto de miembrosde la jerarquía de atributo Number of Employees que tiene el mayor número de empleados.

4. En la pestaña Metadatos del panel Herramientas de cálculo, expanda la dimensión Reseller y, a continuación, expanda la jerarquía de atributo Reseller Name.

5. Arrastre el nivel Nombre del distribuidor hasta el paréntesis para la expresión de conjunto Exists.

Usará la función Members para devolver todos los miembros de este conjunto. Para obtener más información, vea Members (Set) (MDX).

6. Después de la expresión de conjunto parcial, escriba un punto y, a continuación, agregue la función Members. La expresión tendrá el siguiente aspecto:

Ahora que ha definido el primer conjunto para la expresión de conjunto Exists, estará listo para agregar el segundo conjunto ﴾el conjunto de miembros dedimensión Reseller que contenga el mayor número de empleados﴿.

7. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Número de empleados en la dimensión Reseller, expanda Miembros y, a continuación,All Resellers.

Observe que los miembros de esta jerarquía de atributo no están agrupados.

8. Abra el Diseñador de dimensiones para la dimensión Reseller y, a continuación, haga clic en Number of Employees en el panel Atributos.

9. En la ventana Propiedades, cambie la propiedad DiscretizationMethod a Automatic y, a continuación, cambie la propiedad DiscretizationBucketCount a 5.

Para obtener más información, vea Agrupar miembros de atributos ﴾discretización﴿.

SQL Server 2014

Exists([Reseller].[Reseller Name].[Reseller Name].Members)






11. Cuando la implementación haya finalizado correctamente, vaya al Diseñador de cubos del cubo Analysis Services Tutorial y, a continuación, haga clic en Volver a

conectar en la barra de herramientas de la pestaña Cálculos.

12. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Número de empleados en la dimensión Reseller, expanda Miembros y, a continuación,All Resellers.

Observe que los miembros de esta jerarquía de atributos están contenidos ahora en cinco grupos, numerados de 0 a 4. Para ver el número de un grupo, pauseel puntero sobre ese grupo para ver un recuadro informativo. Para el intervalo 2 -17, el recuadro informativo debe contener [Reseller].[Number of

Employees].&[0].

Los miembros de esta jerarquía de atributo están agrupados porque la propiedad DiscretizationBucketCount está establecida en 5 y la propiedad

DiscretizationMethod está establecida en Automatic.

13. En el cuadro Expresión, agregue una coma a la expresión de conjunto Exists después de la función Members y antes de cerrar el paréntesis y, a continuación,arrastre 83 - 100 desde el panel Metadatos y colóquelo después de la coma.

Ahora ha completado la expresión de conjunto Exists que devolverá el conjunto de miembros que forma intersección con estos dos conjuntos especificados, elconjunto de todos los distribuidores y el conjunto de los distribuidores que tengan de 83 a 100 empleados, cuando el conjunto con nombre Large Resellers se

coloca en un eje.

La siguiente imagen muestra el panel de las expresiones de cálculo para el conjunto con nombre [Large Resellers].

14. En la barra de herramientas de la pestaña Cálculos, haga clic en Vista de script y, a continuación, revise los dos conjuntos con nombre que acaba de agregar alscript de cálculo.

15. Agregue una nueva línea al script de cálculo inmediatamente anterior al primer comando CREATE SET y, a continuación, agregue el siguiente texto al script en supropia línea:

Ahora ha definido dos conjuntos con nombre y ambos son visibles en el panel Organizador de script. Ya puede implementar estos conjuntos con nombre y

examinar estas medidas en el cubo Tutorial de Analysis Services.

Examinar el cubo mediante los nuevos conjuntos con nombre

1. En el menú Compilar de SQL Server Data Tools, haga clic en Tutorial de Implementar Analysis Services.

2. Cuando la implementación se haya completado correctamente, haga clic en la pestaña Explorador y, a continuación, haga clic en Volver a conectar.

3. Borre la cuadrícula del panel de datos.

4. Agregue la medida Reseller Sales-Sales Amount al área de datos.

5. Expanda la dimensión Product y, a continuación, agregue Category y Subcategory al área de fila, como se muestra en la ilustración siguiente.

/* named sets */

6. En el panel Metadatos , en la dimensión Product, arrastre Core Products el área de filtro.

Observe que solo el miembro Bike del atributo Category y los miembros de las subcategorías Bike permanecen en el cubo. Esto se debe a que se usa el

conjunto con nombre Core Products para definir un subcubo. Este subcubo limita los miembros del atributo Category en la dimensión Product del subcubo a

los miembros del conjunto con nombre Core Products, tal como se muestra en la ilustración siguiente.

7. En el panel Metadatos , expanda Distribuidor y agregue Grandes distribuidores al área de filtro.

Observe que la medida Importe de datos del distribuidor del panel Datos solo muestra importes de venta para los grandes distribuidores de bicicletas. Observe

también que el panel Filtro muestra ahora los dos conjuntos con nombre que se utilizan para definir este subcubo en particular, tal como muestra la siguienteimagen.


Defining Subcubes and Assigning Calculations Using Script Commands

Vea también

ConceptosCálculosCrear conjuntos con nombre





Lección 7: definir indicadores clave de rendimiento ﴾KPI﴿

En esta lección, aprenderá a definir indicadores clave de rendimiento ﴾KPI﴿ en su proyecto de Analysis Services. Los KPI proporcionan un marco para definir cálculos delservidor que midan su negocio y estandarizar la forma en que aparezca la información resultante. Los KPI pueden aparecer en informes, portales y paneles, mediante las

API de acceso a datos, y mediante herramientas de Microsoft y herramientas de terceros. Los KPI son contenedores de metadatos alrededor de medidas normales y otras

expresiones de Expresiones multidimensionales (MDX). Para obtener más información, vea Indicadores clave de rendimiento (KPI) en modelos multidimensionales.

Nota


Esta lección incluye la tarea siguiente:

Definir y examinar KPI

En esta tarea, se definen los KPI en la vista Formulario y, a continuación, se va a la vista Explorador para examinar los datos del cubo mediante los KPI.

Lección siguiente

Lección 8: definir acciones

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Indicadores clave de rendimiento (KPI) en modelos multidimensionales


SQL Server 2014








Definir y examinar KPI

Para definir indicadores clave de rendimiento ﴾KPI﴿, deberá primero definir un nombre de KPI y el grupo de medida con el que desea asociar el KPI. Un KPI se puede

asociar con todos los grupos de medida o con un solo grupo de medida. Se definirán entonces los siguientes elementos del KPI:

La expresión de valor

Una expresión de valor es una medida física como ventas, una medida calculada como utilidad o ganancia o un cálculo que se define dentro del KPI mediante unaexpresión de Expresiones Multidimensionales ﴾MDX﴿.

La expresión objetivo

Una expresión objetivo es un valor, o una expresión MDX que se resuelve en un valor, que define el objetivo de la medida definida por la expresión de valor. Por

ejemplo, una expresión objetivo podría ser la cantidad en la que los responsables de una compañía desean incrementar las ventas o el beneficio.

La expresión de estado

Una expresión de estado es una expresión MDX que Analysis Services utiliza para evaluar el estado actual de la expresión de valor en comparación con laexpresión objetivo. Una expresión objetivo es un valor normalizado en el rango de ‐1 a +1, donde ‐1 es muy malo y +1 es muy bueno. La expresión de estadomuestra un gráfico para ayudarle a determinar fácilmente el estado de la expresión de valor en comparación con la expresión objetivo.

La expresión de tendencia

Una expresión de tendencia es una expresión MDX que Analysis Services utiliza para evaluar la tendencia actual de la expresión de valor en comparación con laexpresión objetivo. La expresión de tendencia ayuda al usuario corporativo a determinar rápidamente si la expresión de valor está mejorando o empeorando enrelación con la expresión objetivo. Puede asociar uno de los diversos gráficos con la expresión de tendencia para ayudar a los usuarios corporativos a comprenderrápidamente la tendencia.

Además de estos elementos definidos para un KPI, también deben definirse varias propiedades de un KPI. Estas propiedades incluyen una carpeta de muestra, un KPI

primario si el KPI se calcula desde otros KPI, el miembro de hora actual si lo hay, el peso del KPI si lo tiene y una descripción del KPI.

Nota

Para obtener más ejemplos de KPI, vea los ejemplos de KPI en la pestaña Plantillas del panel Herramientas de cálculo o en los ejemplos del almacenamiento de datosde ejemplo Adventure Works DW 2012. Para obtener más información sobre cómo instalar esta base de datos, vea Instalar los datos y proyectos de ejemplo para el

tutorial de modelado multidimensional de Analysis Services.

En las tareas de esta lección definirá los KPI del proyecto Tutorial de Analysis Services y, a continuación, examinará el cubo Tutorial de Analysis Services con estos KPI.Definirá los siguientes KPI:

Reseller Revenue

Este KPI se utiliza para medir la forma en que comparar las ventas reales del distribuidor con las cuotas de venta para ventas del distribuidor, la distancia que

separa las ventas del el objetivo y qué tendencia se dirige al objetivo.

Product Gross Profit Margin

Este KPI se utiliza para determinar la distancia que existe entre el margen de beneficio bruto de cada categoría de producto y el objetivo especificado de cadacategoría de producto, y también para determinar la tendencia hasta alcanzar este objetivo.

Definir el KPI Reseller Revenue

1. Abra el Diseñador de cubos para el cubo Tutorial de Analysis Services y, a continuación, haga clic en la pestaña KPI.

La pestaña KPI incluye varios paneles. En la parte izquierda de la pestaña están el panel Organizador de KPI y el panel Herramientas de cálculo. El panel de

información del centro de la pestaña contiene los detalles del KPI seleccionado en el panel Organizador de KPI.

La siguiente imagen muestra la pestaña KPI del Diseñador de cubos.

SQL Server 2014


2. En la barra de herramientas de la pestaña KPI, haga clic en el botón Nuevo KPI.

En el panel de información aparecerá una plantilla de KPI en blanco, como en la siguiente imagen.

3. En el cuadro Nombre, escriba Reseller Revenue y, a continuación, seleccione Reseller Sales en la lista Grupo de medida asociado.

4. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Medidas, Reseller Sales y, a continuación, arrastre la medida Reseller Sales-Sales

Amount al cuadro Expresión de valor.

5. En la pestaña Metadatos del panel Herramientas de cálculo, expanda Medidas, Sales Quotas y, a continuación, arrastre la medida Sales Amount Quota al

cuadro Expresión objetivo.

6. Compruebe que está seleccionado Indicador en la lista Indicador de estado y, a continuación, escriba la siguiente expresión MDX en el cuadro Expresión deestado:

Esta expresión MDX proporciona lo básico para evaluar el progreso hacia el objetivo. En esta expresión MDX, si las ventas reales del distribuidor están porencima del 85 por ciento del objetivo, se utilizará un valor de 0 para llenar el gráfico seleccionado. Como el gráfico seleccionado es un indicador, el puntero delindicador estará a mitad de camino entre el estado vacío y el lleno. Si las ventas reales por distribuidor están por encima del 90 por ciento, el puntero delindicador ocupará tres cuartas partes del espacio entre vacío y lleno.

7. Compruebe que está seleccionado Flecha estándar en la lista Indicador de tendencia y, a continuación, escriba la siguiente expresión en el cuadro Expresiónde tendencia:

Case

When

KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")>=.95

Then 1

When

KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")<.95

And

KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")>=.85

Then 0

Else-1

End

Esta expresión MDX proporciona lo básico para evaluar la tendencia hasta lograr el objetivo definido.

Examinar el cubo mediante el KPI Reseller Revenue


2. Cuando la implementación se haya completado correctamente, haga clic en el botón Vista de explorador de la barra de herramientas de la pestaña KPI y, a

continuación, haga clic en Volver a conectar.

Los indicadores de estado y de tendencia aparecen en el panel Examinador de KPI para ventas por distribuidor basadas en valores para el miembro

predeterminado de cada dimensión, junto con el valor para el valor y el objetivo. El miembro predeterminado de cada dimensión es el miembro Todos del nivelTodos, porque no ha definido ningún otro miembro de ninguna otra dimensión como miembro predeterminado.

3. En el panel de filtros, seleccione Sales Territory en la lista Dimensión, seleccione Sales Territories en la lista Jerarquía, seleccione Igual en la lista Operador,

active la casilla North America en la lista Expresión de filtro y, a continuación, haga clic en Aceptar.

4. En la fila siguiente del panel Filtro, seleccione Date en la lista Dimensión, seleccione Calendar Date en la lista Jerarquía, seleccione Igual en la lista Operador,

active la casilla Q3 CY 2007 en la lista Expresión de filtro y, a continuación, haga clic en Aceptar.

5. Haga clic en cualquier sitio del panel Explorador de KPI para actualizar los valores para el KPI Reseller Revenue.

Observe que las secciones Valor, Objetivo y Estado del KPI reflejan los valores para el nuevo período de tiempo.

Definir el KPI Product Gross Profit Margin

1. Haga clic en el botón Vista de formulario de la barra de herramientas de la pestaña KPI y, a continuación, haga clic en el botón Nuevo KPI.

2. En el cuadro Nombre, escriba Product Gross Profit Margin y, a continuación, compruebe que aparece <All> en la lista Grupo de medida asociado.

3. En la pestaña Metadatos del panel Herramientas de cálculo, arrastre la medida Total GPM al cuadro Expresión de valor.

4. En el cuadro Expresión objetivo, escriba la expresión siguiente:

Case

When IsEmpty

(ParallelPeriod

([Date].[Calendar Date].[Calendar Year],1,

[Date].[Calendar Date].CurrentMember))

Then 0

When (

KpiValue("Reseller Revenue") -

(KpiValue("Reseller Revenue"),

ParallelPeriod



/

(KpiValue ("Reseller Revenue"),

ParallelPeriod


[Date].[Calendar Date].CurrentMember)))

>=.02

Then 1

When(

KpiValue("Reseller Revenue") -

(KpiValue ( "Reseller Revenue" ),

ParallelPeriod



/

(KpiValue("Reseller Revenue"),

ParallelPeriod


[Date].[Calendar Date].CurrentMember)))

<=.02

Then -1

Else 0

End

Case

When [Product].[Category].CurrentMember Is

[Product].[Category].[Accessories]

Then .40

When [Product].[Category].CurrentMember

Is [Product].[Category].[Bikes]

Then .12


5. En la lista Indicador de estado, seleccione Cilindro.

6. Escriba la siguiente expresión MDX en el cuadro Expresión de estado:

Esta expresión MDX proporciona lo básico para evaluar el progreso hacia el objetivo.

7. Compruebe que está seleccionado Flecha estándar en la lista Indicador de tendencia y, a continuación, escriba la siguiente expresión MDX en el cuadroExpresión de tendencia:

[Product].[Category].[Clothing]

Then .20


[Product].[Category].[Components]

Then .10

Else .12

End

Case

When KpiValue( "Product Gross Profit Margin" ) /

KpiGoal ( "Product Gross Profit Margin" ) >= .90

Then 1

When KpiValue( "Product Gross Profit Margin" ) /

KpiGoal ( "Product Gross Profit Margin" ) < .90

And

KpiValue( "Product Gross Profit Margin" ) /

KpiGoal ( "Product Gross Profit Margin" ) >= .80

Then 0

Else -1

End

Case

When IsEmpty

(ParallelPeriod



Then 0

When VBA!Abs

(

KpiValue( "Product Gross Profit Margin" ) -

(

KpiValue ( "Product Gross Profit Margin" ),

ParallelPeriod

(

[Date].[ Calendar Date].[ Calendar Year],

1,

[Date].[ Calendar Date].CurrentMember

)

) /

(


ParallelPeriod

(


1,


)

)

) <=.02

Then 0

When KpiValue( "Product Gross Profit Margin" ) -

(


ParallelPeriod

(


1,


)

) /

(


ParallelPeriod

(

[Date].[Calendar Date].[Calendar Year],

1,

[Date].[Calendar Date].CurrentMember

)

) >.02

Then 1

Else -1

End

Esta expresión MDX proporciona lo básico para evaluar la tendencia hasta lograr el objetivo definido.

Examinar el cubo mediante el KPI Total Gross Profit Margin


2. Cuando la implementación haya finalizado correctamente, haga clic en Volver a conectar en la barra de herramientas de la pestaña KPI y, a continuación, hagaclic en Vista de explorador.

Aparece el KPI Product Gross Profit Margin y muestra el valor de KPI para Q3 CY 2007 y el territorio de ventas North America.

3. En el panel Filtro, seleccione Product en la lista Dimensión, seleccione Category en la lista Jerarquía, seleccione Igual en la lista Operador y, a continuación,seleccione Bikes en la lista Expresión de filtro; después, haga clic en Aceptar.

Aparecerá el margen de beneficio bruto para la venta de bicicletas por distribuidor en Norteamérica en el tercer trimestre de 2007.

Lección siguiente





En esta lección, aprenderá a definir acciones en el proyecto de Analysis Services. Una acción es solo una instrucción de Expresiones multidimensionales ﴾MDX﴿ que sealmacena en Analysis Services y que se puede incorporar en las aplicaciones cliente e iniciarse por el usuario.

Nota


Analysis Services admite los tipos de acciones descritos en la siguiente tabla.

CommandLine Ejecuta un comando en el símbolo del sistema.

Conjunto de datos Devuelve un conjunto de datos a una aplicación cliente.

Obtener detalles Devuelve una instrucción de obtención de detalles como una expresión, que el cliente ejecuta para devolver un conjunto de filas.

Html Ejecuta un script HTML en un explorador de Internet.

Propietario Realiza una operación mediante una interfaz distinta de las descritas en esta tabla.

Informe Envía una solicitud parametrizada basada en una dirección URL a un servidor de informes y devuelve un informe a una aplicación cliente.

Conjunto de filas Devuelve un conjunto de filas a una aplicación cliente.

Instrucción Ejecuta un comando OLE DB.

Dirección URL Muestra una página web dinámica en un explorador de Internet.

Las acciones permiten a los usuarios iniciar una aplicación o realizar otros pasos en el contexto de un elemento seleccionado. Para obtener más información, vea Acciones

(Analysis Services - Datos multidimensionales), Acciones en modelos multidimensionales

Nota

Para obtener ejemplos de acciones, vea los ejemplos de acciones en la pestaña Plantillas del panel Herramientas de cálculo o en los ejemplos del almacenamiento dedatos de ejemplo Adventure Works DW. Para obtener más información acerca de la instalación de esta base de datos, vea Instalar los datos y proyectos de ejemplo

para el tutorial de modelado multidimensional de Analysis Services.


Definir y utilizar una acción de obtención de detallesEn esta tarea, se define, utiliza y modifica una acción de obtención de detalles a través de la relación de dimensión de hecho definida anteriormente en este tutorial.

Lección siguiente

Lección 9: Definir perspectivas y traducciones

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Acciones (Analysis Services - Datos multidimensionales)

Acciones en modelos multidimensionales


SQL Server 2014











Definir y utilizar una acción de obtención de detalles

El dimensionamiento de datos de hecho mediante una dimensión de hecho sin filtrar correctamente los datos devueltos por la consulta puede producir un rendimientolento de las consultas. Para evitarlo, puede definir una acción de obtención de detalles que restrinja el número total de filas que se devuelven. Esto mejorarásignificativamente el rendimiento de las consultas.

En las tareas de este tema, definirá una acción de obtención de detalles para devolver información detallada de pedidos para las ventas a clientes a través de Internet.

Definir las propiedades de la acción de obtención de detalles

1. En el Diseñador de cubos del cubo Tutorial de Analysis Services, haga clic en la pestaña Acciones.

La pestaña Acciones incluye varios paneles. En la parte izquierda de la pestaña están el panel Organizador de acciones y el panel Herramientas de cálculo. El

panel situado a la derecha de los dos paneles es el panel Mostrar, que contiene los detalles de la acción que está seleccionada en el panel Organizador de

acciones.

La siguiente imagen muestra la pestaña Acciones del Diseñador de cubos.

2. En la barra de herramientas de la pestaña Acciones, haga clic en el botón Nueva acción de obtención de detalles.

Aparecerá una plantilla de Acción en blanco en el panel de información.

SQL Server 2014

3. En el cuadro Nombre, cambie el nombre de esta acción por Internet Sales Details Drillthrough Action.

4. En la lista Miembros de grupo de medida, seleccione Internet Sales.

5. En el cuadro Columnas de obtención de detalles, seleccione Internet Sales Order Details en la lista Dimensiones.

6. En la lista Columnas devueltas, active las casillas Item Description y Order Number y, a continuación, haga clic en Aceptar. La siguiente imagen muestra la

plantilla de Acción con el aspecto que debería tener en este punto del procedimiento.

7. Expanda el cuadro Propiedades adicionales, como en la siguiente imagen.

8. En el cuadro Número máximo de filas, escriba 10.

9. En el cuadro Título, escriba Drillthrough to Order Details….

Esta configuración limita el número de filas devueltas y especifica el título que aparece en el menú de la aplicación cliente. En la ilustración siguiente se muestraesta configuración en el cuadro Propiedadesadicionales.

Usar la acción de obtención de detalles



3. Inicie Excel.

4. Agregue la medida Internet Sales-Sales Amount al área Valores.

5. Agregue la jerarquía definida por el usuario Geografía del cliente desde la carpeta Location de la dimensión Customer al panel Filtro de informe.

6. En la tabla dinámica, en Geografía del cliente, agregue un filtro que seleccione un solo cliente. Expanda sucesivamente All Customers, Australia, Queensland,

Brisbane y 4000, active la casilla correspondiente a Adam Powell y, a continuación, haga clic en Aceptar.

Las ventas totales de productos de Adventure Works Cycles a Adam Powell aparecerán en el área de datos.

7. Haga clic con el botón secundario en el importe de venta, seleccione Acciones adicionales y, a continuación, haga clic en Drillthrough to Order Details.

La información detallada de los pedidos enviados a Adam Powell aparecerá en el Visor de muestras de datos, como se muestra en la ilustración siguiente. Sin

embargo, algunos detalles adicionales podrían ser igualmente útiles, caso de la fecha del pedido, la fecha de vencimiento y la fecha de envío. En el siguiente

procedimiento, agregará estos detalles adicionales.

8. Cerrar Excel/

Modificar la acción de obtención de detalles

1. Abra el Diseñador de dimensiones para la dimensión Detalles del pedido de venta por Internet.

Observe que solo se han definido tres atributos para esta dimensión.

2. En el panel Vista del origen de datos, haga clic con el botón secundario en un área abierta y, a continuación, haga clic en Mostrar todas las tablas.

3. En el menú Formato, elija Diseño automático y haga clic en Diagrama.

4. Busque la tabla InternetSales (dbo.FactInternetSales); para ello, haga clic con el botón secundario en un área abierta del panel Vista del origen de datos. A

continuación, haga clic en Buscar tabla, en InternetSales y, por último, en Aceptar.

5. Cree nuevos atributos basados en las siguientes columnas:

OrderDateKey

DueDateKey

ShipDateKey

6. Cambie la propiedad Nombre del atributo Order Date Key por Order Date. A continuación, haga clic en el botón de exploración de la propiedad Columna de

nombre y, en el cuadro de diálogo Columna de nombre, seleccione Date como tabla de origen y SimpleDate como columna de origen. Haga clic en Aceptar.

7. Cambie la propiedad Nombre del atributo Due Date Key por Due Date y, a continuación, usando el mismo método que en el caso del atributo Order Date Key,

cambie la propiedad Columna de nombre de este atributo por Date.SimpleDate (WChar).

8. Cambie la propiedad Nombre del atributo Ship Date Key por Ship Date y, a continuación, cambie la propiedad Columna de nombre de este atributo por

Date.SimpleDate (WChar).

9. Vaya a la pestaña Acciones del Diseñador de cubos para el cubo Analysis Services Tutorial.

10. En el cuadro Columnas de obtención de detalles, active las casillas para agregar las siguientes columnas a la lista Columnas devueltas y, a continuación, hagaclic en Aceptar:

Order Date (Fecha de pedido)

Due Date (Fecha de vencimiento)

Ship Date ﴾Fecha de envío﴿

La siguiente imagen muestra estas columnas seleccionadas.

Revisar la acción de obtención de detalles modificada


2. Cuando la implementación se haya completado correctamente, vaya a la pestaña Explorador del Diseñador de cubos para el cubo Tutorial de Analysis Servicesy, a continuación, haga clic en el botón Volver a conectar.

3. Inicie Excel.

4. Vuelva a crear la tabla dinámica usando Internet Sales-Sales Amount en el área Valores y Geografía del cliente en el Filtro de informe.

Agregue un filtro que seleccione All Customers, Australia, Queensland, Brisbane, 4000, Adam Powell.

5. Haga clic en la celda de datos de Internet Sales-Sales Amount , seleccione Acciones adicionales y, a continuación, haga clic en Drillthrough to Order Details.

La información detallada de estos pedidos enviados a Adam Powell aparecerá en una hoja de cálculo temporal. Dicha información incluye la descripción de losartículos, el número y la fecha de pedido, la fecha de vencimiento y la fecha de envío, como se muestra en la ilustración siguiente.

Lección siguiente


Vea también

TasksDefinir una relación de hechosConceptosAcciones (Analysis Services - Datos multidimensionales)

Acciones en modelos multidimensionales

Relaciones de dimensiónDefinir relaciones de hechos y propiedades de las relaciones de hechos









En esta lección, aprenderá a definir perspectivas y traducciones. Puede definir perspectivas para reducir la complejidad aparente de un cubo y definir traducciones que

permitan a los usuarios ver los metadatos del cubo en el idioma que desee.

Nota



Definir y examinar perspectivas

En esta tarea, se definen y examinan perspectivas para simplificar la vista del cubo para usuarios o usos específicos.

Definir y examinar traducciones

En esta tarea, se definen y examinan traducciones de metadatos específicos en determinados idiomas.

Lección siguiente

Lección 10: definir roles administrativos

Vea también


Creación de modelos multidimensionales ﴾tutorial de Adventure Works﴿Perspectivas

Perspectivas de modelos multidimensionales

Traducciones de dimensiones

Traducciones de cubos

Traducciones (Analysis Services - Datos multidimensionales)


SQL Server 2014












Definir y examinar perspectivas

Una perspectiva puede simplificar la vista de un cubo para fines específicos. De manera predeterminada, los usuarios pueden ver todos los elementos de un cubo para

los que tengan permisos. Lo que observan los usuarios cuando ven un cubo Analysis Services entero es la perspectiva predeterminada del cubo. Una vista de todo el

cubo puede resultar muy compleja para que los usuarios naveguen por ella, en especial aquellos usuarios que solo necesitan interactuar con una pequeña parte del cuboa fin de satisfacer sus requisitos de informes e inteligencia empresarial.

Para reducir la aparente complejidad de un cubo, puede crear subconjuntos visibles del cubo, denominados perspectivas, que solo muestran a los usuarios una parte

definida de los grupos de medida, medidas, dimensiones, atributos, jerarquías, indicadores clave de rendimiento ﴾KPI﴿, acciones y miembros calculados del cubo. Esto

puede ser especialmente útil para trabajar con aplicaciones cliente que se escribieron para una versión anterior de Analysis Services. Estos clientes, por ejemplo, no tienen

el concepto de carpetas o perspectivas para mostrar, pero aparece una perspectiva para los clientes antiguos como si fuera un cubo. Para obtener más información, veaPerspectivas y Perspectivas de modelos multidimensionales.

Nota

Una perspectiva no es un mecanismo de seguridad sino, más bien, una herramienta para proporcionar una mejor experiencia del usuario. Toda la seguridad de una

perspectiva se hereda del cubo subyacente.

En las tareas de este tema, definirá varias perspectivas diferentes y, a continuación, examinará el cubo a través de cada una de estas nuevas perspectivas.

Definir una perspectiva Internet Sales

1. Abra el Diseñador de cubos para el cubo Tutorial de Analysis Services y, a continuación, haga clic en la pestaña Perspectivas.

Todos los objetos y sus tipos de objeto aparecen en el panel Perspectivas, como en la siguiente imagen.

2. En la barra de herramientas de la pestaña Perspectivas, haga clic en el botón Nueva perspectiva.

Una nueva perspectiva aparece en la columna Nombre de perspectiva con un nombre predeterminado de Perspectiva, como se muestra en la siguiente

imagen. Observe que la casilla de cada objeto está seleccionada; hasta que no desactive la casilla de un objeto, esta perspectiva será idéntica a la perspectivapredeterminada de este cubo.

SQL Server 2014



3. Cambie el nombre de perspectiva por Internet Sales.

4. En la fila siguiente, establezca DefaultMeasure en Internet Sales-Sales Amount.

Cuando los usuarios examinen el cubo mediante esta perspectiva, esta será la medida que los usuarios verán a menos que especifiquen alguna otra medida.

Nota

También puede establecer la medida predeterminada para todo el cubo Analysis Services Tutorial en la ventana Propiedades de la pestaña Estructura de

cubo del cubo.

5. Desactive la casilla de los siguientes objetos:

Grupo de medida Reseller Sales

Grupo de medida Sales Quotas

Grupo de medida Sales Quotas 1

Dimensión de cubo Reseller

Dimensión de cubo Reseller Geography

Dimensión de cubo Sales Territory

Dimensión de cubo Employee

Dimensión de cubo Promotion

KPI Reseller Revenue

Conjunto con nombre Large Resellers

Miembro calculado Total Sales Amount

Miembro calculado Total Product Cost

Miembro calculado Reseller GPM

Miembro calculado Total GPM

Miembro calculado Reseller Sales Ratio to All Products

Miembro calculado Total Sales Ratio to All Products

Estos objetos no tienen relación con Internet Sales.

Nota

Dentro de cada dimensión, también puede seleccionar individualmente las jerarquías definidas por el usuario y los atributos que desee que aparezcan en unaperspectiva.

Definir una perspectiva Reseller Sales


2. Cambie el nombre de la nueva perspectiva por Reseller Sales.

3. Establezca Reseller Sales-Sales Amount como medida predeterminada.

Cuando los usuarios examinen el cubo mediante esta perspectiva, esta medida será la medida que los usuarios verán a menos que especifiquen alguna otramedida.


Grupo de medida Internet Sales

Grupo de medida Internet Sales Reason

Dimensión de cubo Customer

Dimensión de cubo Internet Sales Order Details

Dimensión de cubo Sales Reason

Acción de obtención de detalles Internet Sales Details Drillthrough Action

Miembro calculado Total Sales Amount

Miembro calculado Total Product Cost

Miembro calculado Internet GPM

Miembro calculado Total GPM

Miembro calculado Internet Sales Ratio to All Products

Miembro calculado Total Sales Ratio to All Products

Estos objetos no tienen relación con Resellers Sales.

Definir una perspectiva Sales Summary


2. Cambie el nombre de la nueva perspectiva por Sales Summary.

Nota

No puede especificar una medida calculada como medida predeterminada.


Grupo de medida Internet Sales

Grupo de medida Reseller Sales

Grupo de medida Internet Sales Reason

Grupo de medida Sales Quotas

Grupo de medida Sales Quotas1

Dimensión de cubo Internet Sales Order Details

Dimensión de cubo Sales Reason

Acción de obtención de detalles Internet Sales Details Drillthrough Action

4. Active la casilla de los siguientes objetos:

Medida Internet Sales Count

Medida Reseller Sales Count

Examinar el cubo a través de cada perspectiva


2. Cuando la implementación se haya completado correctamente, vaya a la pestaña Explorador y, a continuación, haga clic en el botón Volver a conectar.

3. Inicie Excel.

4. Analizar en Excel le pedirá que elija qué perspectiva desea usar al examinar el modelo en Excel, como se muestra en la ilustración siguiente.

5. Como alternativa, puede iniciar Excel en el menú Inicio de Windows, definir una conexión a la base de datos Tutorial de Analysis Services en localhost y elegir unaperspectiva en el Asistente para la conexión de datos, como se muestra en la ilustración siguiente.

6. Seleccione Internet Sales en la lista Perspectiva y, después, examine las medidas y dimensiones en el panel de metadatos.

Observe que solo aparecen aquellos objetos especificados para la perspectiva Internet Sales.

7. En el panel de metadatos, expanda Medidas.

Observe que solo aparece el grupo de medida Internet Sales, junto con los miembros calculados Internet GPM e Internet Sales Ratio to All Products.

8. En el modelo, seleccione Excel de nuevo. Seleccione Sales Summary.

Observe que en cada uno de estos grupos de medida, solo aparece una única medida, tal como se muestra en la siguiente imagen.



Vea también

ConceptosPerspectivas

Perspectivas de modelos multidimensionales






Una traducción es una representación de los nombres de objetos de Analysis Services en un idioma específico. Entre estos objetos se incluyen grupos de medida,

medidas, dimensiones, atributos, jerarquías, KPI, acciones y miembros calculados. Las traducciones ofrecen compatibilidad de servidor para aplicaciones cliente que

admitan varios idiomas. Mediante el uso de dicho cliente, éste pasa el identificador local ﴾LCID﴿ a la instancia de Analysis Services, que utiliza el LCID para determinar elconjunto de traducciones que se va a utilizar al proporcionar metadatos para los objetos de Analysis Services. Si un objeto de Analysis Services no contiene una

traducción para ese idioma o no contiene una traducción para un objeto determinado, al devolver los metadatos de objeto al cliente se usa el idioma predeterminado.Por ejemplo, si un usuario corporativo de Francia tiene acceso a un cubo de una estación de trabajo con configuración regional francesa, el usuario corporativo verá lostítulos y valores de propiedades de miembro en francés si existe una traducción al francés. Sin embargo, si un usuario corporativo de Alemania tiene acceso al mismo

cubo desde una estación de trabajo con una configuración regional en alemán, verá los títulos y los valores de propiedades de miembro en alemán. Para obtener másinformación, vea Traducciones de dimensiones, Traducciones de cubos y Traducciones (Analysis Services - Datos multidimensionales).

En las tareas de este tema, se definen las traducciones de metadatos de un conjunto limitado de objetos de dimensión de la dimensión Date y de objetos de cubo delcubo Analysis Services Tutorial. Entonces podrá buscar entre estos objetos de dimensión y de cubo para examinar las traducciones de metadatos.

Especificar traducciones para los metadatos de la dimensión Date

1. Abra el Diseñador de dimensiones para la dimensión Date y, a continuación, haga clic en la pestaña Traducciones.

Aparecen los metadatos en el idioma predeterminado de dicho objeto de dimensión. El idioma predeterminado en el cubo Analysis Services Tutorial es el inglés.

2. En la barra de herramientas de la pestaña Traducciones, haga clic en el botón Nueva traducción.

Aparecerá una lista de idiomas en el cuadro de diálogo Seleccionar idioma.

3. Haga clic en Español ﴾España﴿ y, después, en Aceptar.

Aparecerá una nueva columna en la que podrá definir las traducciones españolas para los objetos de metadatos que desee traducir. En este tutorial, solo

traduciremos un pequeño número de objetos para ilustrar el proceso.

4. En la barra de herramientas de la pestaña Traducciones, haga clic en el botón Nueva traducción, Francés ﴾Francia﴿ en el cuadro de diálogo Seleccionar

idioma y, a continuación, haga clic en Aceptar.

Aparecerá otra columna de idioma en la que definirá las traducciones de francés.

5. En la fila del objeto Caption de la dimensión Date, escriba Fecha en la columna de traducción Español ﴾España﴿ y Temps en la columna de traducción Francés(Francia).

6. En la fila para el objeto Caption del atributo Month Name, escriba Mes del Año en la columna de traducción Español ﴾España﴿ y Mois d'Année en la columna

de traducción Francés ﴾Francia﴿.

Observe que al escribir estas traducciones, aparecen puntos suspensivos (…). Si hace clic en estos puntos suspensivos podrá especificar una columna en la tablasubyacente que proporciona traducciones para cada miembro de la jerarquía de atributo.

7. Haga clic en los puntos suspensivos (…﴿ de la traducción Español ﴾España﴿ del atributo Month Name.

Aparecerá el cuadro de diálogo Traducción de datos de atributos.

8. En la lista Columnas de traducción, seleccione SpanishMonthName, tal como aparece en la siguiente imagen.

9. Haga clic en Aceptar y, a continuación, en los puntos suspensivos ﴾…﴿ de la traducción Francés ﴾Francia﴿ del atributo Month Name.

10. En la lista Columnas de traducción, seleccione FrenchMonthName y, a continuación, haga clic en Aceptar.

SQL Server 2014




Los pasos de este procedimiento ilustran el proceso de definición de traducciones de metadatos para miembros y objetos de dimensiones.

Especificar traducciones para los metadatos del cubo Tutorial de Analysis Services

1. Cambie al Diseñador de cubos para el cubo Tutorial de Analysis Services y, a continuación, cambie a la pestaña Traducciones.

Los metadatos en el idioma predeterminado de dicho objeto de cubo aparecen tal como se muestran en la siguiente imagen. El idioma predeterminado en el

cubo Analysis Services Tutorial es el inglés.

2. En la barra de herramientas de la pestaña Traducciones, haga clic en el botón Nueva traducción.

Aparecerá una lista de idiomas en el cuadro de diálogo Seleccionar idioma.

3. Seleccione Español ﴾España﴿ y, después, en Aceptar.

Aparecerá una nueva columna en la que podrá definir las traducciones españolas para los objetos de metadatos que desee traducir. En este tutorial, solo

traduciremos un pequeño número de objetos para ilustrar el proceso.

4. En la barra de herramientas de la pestaña Traducciones, haga clic en el botón Nueva traducción, seleccione Francés ﴾Francia﴿ en el cuadro de diálogoSeleccionar idioma y, a continuación, haga clic en Aceptar.

Aparecerá otra columna de idioma en la que definirá las traducciones de francés.

5. En la fila del objeto Caption de la dimensión Date, escriba Fecha en la columna de traducción Español ﴾España﴿ y Temps en la columna de traducción Francés(Francia).

6. En la fila del objeto Caption del grupo de medida Internet Sales, escriba Venta por lnternet en la columna de traducción Español ﴾España﴿ y Ventes

D'Internet en la columna Francés ﴾Francia﴿.

7. En la fila para el objeto Caption de la medida Internet Sales-Sales Amount, escriba Cantidad de las Ventas por Internet en la columna de traducción Español﴾España﴿ y Quantité de Ventes d'Internet en la columna de traducción Francés ﴾Francia﴿.

Los pasos de este procedimiento ilustran el proceso de definición de traducciones de metadatos para objetos de cubos.

Examinar el cubo utilizando traducciones


2. Cuando la implementación se haya completado correctamente, vaya a la pestaña Explorador y, a continuación, haga clic en Volver a conectar.

3. Quite todas las jerarquías y medidas del panel Datos y seleccione Tutorial de Analysis Services en la lista Perspectivas.

4. En el panel de metadatos, expanda Medidas y, a continuación, Venta por Internet.

Observe que la medida Internet Sales-Sales Amount aparece en inglés en este grupo de medida.

5. En la barra de herramientas, seleccione Español ﴾España﴿ en la lista Idioma.

Observe que los elementos del panel de metadatos se vuelven a rellenar. Una vez que los elementos del panel de metadatos se vuelvan a rellenar, observe

cómo la medida Internet Sales‐Sales Amount ya no aparece en la carpeta para mostrar Venta por Internet. En su lugar, aparecerá en español en una nuevacarpeta para mostrar denominada Ventas por lnternet, tal como aparece en la siguiente imagen.

6. En el panel de metadatos, haga clic con el botón secundario en Importe de venta por Internet y seleccione Agregar a consulta.

7. En el panel de metadatos, expanda Fecha y Fecha.Calendar Date, haga clic con el botón secundario en Fecha.Calendar Date y, a continuación, seleccioneAgregar a filtro.

8. En el panel Filtro , seleccione CY 2007 como expresión de filtro.

9. En el panel de metadatos, haga clic con el botón secundario en Año mes y seleccione Agregar a consulta.

Observe que los nombres de los meses aparecen en español, tal como se muestra en la siguiente imagen.

10. En la barra de herramientas, seleccione Francés ﴾Francia﴿ en la lista Idioma.

Observe que los nombres de los meses aparecen ahora en francés y que el nombre de la medida aparece ahora también en francés.

Lección siguiente



Vea también

ConceptosTraducciones de dimensiones

Traducciones de cubos

Traducciones (Analysis Services - Datos multidimensionales)






En esta lección, aprenderá a definir roles de seguridad para tareas administrativas.

Nota



Conceder permisos Procesar base de datos

En esta tarea, definirá un rol de seguridad que tiene permisos para procesar la base de datos de Analysis Services y, a continuación, probará dicho rol deseguridad.

Vea también




SQL Server 2014





Conceder permisos Procesar base de datos

Después de instalar una instancia de Analysis Services, todos los miembros del rol de administrador de servidor Analysis Services de dicha instancia tienen permisos en elservidor para llevar a cabo cualquier tarea dentro de la instancia de Analysis Services. De manera predeterminada, ningún otro usuario tiene permiso para administrar over objetos en la instancia de Analysis Services.

Un miembro del rol de administrador de servidor puede conceder a los usuarios acceso administrativo en un servidor si los convierte en miembros del rol. Un miembro

del rol de administrador de servidor puede conceder también a los usuarios acceso de forma más limitada concediéndoles permisos administrativos o de accesolimitados o completos en el nivel de base de datos. Los permisos administrativos limitados incluyen permisos Procesar o Leer definición en el nivel de base de datos,cubo o dimensión.

En las tareas de este tema definirá un rol de seguridad Procesar objetos de base de datos que conceda a los miembros del rol permiso para procesar todos los objetosde la base de datos, pero ningún permiso para ver datos de la base de datos.

Definir un rol de seguridad Procesar objetos de base de datos

1. En el Explorador de soluciones, haga clic con el botón secundario en Roles y, a continuación, haga clic en Nuevo rol para abrir el Diseñador de roles.

2. Haga clic en la casilla Procesar base de datos.

3. En la ventana Propiedades, cambie la propiedad Nombre de este nuevo rol a Rol Procesar objetos de base de datos.

4. Vaya a la pestaña Pertenencia del Diseñador de roles y haga clic en Agregar.

5. Especifique las cuentas de los usuarios o grupos de dominios de Windows que sean miembros de este rol. Haga clic en Comprobar nombres para comprobar

la información de la cuenta y haga clic en Aceptar.

6. Vaya a la pestaña Cubos del Diseñador de roles.

Observe que los miembros de este rol tienen permisos para procesar esta base de datos, pero no tienen permiso para obtener acceso a los datos del cubo

Analysis Services Tutorial y no tienen acceso a obtención de detalles o cubo local, como se muestra en la siguiente imagen.

7. Vaya a la pestaña Dimensiones del Diseñador de roles.

Observe que los miembros de este rol tienen permisos para procesar todos los objetos de dimensión de esta base de datos y que, de manera predeterminada,tienen permisos de lectura para tener acceso a cada objeto de dimensión de la base de datos del Tutorial de Analysis Services:

SQL Server 2014


Acaba de definir e implementar correctamente el rol de seguridad Procesar objetos de base de datos. Después de que el cubo se implemente en el entorno deproducción, los administradores del cubo implementado podrán agregar usuarios a este rol según vayan necesitando delegar responsabilidades deprocesamiento en usuarios específicos.

Nota

Para disponer de un proyecto completado de la Lección 10, descargue e instale los ejemplos. Para obtener más información, vea Instalar los datos y proyectos de

ejemplo para el tutorial de modelado multidimensional de Analysis Services.

Vea también

ConceptosRoles y permisos de modelos multidimensionales




Tutoriales de minería de datos ﴾Analysis Services﴿

Microsoft SQL Server Analysis Services facilita la creación soluciones de minería de datos complejas. Las herramientas de Analysis Services le ayudan a diseñar, crear yadministrar los modelos de minería de datos que usan datos relacionales o de cubo. Puede administrar el acceso de cliente a los modelos de minería de datos y crearconsultas de predicción a partir de varios clientes.

Los tutoriales paso a paso de la lista siguiente le ayudarán a obtener el máximo provecho de Analysis Services, para poder realizar análisis avanzado y resolverproblemas empresariales que están fuera del alcance de los métodos tradicionales de Business Intelligence.

En esta sección

Tutorial básico de minería de datos

Este tutorial le guía en un escenario de distribución de correo directo. En él se muestra cómo se usan los algoritmos de minería de datos, los visores del modelode minería de datos y las herramientas de minería de datos que se incluyen en Analysis Services. Creará tres modelos de minería de datos para dar respuesta acuestiones prácticas relacionadas con la empresa mientras aprende las herramientas y conceptos de la minería de datos.

Tutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿

Este tutorial contiene una colección de lecciones que introducen conceptos más avanzados y técnicas de minería de datos. Los escenarios incluyen estos tipos de

modelos:

pronóstico

análisis de la cesta de la compra

redes neuronales y regresión logística

clústeres de secuencia

Las lecciones son independientes y se pueden realizar en cualquier orden, pero debe tener conocimientos básicos de cómo crear orígenes de datos.

Los conceptos avanzados descritos en estas lecciones incluyen el uso de tablas anidadas, la predicción cruzada, las vistas del origen de datos y las consultas connombre personalizadas, y el filtrado de consultas de minería de datos. También aprenderá a usar las herramientas de consulta de predicción que se incluyen enAnalysis Services.

Referencia

Algoritmos de minería de datos ﴾Analysis Services: Minería de datos﴿

Referencia de Extensiones de minería de datos ﴾DMX﴿

Secciones relacionadas

Herramientas de minería de datos

Arquitectura lógica ﴾Analysis Services ‐ Minería de datos﴿

Arquitectura lógica ﴾Analysis Services ‐ Datos multidimensionales﴿

Proyectos de minería de datos

Vea también

ConceptosSoluciones de minería de datosOtros recursosRecursos de minería de datos de Microsoft SQL ServerCrear y consultar modelos de minería de datos con DMX: tutoriales ﴾Analysis Services ‐ minería de datos﴿


SQL Server 2014













Este es el Tutorial básico de minería de datos de Microsoft Analysis Services. Microsoft SQL Server proporciona un entorno integrado para crear modelos de minería dedatos y realizar predicciones. En este tutorial, completará un escenario de una campaña de envío de correo directo en el que se utiliza aprendizaje automático paraanalizar y predecir el comportamiento de compra de los clientes. En el tutorial se muestra cómo utilizar tres de los algoritmos más importantes de minería de datos:agrupación en clústeres, árboles de decisión y Bayes Naive. También aprenderá a analizar los hallazgos con los visores de modelo de minería de datos, y crearpredicciones y gráficos de precisión con las herramientas de minería de datos que se incluyen en Microsoft SQL Server Analysis Services. La compañía ficticia, AdventureWorks Cycles, se utiliza en todos los ejemplos.

Cuando se sienta cómodo con el uso de las herramientas de minería de datos, se recomienda que complete también el Tutorial intermedio de minería de datos ﴾AnalysisServices ‐ Minería de datos﴿. En las lecciones se muestra cómo utilizar el pronóstico, análisis de la cesta de compras, series temporales, modelos de asociación, tablasanidadas y clústeres de secuencia.


En este tutorial, será un empleado de Adventure Works Cycles con la tarea de obtener más información sobre los clientes de la compañía basándose en el historial decompras y utilizando a continuación ese datos históricos para realizar predicciones que se puedan utilizar en el mercado. La compañía no ha trabajado previamentecon minería de datos, por lo que debe crear una nueva base de datos específica para minería de datos y configurar varios modelos de minería de datos.

Aprendizaje

Este tutorial le enseña a crear diferentes tipos de métodos de aprendizaje automático y a trabajar con ellos. También aprenderá a crear una copia de un modelo deminería de datos y aplicar un filtro a los datos de entrada para obtener resultados diferentes. Después, puede comparar los resultados de ambos modelos medianteun gráfico de elevación. Por último, utilizará la obtención de detalles para recuperar datos adicionales de la estructura de minería de datos subyacente.

La minería de datos de Microsoft Analysis Services incluye las siguientes características que ayudan con facilidad a desarrollar y comparar varios modelos predictivos ya tomar medidas posteriormente en función de los resultados:

Conjuntos de pruebas de datos de exclusión: al crear una estructura de minería de datos, ahora puede dividir los datos de la estructura en conjuntos de prueba yde entrenamiento. Esto permite probar modelos en conjuntos de datos similares y comparar la precisión de los modelos relacionados.

Filtros de modelo de minería de datos: ahora puede adjuntar filtros a un modelo de minería de datos y aplicar el filtro durante el entrenamiento y las pruebas. Esto

permite con facilidad generar modelos relacionados en diferentes subconjuntos de datos.

Obtención de detalles para casos de estructura y columnas de estructura: ahora puede cambiar fácilmente de los patrones generales del modelo de minería dedatos al detalle procesable en el origen de datos.

El tutorial está compuesto por las lecciones siguientes:

Lección 1: Preparar la base de datos de Analysis Services ﴾tutorial básico de minería de datos﴿En esta lección, aprenderá a crear una nueva base de datos de Analysis Services, agregar un origen de datos y una vista del origen de datos, y preparar lanueva base de datos que se va a utilizar para la minería de datos.

Lección 2: Generar una estructura de distribución de correo directo ﴾Tutorial básico de minería de datos﴿En esta lección, aprenderá a crear una estructura de modelos de minería de datos que se puede utilizar como parte de un escenario de distribución de correodirecto.

Lección 3: Agregar y procesar los modelosEn esta lección obtendrá información sobre cómo agregar modelos a una estructura. Los modelos que crea se generan con los algoritmos siguientes:

Árboles de decisión de Microsoft

Agrupación en clústeres de Microsoft

Bayes naive de Microsoft

Lección 4: Explorar los modelos de correo directo ﴾tutorial básico de minería de datos﴿En esta lección obtendrá información sobre cómo explorar e interpretar los hallazgos de cada modelo usando los visores.

Lección 5: Probar los modelos ﴾Tutorial básico de minería de datos﴿En esta lección, realiza una copia de uno de los modelos de distribución de correo directo, agrega un filtro de modelo de minería de datos para restringir losdatos de entrenamiento a un conjunto determinado de clientes y, a continuación, evalúa la viabilidad del modelo.

Lección 6: Crear y trabajar con predicciones ﴾Tutorial básico de minería de datos﴿En esta lección final del Tutorial básico de minería de datos, utiliza el modelo para predecir qué clientes tienen más probabilidad de comprar una bicicleta. Acontinuación, obtendrá detalles de los casos subyacentes para conseguir información de contacto.

Requisitos

Asegúrese de que los siguientes componentes estén instalados:

SQL Server 2014








Microsoft SQL Server 2014

Microsoft SQL Server Analysis Services en modo multidimensional

La base de datos AdventureWorksDW2012 .

Con objeto de mejorar la seguridad, las bases de datos de ejemplo no se instalan con SQL Server. Para instalar las bases de datos oficiales para Microsoft SQL Server,

visite la página Bases de datos de ejemplo de Microsoft SQL y seleccione SQL Server 2014.

Nota

Al trabajar con el tutorial, le resultará más fácil avanzar o retroceder pasos si agrega los botones Tema siguiente y Tema anterior a la barra de herramientas del

visor de documentos. Para obtener más información, vea Adding Next and Previous Buttons to Help.

Vea también

ConceptosSoluciones de minería de datosOtros recursosTareas y procedimientos de los modelos de minería de datosCrear y consultar modelos de minería de datos con DMX: tutoriales ﴾Analysis Services ‐ minería de datos﴿







Lección 1: Preparar la base de datos de Analysis Services﴾tutorial básico de minería de datos﴿

Suponga que es un nuevo empleado de Adventure Works Cycles que se le ha encargado la tarea de diseñar una aplicación de Business Intelligence en SQL Server 2014.Adventure Works Cycles espera aprovechar su experiencia en minería de datos de Analysis Services para detectar información interesante y procesable sobre laspersonas que han comprado bicicletas. Quieren que prevea qué clientes tienen más probabilidad de comprar una bicicleta en el futuro.

El diseño de esta aplicación de SQL Server se inicia con la creación en SQL Server Data Tools ﴾SSDT﴿ de un proyecto de SQL Server Analysis Services basado en la plantillade proyecto de Analysis Services para el modelado multidimensional y la minería de datos. Después de crear un proyecto de Analysis Services, tiene que definir uno ovarios orígenes de datos. A continuación, definirá una sola vista de los metadatos denominada vista del origen de datos, a partir de las tablas y vistas seleccionadas en los

orígenes de datos.

En esta lección, creará un proyecto de Analysis Services, definirá un solo origen de datos y agregará un subconjunto de tablas a una vista del origen de datos. Esta lecciónincluye las tareas siguientes:

Crear un proyecto de Analysis Services ﴾Tutorial básico de minería de datos﴿

Crear un origen de datos ﴾Tutorial básico de minería de datos﴿

Crear una vista del origen de datos ﴾Tutorial básico de minería de datos﴿

Primera tarea de la lección


Lección siguiente

Lección 2: Generar una estructura de distribución de correo directo ﴾Tutorial básico de minería de datos﴿

Vea también

TasksCrear un proyecto de Analysis Services


Tipos de orígenes de datos admitidos ﴾SSAS multidimensional﴿Generar proyectos de Analysis Services (SSDT)


SQL Server 2014










Crear un proyecto de Analysis Services ﴾Tutorial básico deminería de datos﴿

Cada proyecto de Microsoft SQL Server Analysis Services define los objetos de una sola base de datos de Analysis Services. Una base de datos de Analysis Services

puede contener muchos tipos diferentes de objetos

Modelos multidimensionales (cubos)

Estructuras de minería de datos y modelos de minería de datos

Objetos auxiliares como orígenes de datos, vistas del origen de datos y ensamblados personalizados

Tenga en cuenta que no se necesita un cubo para realizar tareas de minería de datos. Si necesita realizar minería de datos en un cubo existente, debe agregar losmodelos de minería de datos al mismo proyecto que utilizó para generar el cubo. Sin embargo, para la mayoría de los fines se pueden generar los modelos en orígenesde datos relacionales, como un almacenamiento de datos, y obtener mejor rendimiento si no se emplea un cubo.

En este tutorial utilizará un almacenamiento de datos relacional, AdventureWorksDW2012 , como origen de datos. Implementará todos los objetos de minería de datos enuna base de datos de Analysis Services denominada BasicDataMining, que se utiliza solamente para minería de datos.

De forma predeterminada, Analysis Services usa la instancia localhost para los proyectos nuevos. Si está utilizando una instancia con nombre o un servidor diferente,debe crear y abrir el proyecto primero y, a continuación, cambiar el nombre de instancia.

Para obtener más información acerca de los proyectos de Analysis Services, vea Crear un proyecto de Analysis Services.

Para crear un proyecto de Analysis Services

1. Abra SQL Server Data Tools (SSDT).

2. En el menú Archivo, seleccione Nuevo y haga clic en Proyecto.

3. Compruebe que la opción Proyectos de Business Intelligence esté seleccionada en el panel Tipos de proyecto.

4. En el panel Plantillas, seleccione Proyecto multidimensional y de minería de datos de Analysis Services.

5. En el cuadro Nombre, asigne al nuevo proyecto el nombre BasicDataMining.


Para cambiar la instancia donde se almacenan los objetos de minería de datos

1. En SQL Server Data Tools ﴾SSDT﴿, en el menú Proyecto, seleccione Propiedades.

2. En el lado izquierdo del panel Páginas de propiedades, en Propiedades de configuración, haga clic en Implementación.

3. En el lado derecho del panel Páginas de propiedades, en Destino, compruebe que el nombre de Servidor es localhost. Si usa una instancia diferente, escriba el

nombre de la instancia. Haga clic en Aceptar.



Vea también

ConceptosGenerar proyectos de Analysis Services (SSDT)

Crear un proyecto de Analysis Services (SSDT)


SQL Server 2014






Un origen de datos es una conexión de datos guardada y administrada en el proyecto e implementada en la base de datos de Microsoft SQL Server Analysis Services. El

origen de datos contiene los nombres del servidor y la base de datos donde residen los datos de origen, además de otras propiedades de conexión necesarias.

Importante

El nombre de la base de datos es AdventureWorksDW2012 . Si aún no ha instalado esta base de datos, vea la página de Bases de datos de ejemplo de Microsoft SQL.

Para crear un origen de datos

1. En el Explorador de soluciones, haga clic con el botón secundario en la carpeta Orígenes de datos y seleccione Nuevo origen de datos.

2. En la página de inicio del Asistente para orígenes de datos, haga clic en Siguiente.

3. En la página Seleccionar cómo definir la conexión, haga clic en Nueva para agregar una conexión a la base de datos de AdventureWorksDW2012 .

4. En la lista Proveedor del Administrador de conexiones, seleccione OLE DB nativo\SQL Server Native Client 11.0.

5. En el cuadro Nombre del servidor, escriba o seleccione el nombre del servidor en el que instaló AdventureWorksDW2012 .

Por ejemplo, escriba localhost , si la base de datos se hospeda en el servidor local.

6. En el grupo Iniciar sesión en el servidor, seleccione Utilizar autenticación de Windows.

Importante

Siempre que sea posible, los implementadores deberían utilizar la autenticación de Windows, ya que proporciona un método de autenticación más seguro quela autenticación de SOL Server. Sin embargo, la autenticación de SQL Server se proporciona por motivos de compatibilidad con versiones anteriores. Para

obtener más información acerca de los métodos de autenticación, vea Configuración del motor de base de datos ‐ Aprovisionamiento de cuentas.

7. En la lista Seleccione o escriba un nombre de base de datos, seleccione AdventureWorksDW2012 y haga clic en Aceptar.


9. En la página Información de suplantación, haga clic en Utilizar la cuenta de servicio y, a continuación, haga clic en Siguiente.

En la página Finalización del asistente, observe que de forma predeterminada el origen de datos se denomina Adventure Works DW 2012.

10. Haga clic en Finalizar.

El nuevo origen de datos, Adventure Works DW 2012, aparece en la carpeta Orígenes de datos del Explorador de soluciones.


Crear una vista del origen de datos ﴾Tutorial básico de minería de datos﴿

Tarea anterior de la lección


Vea también

TasksDefinir un origen de datos

ReferenciaEstablezca las opciones de suplantación ﴾SSAS ‐ multidimensional﴿ConceptosCrear un origen de datos (SSAS multidimensional)


SQL Server 2014








Crear una vista del origen de datos ﴾Tutorial básico de mineríade datos)

Una vista del origen de datos se genera en un origen de datos y define un subconjunto de los datos, que puede usar en las estructuras de minería de datos. Tambiénpuede usar la vista del origen de datos para agregar columnas, crear columnas calculadas y agregados, y agregar vistas con nombre. Mediante el uso de vistas del

origen de datos, puede seleccionar los datos relacionados con un proyecto, establecer relaciones entre tablas y modificar la estructura de los datos sin modificar el

origen de datos original. Para obtener más información, vea Vistas del origen de datos en modelos multidimensionales.

Para crear una vista del origen de datos

1. En el Explorador de soluciones, haga clic con el botón secundario en Vistas del origen de datos y seleccione Nueva vista del origen de datos.

2. En la página Asistente para vistas del origen de datos, haga clic en Siguiente.

3. En la página Seleccionar un origen de datos, en Orígenes de datos relacionales, seleccione el origen de datos Adventure Works DW 2012 que creó en la últimatarea. Haga clic en Siguiente.

Nota

Si desea crear un nuevo origen de datos, haga clic con el botón secundario en Orígenes de datos y, a continuación, haga clic en Nuevo origen de datos para

iniciar el Asistente para orígenes de datos.

4. En la página Seleccionar tablas y vistas, seleccione los objetos siguientes y, a continuación, haga clic en la flecha derecha para incluirlos en la nueva vista delorigen de datos:

ProspectiveBuyer (dbo): la tabla de compradores probables de una bicicleta

vTargetMail (dbo): la vista de datos históricos sobre los compradores de una bicicleta en el pasado


6. En la página Finalización del asistente, la vista del origen de datos tendrá el nombre Adventure Works DW 2012 de forma predeterminada. Cambie el nombre

por Targeted Mailing y, a continuación, haga clic en Finalizar.

La nueva vista del origen de datos se abre en la pestaña Targeted Mailing.dsv [Design].



Lección siguiente


Vea también

ConceptosDefinir una vista del origen de datos (Analysis Services)

Otros recursosHow to: Define a Data Source View Using the Data Source View Wizard (Analysis Services)


SQL Server 2014






Lección 2: Generar una estructura de distribución de correodirecto ﴾Tutorial básico de minería de datos﴿

El departamento de marketing de Adventure Works Cycles desea aumentar las ventas dirigiendo una campaña de correo directo a clientes específicos. La base de datos

de la empresa contiene una lista de clientes antiguos y otra de nuevos clientes potenciales. Mediante el análisis de los atributos de clientes anteriores, la empresa esperadetectar los patrones que posteriormente se aplicarán a los clientes potenciales. Por ejemplo, pueden utilizan tendencias anteriores para predecir qué clientes potencialestienen más probabilidades de comprar una bicicleta de Adventure Works Cycles, o crear segmentos de clientes para campañas de marketing futuras.

En esta lección utilizará el Asistente para minería de datos con el fin de crear la estructura de distribución de correo directo. Después de completar las tareas de estalección, tendrá una estructura de minería de datos con un modelo sencillo. Dado que la creación de una estructura conlleva muchos pasos y conceptos importantes,hemos separado este proceso en las tres tareas siguientes:

Crear una estructura del modelo de minería de datos de distribución de correo directo ﴾Tutorial básico de minería de datos﴿

Especificar el tipo de datos y el tipo de contenido ﴾Tutorial básico de minería de datos﴿

Especificar un conjunto de datos de pruebas para la estructura ﴾Tutorial básico de minería de datos﴿



Lección anterior

Lección 1: Preparar la base de datos de Analysis Services ﴾tutorial básico de minería de datos﴿

Lección siguiente

Lección 3: Agregar y procesar los modelos

Vea también

ReferenciaCree la estructura de minería de datos ﴾Asistente para minería de datos﴿ConceptosCrear una estructura de minería de datos relacional


SQL Server 2014









Crear una estructura del modelo de minería de datos dedistribución de correo directo ﴾Tutorial básico de minería dedatos)

El primer paso para crear un escenario de correo directo ﴾Targeted Mailing﴿ consiste en usar el Asistente para minería de datos de SQL Server Data Tools ﴾SSDT﴿ con elfin de crear una estructura de minería de datos y un modelo de minería de datos de árbol de decisión.

En esta tarea configurará una nueva estructura de minería de datos y agregará un modelo de minería de datos inicial basándose en el algoritmo de Árboles de decisiónde Microsoft. Para crear la estructura, primero seleccionará las tablas y las vistas, y a continuación identificará qué columnas se usarán para el entrenamiento y cuálespara las pruebas.

Para crear una estructura de minería de datos para un escenario de distribución de correo directo

1. En el Explorador de soluciones, haga clic con el botón secundario en Estructuras de minería de datos y seleccione Nueva estructura de minería de datos para

iniciar el Asistente para minería de datos.

2. En la página de inicio del Asistente para minería de datos, haga clic en Siguiente.

3. En la página Seleccionar el método de definición, compruebe que la opción A partir de una base de datos relacional o del almacenamiento de datos se ha

seleccionado y, a continuación, haga clic en Siguiente.

4. En la página Crear la estructura de minería de datos, en ¿Qué técnica de minería de datos desea utilizar?, seleccione Árboles de decisión de Microsoft.

Nota

Si aparece una advertencia de que no se puede encontrar ningún algoritmo de minería de datos, puede que las propiedades del proyecto no esténconfiguradas correctamente. Esta advertencia se produce cuando el proyecto intenta recuperar una lista de algoritmos de minería de datos del servidor deAnalysis Services y no puede encontrarlo. De forma predeterminada, SQL Server Data Tools utilizará el host local como servidor. Si está utilizando una instanciadiferente o una instancia con nombre, debe cambiar las propiedades del proyecto. Para obtener más información, vea Crear un proyecto de Analysis Services

﴾Tutorial básico de minería de datos﴿.


6. En la página Seleccionar vista del origen de datos, en el panel Vistas del origen de datos disponibles, seleccione Targeted Mailing. Puede hacer clic en

Explorar para ver las tablas de la vista del origen de datos y, a continuación, hacer clic en Cerrar para volver al asistente.


8. En la página Especificar tipos de tablas, active la casilla de la columna Caso, correspondiente a vTargetMail para usarla como tabla de casos y, a continuación,haga clic en Siguiente. Utilizará la tabla ProspectiveBuyer posteriormente para pruebas; olvídese de ella por ahora.

9. En la página Especificar los datos de aprendizaje, identificará al menos una columna de predicción, una columna de clave y una columna de entrada para elmodelo. Active la casilla de la columna De predicción en la fila BikeBuyer.

Nota

Observe la advertencia en la parte inferior de la ventana. No podrá navegar a la página siguiente hasta que seleccione una columna De predicción y Entrada,

como mínimo.

10. Haga clic en Sugerir para abrir el cuadro de diálogo Sugerir columnas relacionadas.

El botón Sugerir está habilitado siempre que se haya seleccionado al menos un atributo predecible. El cuadro de diálogo Sugerir columnas relacionadas enumera

en una lista las columnas más relacionadas con la columna predecible y ordena los atributos por su correlación con el atributo predecible. Las columnas con una

correlación significativa ﴾con una confianza mayor del 95%﴿ se seleccionan automáticamente para incluirse en el modelo.

Revise las sugerencias y, a continuación, haga clic en Cancelar paraomitirlas.

Nota

Si hace clic en Aceptar, todas las sugerencias enumeradas se marcarán como columnas de entrada en el asistente. Si está de acuerdo con solamente algunas delas sugerencias, debe cambiar los valores manualmente.

11. Compruebe que la casilla de la columna Key está seleccionada en la fila CustomerKey.

Nota

Si la tabla de origen de la vista del origen de datos muestra una clave, el Asistente para minería de datos elegirá automáticamente esa columna como clavepara el modelo.

12. Active las casillas de la columna Entrada en las filas siguientes. Puede activar varias columnas resaltando un rango de celdas y presionando CTRL mientras activa

una casilla.

Age

CommuteDistance

EnglishEducation

EnglishOccupation

SQL Server 2014


Gender

GeographyKey

HouseOwnerFlag

MaritalStatus

NumberCarsOwned

NumberChildrenAtHome

Region

TotalChildren

YearlyIncome

13. En la columna izquierda de la página, active las casillas de las filas siguientes.

AddressLine1

AddressLine2

DateFirstPurchase

EmailAddress

FirstName

LastName

Asegúrese de que estas filas solo tienen marcas en la columna izquierda. Estas columnas se agregarán a la estructura, pero no se incluirán en el modelo. Sin

embargo, una vez generado el modelo, estarán disponibles para la obtención de detalles y las pruebas. Para obtener más información acerca de la obtención dedetalles, vea Consultas de obtención de detalles ﴾minería de datos﴿.




Vea también

ReferenciaEspecificar tipos de tablas ﴾Asistente para minería de datos﴿ConceptosDiseñador de minería de datosAlgoritmo de árboles de decisión de Microsoft







Especificar el tipo de datos y el tipo de contenido (Tutorialbásico de minería de datos﴿

Ahora que ha seleccionado qué columnas utilizar para generar la estructura y entrenar los modelos, realice los cambios necesarios en los datos predeterminados y tiposde contenido que establece el asistente.

Revisar y modificar el tipo de contenido y el tipo de datos de cada columna

1. En la página Especificar el contenido y el tipo de datos de las columnas, haga clic en Detectar para ejecutar un algoritmo que determine los tipos de contenido

y los datos predeterminados de cada columna.

2. Revise las entradas de las columnas Tipo de contenido y Tipo de datos, y cámbielas si es necesario para asegurarse de que la configuración es igual que la quese muestra en la tabla siguiente.

Normalmente, el asistente detectará números y asignará un tipo de datos numérico adecuado, pero hay varias situaciones en las que podría desear tratar unnúmero como texto. Por ejemplo, GeographyKey se debería tratar como texto, porque no sería apropiado realizar operaciones matemáticas en este identificador.

Columna Tipo de contenido Tipo de datos

Address Line1 Discreto Text

Address Line2 Discreto Text

Age Continuo Long

Bike Buyer Discreto Long

Commute Distance Discreto Text

CustomerKey Clave Long

DateLastPurchase Continuo Date

Email Address Discreto Text

English Education Discreto Text

English Occupation Discreto Text

FirstName Discreto Text

Gender Discreto Text

Geography Key Discreto Text

House Owner Flag Discreto Text

Last Name Discreto Text

Marital Status Discreto Text

Number Cars Owned Discreto Long

Number Children At Home Discreto Long

Region Discreto Text

Total Children Discreto Long

Yearly Income Continuo Double



Especificar un conjunto de datos de pruebas para la estructura ﴾Tutorial básico de minería de datos﴿



SQL Server 2014



Vea también

ConceptosTipos de contenido ﴾minería de datos﴿Tipos de datos ﴾minería de datos﴿




Especificar un conjunto de datos de pruebas para la estructura﴾Tutorial básico de minería de datos﴿

En las pantallas finales del Asistente para minería de datos dividirá los datos en un conjunto de pruebas y en un conjunto de entrenamiento. Después, asignará nombre ala estructura y habilitará la obtención de detalles en el modelo.

Especificar un conjunto de pruebas

Al separar los datos en conjuntos de entrenamiento y de pruebas cuando se crea una estructura de minería de datos, es posible evaluar fácilmente la precisión de losmodelos de minería de datos que se crean después. Para obtener más información sobre los conjuntos de pruebas, vea Conjuntos de datos de entrenamiento y de

prueba.

Para especificar el conjunto de pruebas

1. En la página Crear conjunto de pruebas, en Porcentaje de datos para pruebas, deje el valor predeterminado 30.

2. En Número máximo de casos en el conjunto de datos de prueba, escriba 1000.


Especificar la obtención de detalles

La obtención de detalles puede habilitarse en los modelos y en las estructuras. La casilla de este cuadro de diálogo habilita la obtención de detalles en el modelo connombre. Una vez procesado el modelo, podrá recuperar información detallada de los datos de entrenamiento usados para crear el modelo.

Si la estructura de minería de datos subyacente también se ha configurado para permitir la obtención de detalles, puede recuperar información detallada tanto de loscasos de modelos como de la estructura, incluidas las columnas que no estaban incluidas en el modelo de minería de datos. Para obtener más información, veaConsultas de obtención de detalles ﴾minería de datos﴿.

Para denominar el modelo y la estructura, y especificar la obtención de detalles

1. En la página Finalización del asistente, en Nombre de la estructura de minería de datos, escriba Targeted Mailing.

2. En Nombre del modelo de minería de datos, escriba TM_Decision_Tree.

3. Active la casilla Permitir obtención de detalles.

4. Revise el panel Vista previa. Observe que se muestran solo las columnas seleccionadas como Clave, Entrada o De predicción. Las otras columnas que

seleccionó ﴾por ejemplo, AddressLine1﴿ no se usan para generar el modelo, pero estarán disponibles en la estructura subyacente y se pueden consultar una vezprocesado e implementado el modelo.




Lección siguiente


Vea también

TasksHabilitar la obtención de detalles para un modelo de mineríaReferenciaEspecificar los datos de entrenamiento ﴾Asistente para minería de datos﴿ConceptosConsultas de obtención de detalles ﴾minería de datos﴿


SQL Server 2014









La estructura de minería de datos que creó en la lección anterior contiene un modelo de minería de datos individual que se basa en el algoritmo de árboles de decisiónde Microsoft. Puede usar este modelo para identificar clientes para la campaña de envío de correo directo. Sin embargo, para asegurarse de que el análisis es detallado,se suelen crear modelos relacionados usando algoritmos diferentes y comparar sus resultados. De esta manera, puede obtener diferentes puntos de vista. Por

consiguiente, creará dos modelos adicionales y luego los procesará e implementará.

En esta lección, creará un conjunto de modelos de minería de datos que sugerirá los clientes que tienen una mayor probabilidad de serlo entre una lista de clientespotenciales.

Para completar las tareas de esta lección, utilizará el Algoritmo de clústeres de Microsoft y el Algoritmo Bayes naive de Microsoft.


Agregar modelos nuevos a la estructura de correo de destino ﴾tutorial básico de minería de datos﴿

Procesar los modelos de la estructura de distribución de correo directo ﴾Tutorial básico de minería de datos﴿



Lección anterior


Lección siguiente

Lección 4: Explorar los modelos de correo directo ﴾tutorial básico de minería de datos﴿

Vea también

ConceptosAgregar modelos de minería de datos a una estructura ﴾Analysis Services ‐ Minería de datos﴿


SQL Server 2014









Agregar modelos nuevos a la estructura de correo de destino﴾tutorial básico de minería de datos﴿

En esta tarea, definirá dos modelos adicionales mediante la pestaña Modelos de minería de datos del Diseñador de minería de datos. Para crear los modelos, se usaránel algoritmo Bayes naive y el algoritmo de clústeres de Microsoft. Estos dos algoritmos se han seleccionado debido a su capacidad de predecir un valor discreto (por

ejemplo, la compra de una bicicleta). Para obtener más información sobre estos algoritmos, vea Algoritmo de clústeres de Microsoft y Algoritmo Bayes naive de

Microsoft.

Para crear un modelo de minería de datos de agrupación en clústeres

1. Cambie a la pestaña Modelos de minería de datos del Diseñador de minería de datos en SQL Server Data Tools ﴾SSDT﴿.

Observe que el diseñador muestra dos columnas: una para la estructura de minería de datos y otra para el modelo de minería de datos TM_Decision_Tree, que

creó en la tarea anterior de esta lección.

2. Haga clic con el botón secundario en la columna Estructura y seleccione Nuevo modelo de minería de datos.

3. En el cuadro de diálogo Nuevo modelo de minería de datos, en Nombre del modelo, escriba TM_Clustering.

4. En Nombre del algoritmo, seleccione Agrupación en clústeres de Microsoft.


Ahora aparece el modelo nuevo en la pestaña Modelos de minería de datos del Diseñador de minería de datos. Este modelo, integrado con el algoritmo de clústeres deMicrosoft, agrupa los clientes con características similares en clústeres y predice la compra de una bicicleta en cada clúster. Aunque puede modificar el uso y las

propiedades de la columna para el modelo nuevo, en este tutorial no es necesario hacer cambios en el modelo TM_Clustering.

Para crear un modelo de minería de datos Bayes naive

1. En la pestaña Modelos de minería de datos del Diseñador de minería de datos, haga clic con el botón secundario enla columna Estructura y seleccione Nuevo

modelo de minería de datos.

2. En el cuadro de diálogo Nuevo modelo de minería de datos, en Nombre del modelo, escriba TM_NaiveBayes.

3. En Nombre del algoritmo, seleccione Bayes naive de Microsoft y haga clic en Aceptar.

Aparece un mensaje que indica que el algoritmo Bayes naive de Microsoft no admite las columnas Age y Yearly Income, que son continuas.

4. Haga clic en Sí para confirmar el mensaje y continuar.

Aparece un modelo nuevo en la pestaña Modelos de minería de datos del Diseñador de minería de datos. Aunque puede modificar el uso y las propiedades de las

columnas para todos los modelos de la pestaña, en este tutorial no es necesario hacer cambios en el modelo TM_NaiveBayes.


Procesar los modelos de la estructura de distribución de correo directo ﴾Tutorial básico de minería de datos﴿

Vea también

ConceptosAgregar modelos de minería de datos a una estructura ﴾Analysis Services ‐ Minería de datos﴿Diseñador de minería de datosMover objetos de minería de datos


SQL Server 2014







Procesar los modelos de la estructura de distribución decorreo directo ﴾Tutorial básico de minería de datos﴿

Para poder examinar o trabajar con los modelos de minería de datos que ha creado, se debe implementar el proyecto de Analysis Services y procesar la estructura y losmodelos de minería de datos.

En la implementación se envía el proyecto a un servidor y se crean en el servidor los objetos de ese proyecto.

El procesamiento rellena objetos de Analysis Services con datos procedentes de orígenes de datos relacionales.

Los modelos no se pueden utilizar hasta que se hayan implementado y procesado. Además, cuando se realiza cualquier cambio en el modelo, como agregar datosnuevos, se debe volver a implementar y procesar los modelos.

Asegurarse de la coherencia con HoldoutSeed

Al implementar un proyecto y procesar la estructura y los modelos, a las filas individuales de la estructura de datos se les asigna el conjunto de entrenamiento o el

conjunto de pruebas según un valor de inicialización numérico. De forma predeterminada, el valor de inicialización numérico se calcula en función de los atributos de laestructura de datos. Sin embargo, si alguna vez cambia algunos aspectos del modelo, el valor de inicialización cambiaría, lo que produciría resultados ligeramentediferentes. Por tanto, para asegurarse de que los resultados son los mismos que los descritos aquí, asignaremos arbitrariamente un valor de inicialización de exclusiónfijo de 12. El valor de inicialización de exclusión se utiliza para inicializar el algoritmo de muestreo y garantiza que los datos se reparten aproximadamente de la mismamanera para todas las estructuras de minería de datos y sus modelos.

Este valor no afecta al número de casos del conjunto de entrenamiento; simplemente garantiza que se usará el mismo método de partición siempre que se genere elmodelo.

Para obtener más información sobre valor de inicialización de exclusión, vea Conjuntos de datos de entrenamiento y de prueba.

Para establecer el valor de inicialización de exclusión

1. Haga clic en la pestaña Estructura de minería de datos o Modelos de minería de datos en el Diseñador de minería de datos de SQL Server Data Tools ﴾SSDT﴿.

Estructura de minería de datos Targeted Mailing aparece en el panel Propiedades.

2. Asegúrese de que el panel Propiedades está abierto presionando F4.

3. Asegúrese de que CacheMode está establecido en KeepTrainingCases.

4. Escriba 12 en HoldoutSeed.

Implementar y procesar los modelos

En el Diseñador de minería de datos, puede decidir qué objetos procesar, según el ámbito de los cambios que ha realizado en el modelo o en los datos subyacentes:

En esta tarea, puesto que los datos y los modelos son nuevos, procesará la estructura y todos los modelos al mismo tiempo.

Para implementar el proyecto y procesar todos los modelos de minería de datos

1. En el menú Modelo de minería de datos , seleccione Procesar estructura de minería de datos y todos los modelos.

Si ha realizado cambios en la estructura, se le pedirá que genere e implemente el proyecto antes de procesar los modelos. Haga clic en Sí.

2. En el cuadro de diálogo Procesando estructura de minería de datos: Targeted Mailing, haga clic en Ejecutar.

Se abre el cuadro de diálogo Progreso del proceso para mostrar los detalles del procesamiento del modelo. El procesamiento del modelo podría tardar algúntiempo, según el equipo.

3. Haga clic en Cerrar en el cuadro de diálogo Progreso del proceso cuando el procesamiento de los modelos se haya completado.

4. Haga clic en Cerrar en el cuadro de diálogo Procesando estructura de minería de datos ‐ <estructura>.



Lección siguiente


SQL Server 2014




Vea también

ConceptosRequisitos y consideraciones de procesamiento ﴾minería de datos﴿



Lección 4: Explorar los modelos de correo directo ﴾tutorialbásico de minería de datos﴿

Una vez procesados los modelos del proyecto, puede explorarlos para buscar tendencias interesantes. Puesto que los patrones pueden ser complejos y difícilessimplemente examinando números, Minería de datos de SQL Server proporciona algunas herramientas visuales que le ayudan a investigar los datos y entender las reglasy relaciones que los algoritmos han detectado en los datos. También puede utilizar diversas pruebas de precisión para validar el conjunto de datos o detectar quémodelo funciona mejor antes de implementarlo.

Cuando se usa SQL Server Data Tools ﴾SSDT﴿ para explorar los modelos, cada modelo que se crea se muestra en la pestaña Visor de modelos de minería de datos en el

Diseñador de minería de datos. Puede usar los visores para explorar los modelos. Estos visores también están disponibles en SQL Server Management Studio.

Cada algoritmo usado para crear un modelo en Analysis Services devuelve un tipo de resultado diferente. Por tanto, Analysis Services proporciona visores personalizados

para cada tipo de modelo de aprendizaje automático.

Si desea entrar en más detalles, Analysis Services también proporciona un visor HTML, denominado Visor de árbol de contenido genérico, que muestra informacióndetallada sobre los datos del modelo y cualquier patrón que se encuentre, en un formato semitabular. Para obtener más información, vea Examinar un modelo usando el

Visor de árbol de contenido genérico de Microsoft.

En esta lección examinará los resultados de los tres modelos. Cada tipo de modelo se basa en un algoritmo diferente y proporciona visiones diferentes de los datos.

El modelo Árbol de decisión le indica los factores que influyen en la compra de bicicletas.

El modelo Agrupación en clústeres agrupa los clientes por atributos, como el comportamiento de compra de bicicletas y otros atributos seleccionados.

El modelo Bayes naive le permite examinar las relaciones entre los diferentes atributos.

Vea los temas siguientes para obtener más información sobre cada uno de los visores de modelos de minería de datos.

Explorar el modelo de árbol de decisión ﴾tutorial básico de minería de datos﴿

Explorar el modelo de agrupación en clústeres ﴾Tutorial básico de minería de datos﴿

Explorar el modelo Bayes naive ﴾Tutorial básico de minería de datos﴿

Los tres modelos se pueden ver con el Visor de árbol de contenido genérico para extraer fórmulas, valores de datos, etc.



Lección anterior


Lección siguiente

Lección 5: Probar los modelos ﴾Tutorial básico de minería de datos﴿

Vea también

ConceptosVisores de modelos de minería de datosOtros recursosTareas y procedimientos del Visor de modelos de minería de datos


SQL Server 2014










Explorar el modelo de árbol de decisión ﴾tutorial básico deminería de datos﴿

El algoritmo de árboles de decisión de Microsoft predice qué columnas influyen en la decisión de comprar una bicicleta en función de las columnas restantes del conjuntode entrenamiento.

El Visor de árbol de decisión de Microsoft proporciona las pestañas siguientes para la exploración de los modelos de minería de datos de árbol de decisión:

Árbol de decisión

Red de dependencias

Pestaña Árbol de decisión

En la pestaña Árbol de decisión, puede ver árboles de decisión para cada atributo de predicción del conjunto de datos.

En este caso, el modelo predice solo una columna, Bike Buyer, por lo que solo un árbol para ver. Si hubiera más árboles, podría utilizar el cuadro Árbol para elegir uno

diferente.

Cuando se ve el modelo TM_Decision_Tree en el Visor de árbol de decisión, puede ver los atributos más importantes en la parte izquierda del gráfico. "Másimportantes" significa que estos atributos son los que más influyen en el resultado. Los atributos situados más abajo en el árbol ﴾a la derecha del gráfico﴿ tiene menosefecto.

En este ejemplo, la edad es el factor único más importante para predecir la compra de bicicletas. El modelo agrupa los clientes por edad y, a continuación, muestra elsiguiente atributo más importante para cada grupo de edad. Por ejemplo, en el grupo de clientes de entre 34 y 40 años, el número de automóviles en propiedad es elfactor de predicción más seguro después de la edad.

Para explorar el modelo en la pestaña Árbol de decisión

1. Seleccione la pestaña Visor de modelo de minería de datos en Diseñador de minería de datos.

De forma predeterminada, el diseñador se abre en el primer modelo que se agregó a la estructura ﴾en este caso, TM_Decision_Tree).

2. Utilice los botones de lupa para ajustar el tamaño de presentación del árbol.

De manera predeterminada, el Visor de árboles de Microsoft solo muestra los primeros tres niveles del árbol. Si el árbol contiene menos de tres niveles, el visormostrará solo los niveles existentes. Puede ver más niveles si utiliza el control deslizante Mostrar nivel o la lista Expansión predeterminada.

3. Deslice Mostrar nivel hasta la cuarta barra.

4. Cambie el valor de la lista Fondo a 1.

Al cambiar la configuración de Fondo, podrá ver rápidamente el número de casos de cada nodo que tienen el valor de destino de 1 para [Bike Buyer]. Recuerde

que en este escenario en concreto, cada caso representa un cliente. El valor 1 indica que el cliente compró anteriormente una bicicleta; el valor 0 indica que el

cliente no ha comprado una bicicleta. Cuanto más oscuro sea el sombreado del nodo, mayor será el porcentaje de casos del nodo que tienen el valor dedestino.

5. Coloque el cursor sobre el nodo Todos. Se mostrará información sobre herramientas con los siguientes datos:

Número total de casos

Número de casos de personas que no han comprado bicicletas

Número de casos de personas que han comprado bicicletas

Número de casos con valores que faltan para [Bike Buyer]

También puede colocar el cursor sobre cualquier nodo del árbol para ver la condición necesaria para alcanzar ese nodo desde el nodo anterior. Esa misma

información se puede ver también en la Leyenda de minería de datos.

6. Haga clic en el nodo de Edad >= 34 y < 41. El histograma se muestra como una barra horizontal delgada a lo largo del nodo y representa la distribución de losclientes con este intervalo de edad que anteriormente compraron (rosa) o no compraron (azul) una bicicleta. El visor nos muestra que es probable que los

clientes con edades comprendidas entre 34 y 40 años sin automóvil o con uno compren una bicicleta. Si vamos un poco más lejos, vemos que la probabilidad decomprar una bicicleta aumenta si el cliente tiene una edad comprendida entre 38 y 40 años.

Como habilitó la obtención de detalles cuando creó la estructura y el modelo, puede recuperar información detallada de los casos del modelo y de la estructura deminería de datos, incluidas las columnas que no se incluyeron en el modelo de minería de datos ﴾por ejemplo, emailAddress y FirstName﴿.

Para obtener más información, vea Consultas de obtención de detalles ﴾minería de datos﴿.

Para obtener información detallada de los datos del caso

1. Haga clic con el botón secundario en un nodo y seleccione Obtener detalles y Solo columnas de modelos.

Los detalles de cada caso de entrenamiento se muestran en formato de hoja de cálculo. Estos detalles proceden de la vista vTargetMail que seleccionó comotabla de casos al generar la estructura de minería de datos.

2. Haga clic con el botón secundario en un nodo y seleccione Obtener detalles y Columnas de modelo y estructura.

SQL Server 2014


Se muestra la misma hoja de cálculo con las columnas de estructura anexadas al final.

Volver al principio

Pestaña Red de dependenciasLa pestaña Red de dependencias muestra las relaciones entre los atributos que contribuyen a la capacidad de predicción del modelo de minería de datos. El visor Red

de dependencias reafirma nuestra conclusión de que la edad y la región son factores importantes para predecir la compra de bicicletas.

Para explorar el modelo en la pestaña Red de dependencias

1. Haga clic en el nodo Bike Buyer para identificar sus dependencias.

El nodo central de la red de dependencias, Bike Buyer, representa el atributo de predicción del modelo de minería de datos. En el gráfico se resaltan todos losnodos conectados que afectan al atributo de predicción.

2. Ajuste el control deslizante Todos los vínculos para identificar el atributo más influyente.

A medida que arrastra hacia abajo el control deslizante, los atributos que afectan muy poco a la columna [Bike Buyer] se quitan del gráfico. Ajustando el control

deslizante, descubrirá que la edad y la región son los factores más importantes para predecir si alguien va a comprar una bicicleta.

Tareas relacionadas

Vea estos temas para explorar los datos con las demás clases de modelos.





Vea también

ReferenciaPestaña Árbol de decisión ﴾Visor de modelos de minería de datos﴿Pestaña Red de dependencias ﴾Visor de modelos de minería de datos﴿ConceptosExaminar un modelo usando el Visor de árboles de MicrosoftOtros recursosTareas y procedimientos del Visor de modelos de minería de datos









Explorar el modelo de agrupación en clústeres ﴾Tutorial básicode minería de datos﴿

El algoritmo de clústeres de Microsoft agrupa los casos en clústeres que contienen características similares . Estas agrupaciones son útiles para la exploración de datos,la identificación de anomalías en los datos y la creación de predicciones.

El Visor de clústeres de Microsoft ofrece las siguientes pestañas para la exploración de modelos de minería de datos de agrupación en clústeres:

Diagrama del clúster

Perfiles del clúster

Características del clúster

Distinción del clúster

Pestaña Diagrama del clúster

La pestaña Diagrama del clúster muestra todos los clústeres de un modelo de minería de datos. Las líneas entre los clústeres representan la "proximidad" y aparecensombreadas en función de la similitud entre los clústeres. El color de cada clúster representa la frecuencia de la variable y el estado del clúster.

Para explorar el modelo en la pestaña Diagrama del clúster

1. Utilice la lista Modelo de minería de datos de la parte superior de la pestaña Visor de modelos de minería de datos para cambiar al modelo TM_Clustering.

2. En la lista Visor, seleccione Visor de clústeres de Microsoft.

3. En el cuadro Variable de sombreado, seleccione Bike Buyer.

La variable predeterminada es Población, pero puede cambiarla a cualquier atributo del modelo con el fin de determinar los clústeres que contienen miembroscon los atributos que desea.

4. Seleccione 1 en el cuadro Estado para explorar esos casos donde se compró una bicicleta.

La leyenda Densidad describe la densidad del par de estados del atributo que se selecciona en Variable de sombreado y Estado. En este ejemplo se indica que

el clúster con el sombreado más oscuro tiene el porcentaje superior de compradores de bicicleta.

5. Pause su mouse sobre el clúster con el sombreado más oscuro.

Una información sobre herramientas muestra el porcentaje de casos que tienen el atributo, Bike Buyer = 1.

6. Elija el clúster con mayor densidad, haga clic con el botón secundario en él, seleccione Cambiar nombre de clúster y escriba Bike Buyers High para una

identificación posterior. Haga clic en Aceptar.

7. Busque el clúster que tiene el sombreado más ligero ﴾y la densidad más baja﴿. Haga clic con el botón secundario en el clúster, seleccione Cambiar nombre de

clúster y escriba Bike Buyers Low. Haga clic en Aceptar.

8. Haga clic en el clúster Bike Buyers High y arrástrelo hacia una área del panel que le dará una vista clara de sus conexiones a los otros clústeres.

Al seleccionar un clúster, se resaltan las líneas que conectan este clúster con otros para que pueda ver todas las relaciones existentes para el mismo. Cuando el

clúster no está seleccionado, puede saber por la oscuridad de las líneas la intensidad de las relaciones entre todos los clústeres del diagrama. Si el sombreado

es claro o inexistente, los clústeres no son muy similares.

9. Use el control deslizante situado en la parte izquierda de la red para filtrar los vínculos de menor intensidad y encontrar los clústeres con las relaciones máspróximas. El departamento comercial de Adventure Works Cycles podría desear combinar los clústeres similares al determinar el mejor método para entregar elenvío de correo directo.

Volver al principio

Pestaña Perfiles del clúster

La pestaña Perfiles del clúster proporciona una vista global del modelo TM_Clustering. La pestaña Perfiles del clúster contiene una columna para cada clúster delmodelo. La primera columna enumera los atributos asociados a un clúster como mínimo. El resto del visor contiene la distribución de estados de un atributo por cadaclúster. La distribución de una variable discreta se muestra como una barra coloreada y el número máximo de barras aparece en la lista Barras de histograma. Los

atributos continuos se muestran con un diagrama de rombo, que representa la desviación media y estándar en cada clúster.


1. Establezca las barras Histograma en 5.

En nuestro modelo, 5 es el número máximo de estados para cualquier variable.

2. Si la Leyenda de minería de datos bloquea la presentación de los Perfiles del atributo, retírela.

3. Seleccione la columna Bike Buyers High y arrástrela hacia la derecha de la columna Población.

4. Seleccione la columna Bike Buyers Low y arrástrela a la derecha de la columna Bike Buyers High.

SQL Server 2014

5. Haga clic en la columna Bike Buyers High.

La columna Variables está ordenada por orden de importancia para ese clúster. Desplácese por la columna y revise las características del clúster Bike BuyerHigh. Por ejemplo, es muy probable que en todas ellas la característica común sea que la distancia al trabajo sea corta.

6. Haga doble clic en la celda Age en la columna Bike Buyers High.

Leyenda de minería de datos muestra una vista más detallada donde se puede ver el intervalo de edad de esos clientes así como su edad media.

7. Haga clic con el botón secundario en la columna Bike Buyers Low y seleccione Ocultar columna.

Volver al principio

Pestaña Características del clúster

La pestaña Características del clúster le permite examinar con más detalle las características que forman un clúster. En lugar de comparar las características de todoslos clústeres ﴾como en la pestaña Perfiles del clúster﴿, puede explorar un clúster a la vez. Por ejemplo, si selecciona Bike Buyers High en la lista Clúster puede ver las

características de los clientes en este clúster. Aunque la presentación es diferente del visor Perfiles del clúster, los resultados son los mismos.

Nota

A menos que establezca un valor inicial para holdoutseed, los resultados variarán cada vez que procese el modelo. Para obtener más información, vea Elemento

HoldoutSeed

Volver al principio

Pestaña Distinción del clúster

La pestaña Distinción del clúster le permite explorar las características que diferencian a un clúster de otro. Después de seleccionar dos clústeres, uno de la listaClúster 1 y otro de la lista Clúster 2, el visor calcula las diferencias existentes entre los clústeres y muestra una lista de los atributos que más distinguen a los clústeres.


1. En el cuadro Clúster 1, seleccione Bike Buyers High.

2. En el cuadro Clúster 2, seleccione Bike Buyers Low.

3. Haga clic en Variables para ordenar alfabéticamente.

Algunas de las diferencias sustanciales entre clientes de los clústeres Bike Buyers Low y Bike Buyers High son la edad, la posesión de un vehículo, el número dehijos y la región.

Tareas relacionadas

Vea los temas siguientes para explorar los demás modelos de minería de datos.







Vea también

ReferenciaPestaña Distinción del clúster ﴾Visor de modelos de minería de datos﴿Pestaña Perfiles del clúster ﴾Visor de modelos de minería de datos﴿Pestaña Características del clúster ﴾Visor de modelos de minería de datos﴿Pestaña Diagrama del clúster ﴾Visor de modelos de minería de datos﴿ConceptosExaminar un modelo usando el Visor de clústeres de Microsoft












Explorar el modelo Bayes naive ﴾Tutorial básico de minería dedatos)

El algoritmo Bayes naive de Microsoft proporciona varios métodos para mostrar la interacción entre los atributos de entrada y la compra de bicicletas.

El Visor Bayes Naive de Microsoft ofrece las siguientes pestañas para la exploración de modelos de minería de datos Bayes naive:

Red de dependencias

Perfiles del atributo

Características del atributo

Distinción del atributo

Red de dependencias

La pestaña Red de dependencias funciona igual que la pestaña Red de dependencias del Visor de árboles de Microsoft. Cada nodo del visor representa un atributo y

las líneas entre los nodos representan relaciones. En el visor, puede ver todos los atributos que afectan al estado del atributo de predicción, Bike Buyer.

Para explorar el modelo en la pestaña Red de dependencias

1. Utilice la lista Modelo de minería de datos de la parte superior de la pestaña Visor de modelos de minería de datos para cambiar al modelo TM_NaiveBayes.

2. Utilice la lista Visor para cambiar a Visor Bayes naive de Microsoft.

3. Haga clic en el nodo Bike Buyer para identificar sus dependencias.

El sombreado rosa indica que todos los atributos influyen en la compra de bicicletas.

4. Ajuste el control deslizante para identificar el atributo más influyente.

A medida que baja el control deslizante, solamente permanecen los atributos que afectan en mayor medida a la columna [Bike Buyer]. Ajustando el control

deslizante, puede detectar que algunos de los atributos más influyentes son el número de automóviles que se posee, la distancia al lugar de trabajo y el númerototal de hijos.

Volver al principio

Perfiles del atributo

La pestaña Perfiles del atributo describe la forma en que los diferentes estados de los atributos de entrada afectan al resultado del atributo de predicción.

Para explorar el modelo en la pestaña Perfiles del atributo

1. En el cuadro De predicción, compruebe que se ha seleccionado Bike Buyer.

2. Si la Leyenda de minería de datos está bloqueando la presentación de los Perfiles del atributo, retírela.

3. En el cuadro de barras Histograma, seleccione 5.

En nuestro modelo, 5 es el número máximo de estados para cualquier variable.

Los atributos que afectan al estado de este atributo de predicción aparecen enumerados junto a los valores de cada estado de los atributos de entrada y susdistribuciones en cada estado del atributo de predicción.

4. En la columna Atributos, busque Number Cars Owned. Observe las diferencias en los histogramas de los compradores de bicicletas (la columna con la etiqueta

1) y los no compradores (la columna con la etiqueta 0). Una persona que no tenga automóvil o que tenga uno tiene mucha más probabilidad de comprar unabicicleta.

5. Haga doble clic en la celda Number Cars Owned en la columna de comprador de bicicletas (la columna con la etiqueta 1).

La Leyenda de minería de datos muestra una vista más detallada.

Volver al principio

Características del atributo

Mediante la pestaña Características del atributo, puede seleccionar un atributo y un valor para ver la frecuencia con la que aparecen los valores de otros atributos en

el caso de los valores seleccionados.

Para explorar el modelo en la pestaña Características del atributo

1. En la lista Atributo, compruebe que Bike Buyer está seleccionado.

SQL Server 2014

2. Establezca el Valor en 1.

En el visor, verá que los clientes que no tienen ningún hijo conviviendo con ellos, una distancia corta al trabajo y que viven en la región de Norteamérica tienenmás probabilidad de comprar una bicicleta.

Volver al principio

Distinción del atributo

La pestaña Distinción del atributo le permite examinar las relaciones entre dos valores discretos de la compra de una bicicleta y otros valores del atributo. Dado que

el modelo TM_NaiveBayes solo tiene dos estados, 1 y 0, no tiene que hacer ningún cambio en el visor.

En el visor, podrá ver que las personas que no tienen un automóvil tienden a comprar bicicletas y las personas que tienen dos no suelen comprarlas.

Tareas relacionadas

Vea los temas siguientes para explorar los demás modelos de minería de datos.



Lección siguiente




Vea también

ReferenciaPestaña Distinción del atributo ﴾Visor de modelos de minería de datos﴿Pestaña Perfiles del atributo ﴾Visor de modelos de minería de datos﴿Pestaña Características del atributo ﴾Visor de modelos de minería de datos﴿Pestaña Red de dependencias ﴾Visor de modelos de minería de datos﴿ConceptosExaminar un modelo usando el visor Bayes naive de Microsoft











Lección 5: Probar los modelos ﴾Tutorial básico de minería dedatos)

Ahora que ha procesado el modelo utilizando el conjunto de entrenamiento del escenario de distribución de correo directo, probará sus modelos con el conjunto depruebas. La validación es un paso importante del proceso de minería de datos. Es importante conocer cómo se comportan con datos reales los modelos de minería dedatos de distribución de correo directo antes de implementarlos en un entorno de producción.

Dado que los datos del conjunto de pruebas ya contienen valores conocidos para la compra de bicicletas, es fácil determinar si las predicciones del modelo soncorrectas. El departamento de marketing de Adventure Works Cycles usará el modelo que mejor se comporte para identificar a los clientes para su campaña dedistribución de correo directo.

En esta lección, validará los modelos utilizando varios métodos:

1. Realizará predicciones en el conjunto de prueba para ver el grado de precisión del modelo en resultados conocidos. Utilizará un gráfico de elevación para medir su

eficacia.

Probar la exactitud con gráficos de mejora respecto al modelo predictivo ﴾Tutorial básico de minería de datos﴿

2. Probará los modelos en un subconjunto filtrado de los datos. Puede comparar varios modelos en el mismo gráfico de elevación.

Probar un modelo filtrado ﴾Tutorial básico de minería de datos﴿

Para obtener más información sobre la validación de modelos en general, vea Conceptos de minería de datos.



Lección anterior


Lección siguiente

Lección 6: Crear y trabajar con predicciones ﴾Tutorial básico de minería de datos﴿

Vea también

ReferenciaPestaña Gráfico de elevación ﴾vista Gráfico de precisión de minería de datos﴿Pestaña Matriz de clasificación ﴾vista Gráfico de precisión de minería de datos﴿ConceptosGráfico de mejora respecto al modelo predictivo ﴾Analysis Services ‐ Minería de datos﴿Prueba y validación ﴾minería de datos﴿Matriz de clasificación ﴾Analysis Services ‐ Minería de datos﴿


SQL Server 2014












Probar la exactitud con gráficos de mejora respecto al modelopredictivo ﴾Tutorial básico de minería de datos﴿

En la pestaña Gráfico de precisión de minería de datos del Diseñador de minería de datos, puede calcular la precisión de las predicciones de sus modelos y compararlos resultados de diferentes modelos. Este método de comparación se conoce como gráfico de mejora respecto al modelo predictivo. Normalmente, la exactitud de la

predicción de un modelo de minería de datos se cuantifica mediante la mejora respecto al modelo predictivo o la exactitud de la clasificación. En este tutorial utilizaremos

solamente el gráfico de mejora respecto al modelo predictivo.

En este tema, realizará las tareas siguientes:

Elegir los datos de entrada

Configurar parámetros del gráfico de precisión

Elegir los datos de entrada

El primer paso a la hora de probar la precisión de los modelos de minería de datos consiste en seleccionar el origen de datos que usará para realizar las pruebas.Probará la exactitud de los modelos con sus datos de prueba y, a continuación, los utilizará con datos externos.

Para seleccionar el conjunto de datos

1. Cambie a la pestaña Gráfico de precisión de minería de datos del Diseñador de minería de datos de SQL Server Data Tools ﴾SSDT﴿ y seleccione la pestañaSelección de entrada.

2. En el cuadro de grupo Seleccionar un conjunto de datos para usarlo en un gráfico de precisión, seleccione Usar casos de prueba de estructura de mineríade datos. Estos son los datos de prueba que separó cuando creó la estructura de minería de datos.

Para obtener más información de las otras opciones, vea Elegir un tipo de gráfico de precisión y establecer las opciones del gráfico.

Configurar parámetros del gráfico de precisión

Para crear un gráfico de precisión, debe definir tres cosas:

¿Qué modelos debe incluir en el gráfico de precisión?

¿Qué atributo de predicción desea medir? Algunos modelos pueden tener varios objetivos, pero cada gráfico solo puede medir un resultado cada vez.

Para utilizar una columna como Nombre de columna de predicción en un gráfico de precisión, las columnas deben tener el tipo de uso de Predict o Predict

Only. Además, el tipo de contenido de la columna de destino debe ser Discrete o Discretized. Es decir, no puede medir la precisión en salidas numéricascontinuas con el gráfico de elevación.

Desea medir la precisión general del modelo, o su precisión para predecir un valor concreto ﴾por ejemplo [Bike Buyer] = ‘Yes’﴿

Para generar el gráfico de elevación

1. En la pestaña Selección de entrada del Diseñador de minería de datos, en Seleccione las columnas del modelo de minería de datos de predicción que semostrarán en el gráfico de elevación, active la casilla correspondiente a Sincronizar valores y columnas de predicción.

2. En la columna Nombre de columna de predicción, compruebe que Bike Buyer está seleccionado para cada modelo.

3. En la columna Mostrar, seleccione cada uno de los modelos.

De forma predeterminada, todos los modelos de la estructura de minería de datos aparecen seleccionados. Puede decidir no incluir un modelo específico, peropara este tutorial deje todos los modelos seleccionados.

4. En la columna Valor de predicción, seleccione 1. El mismo valor se rellena automáticamente para cada modelo que tiene la misma columna de predicción.

5. Seleccione la pestaña Gráfico de elevación.

Al hacer clic en la pestaña, se ejecuta una consulta de predicción para obtener predicciones de los datos de prueba, y se comparan los resultados con losvalores conocidos. Los resultados se trazan en el gráfico.

Si especificó un resultado objetivo determinado mediante la opción Valor de predicción, el gráfico de elevación traza los resultados de suposiciones aleatoriasy los resultados de un modelo ideal.

La línea de suposición aleatoria muestra cuál sería el grado de precisión del modelo sin utilizar ningún dato para informar de sus predicciones: es decir,una división 50‐50 entre dos resultados. El gráfico de elevación ayuda a visualizar la mejora del funcionamiento del modelo con respecto a una estimaciónaleatoria.

La línea del modelo ideal representa el límite superior de precisión. Muestra el beneficio máximo posible que podría conseguir si el modelo siemprehiciera sus predicciones con precisión.

Los modelos de minería de datos que creó estarán normalmente entre estos dos extremos. Cualquier mejora en la suposición aleatoria se considera una mejora

respecto al modelo predictivo.

SQL Server 2014


6. Utilice la leyenda para buscar las líneas coloreadas que representan el modelo ideal y el modelo de suposición aleatoria.

Observará que el modelo TM_Decision_Tree proporciona la mayor mejora respecto al modelo predictivo, superando tanto al modelo de agrupación enclústeres como al de Bayes naive.

Para obtener una explicación detallada de un gráfico de mejora respecto al modelo predictivo similar al creado en esta lección, vea Gráfico de mejora respecto almodelo predictivo ﴾Analysis Services ‐ Minería de datos﴿.


Probar un modelo filtrado ﴾Tutorial básico de minería de datos﴿

Vea también

ReferenciaPestaña Gráfico de elevación ﴾vista Gráfico de precisión de minería de datos﴿ConceptosGráfico de mejora respecto al modelo predictivo ﴾Analysis Services ‐ Minería de datos﴿






Probar un modelo filtrado ﴾Tutorial básico de minería dedatos)

Ahora que ha determinado que el modelo TM_Decision_Tree es el más preciso, lo personalizará de acuerdo con las necesidades de la campaña de distribución decorreo directo de Adventure Works Cycles. Concretamente, el departamento de marketing desea saber si hay alguna diferencia entre los clientes masculinos y femeninos.

Esta información puede ayudarles a decidir qué revistas utilizar para los anuncios y qué productos ofrecer en sus campañas.

Usar filtros

El filtrado permite crear con facilidad modelos basados en subconjuntos de datos. El filtro se aplica solo al modelo y no cambia el origen de datos subyacente.

En esta lección, creará un modelo filtrado por género para predecir las características que más influyen en el comportamiento de compra de los hombres y lasmujeres.

Primero realizará una copia del modelo TM_Decision_Tree.

Para copiar el modelo del árbol de decisión

1. En SQL Server Data Tools (SSDT), en el Explorador de soluciones, seleccione BasicDataMining.

2. Haga clic en la pestaña Modelos de minería de datos.

3. Haga clic con el botón secundario en el modelo TM_Decision_Tree y seleccione Nuevo modelo de minería de datos.

4. En el campo Nombre del modelo, escriba TM_Decision_Tree_Male.


Luego, cree un filtro para seleccionar los clientes para el modelo basados en su género.

Para crear un filtro de casos en un modelo de minería de datos

1. Haga clic con el botón secundario en el modelo de minería de datos TM_Decision_Tree_Male para abrir el menú contextual.

O bien

Seleccione el modelo. En el menú Minería de datos, seleccione Establecer filtro de modelos.

2. En el cuadro de diálogo Filtro del modelo, haga clic en la fila superior de la cuadrícula en el cuadro de texto Columna de la estructura de minería de datos.

La lista desplegable muestra solo los nombres de las columnas de esa tabla.

3. En el cuadro de texto Columna de la estructura de minería de datos, seleccione Gender.

El icono en la parte izquierda del cuadro de texto cambia para indicar que el elemento seleccionado es una tabla o una columna.

4. Haga clic en el cuadro de texto Operador y seleccione el operador igual (=) en la lista.

5. Haga clic en el cuadro de texto Valor y escriba M.

6. Haga clic en la siguiente fila de la cuadrícula.

7. Haga clic en Aceptar para cerrar el cuadro de diálogo Filtro del modelo.

El filtro se muestra en la ventana Propiedades. Como alternativa, puede iniciar el cuadro de diálogo Filtro del modelo en la ventana Propiedades.

8. Repita los pasos anteriores, pero esta vez asigne al modelo el nombre TM_Decision_Tree_Female y escriba F en el cuadro de texto Valor.

Procesar los modelos filtrados

Los modelos no se pueden utilizar hasta que se hayan implementado y procesado. Para obtener más información acerca de los modelos de procesamiento, veaProcesar los modelos de la estructura de distribución de correo directo ﴾Tutorial básico de minería de datos﴿.

Para procesar el modelo filtrado

1. Hacer clic con el botón secundario en el modelo TM_Decision_Tree_Male y seleccione Procesar estructura de minería de datos y todos los modelos.

2. Haga clic en Ejecutar para procesar los nuevos modelos.

3. Una vez completado el procesamiento, haga clic en Cerrar en ambas ventanas de procesamiento.

Ahora tiene dos modelos nuevos que se muestran en la pestaña Modelos de minería de datos.

SQL Server 2014


Evaluar los resultados

Vea los resultados y evalúe la exactitud de los modelos filtrados de la misma manera que hizo con los tres modelos anteriores. Para obtener más información, vea:



Para explorar los modelos filtrados

1. Seleccione la pestaña Visor de modelo de minería de datos en Diseñador de minería de datos.

2. En el cuadro Modelo de minería de datos, seleccione TM_Decision_Tree_Male.

3. Deslice Mostrar nivel hasta 3.

4. Cambie el valor de la lista Fondo por 1.

5. Coloque el cursor sobre el nodo con la etiqueta Todos para ver el número de compradores de bicicleta con respecto a los no compradores.

6. Repita los pasos 1 al 5 con TM_Decision_Tree_Female.

7. Explore los resultados para TM_Decision_Tree y los modelos filtrados por el género. Si se comparan todos los compradores de bicicletas, los compradores

masculinos y femeninos comparten algunas de las mismas características de los compradores de bicicletas sin filtrar, pero los tres también presentan diferenciasinteresantes. Ésta es información útil que Adventure Works Cycles puede utilizar para desarrollar su campaña de marketing.

Para probar la mejora en la predicción de los modelos filtrados

1. Cambie a la pestaña Gráfico de precisión de minería de datos del Diseñador de minería de datos de SQL Server Data Tools ﴾SSDT﴿ y seleccione la pestañaSelección de entrada.

2. En el cuadro de grupo Seleccionar un conjunto de datos para usarlo en un gráfico de precisión, seleccione Usar casos de prueba de estructura de mineríade datos.

3. En la pestaña Selección de entrada del Diseñador de minería de datos, en Seleccione las columnas del modelo de minería de datos de predicción que semostrarán en el gráfico de elevación, active la casilla correspondiente a Sincronizar valores y columnas de predicción.

4. En la columna Nombre de columna de predicción, compruebe que Bike Buyer está seleccionado para cada modelo.

5. En la columna Mostrar, seleccione cada uno de los modelos.

6. En la columna Valor de predicción, seleccione 1.

7. Seleccione la pestaña Gráfico de mejora respecto al modelo predictivo para mostrar el gráfico de mejora.

Observará ahora que los tres modelos de Árbol de decisión proporcionan una mejora significativa con respecto al modelo de estimación aleatoria, además desuperar a los modelos de agrupación en clústeres y Bayes naive.

Tareas relacionadas

Para obtener más información sobre los filtros, vea Filtros para modelos de minería ﴾Analysis Services ‐ Minería de datos﴿.

Para obtener un ejemplo de cómo aplicar filtros a tablas anidadas, vea Tutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿.



Lección siguiente

Lección 6: Crear y trabajar con predicciones ﴾Tutorial básico de minería de datos﴿

Vea también

TasksEliminar un filtro de un modelo de minería de datosConceptosTutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Filtros para modelos de minería ﴾Analysis Services ‐ Minería de datos﴿Otros recursosTareas y procedimientos de los modelos de minería de datos












Lección 6: Crear y trabajar con predicciones ﴾Tutorial básico deminería de datos﴿

Ha entrenado, probado y explorado los modelos de minería de datos que creó. Ahora ya puede usar los modelos para identificar a las personas que es más probableque respondan a la nueva campaña de envío de correo directo.

En esta lección creará una consulta para predecir qué clientes tienen más probabilidad de comprar una bicicleta. También recuperará la probabilidad de que la predicciónsea correcta para que el departamento de marketing pueda decidir si se debe utilizar la predicción o no.

Cuando haya identificado a los clientes con una probabilidad alta de comprar una bicicleta, obtendrá detalles de los casos del modelo de minería de datos pararecuperar los nombres y la información de contacto correspondiente.

Esta lección incluye los temas siguientes:

Crear predicciones ﴾Tutorial básico de minería de datos﴿

Usar la obtención de detalles en datos de estructura ﴾Tutorial básico de minería de datos﴿

Lección siguiente


Lección anterior




Vea también

TasksCrear una consulta de predicción con el Generador de consultas de predicciónReferenciaContenido del modelo de minería de datos para los modelos de árboles de decisión ﴾Analysis Services ‐ Minería de datos﴿


SQL Server 2014









Una vez que haya probado la precisión de los modelos de minería de datos y esté satisfecho con los resultados, puede generar predicciones por medio del Generadorde consultas de predicción en la pestaña Predicción de modelo de minería de datos del Diseñador de minería de datos.

El Generador de consultas de predicción tiene tres vistas. Mediante las vistas Diseño y Consulta, puede crear y examinar una consulta. A continuación, puede ejecutar laconsulta y ver los resultados en la vista Resultado.

Todas las consultas de predicción utilizan DMX, que es el acrónimo del lenguaje de Extensiones de minería de datos ﴾DMX﴿. DMX tiene una sintaxis similar a la de T-SQL,

pero se utiliza con consultas en objetos de minería de datos. Aunque la sintaxis de DMX no es complicada, el uso de un generador de consultas como este, o el incluido

en Complementos de minería de datos de SQL Server para Office, simplifica considerablemente la selección de entradas y la generación de expresiones, por lo que serecomienda encarecidamente que aprenda los conceptos básicos.

Crear la consulta

El primer paso para crear una consulta de predicción consiste en seleccionar un modelo de minería de datos y una tabla de entrada.

Para seleccionar un modelo de minería de datos y una tabla de entrada

1. En la pestaña Predicción de modelo de minería de datos del Diseñador de minería de datos, en el cuadro Modelo de minería de datos, haga clic en

Seleccionar modelo.

2. En el cuadro de diálogo Seleccionar modelo de minería de datos, navegue por el árbol hasta la estructura Targeted Mailing, expándala, seleccioneTM_Decision_Tree y, a continuación, haga clic en Aceptar.

3. En el cuadro Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.

4. En el cuadro de diálogo Seleccionar tabla, en la lista Origen de datos, seleccione la vista del origen de datos Adventure Works DW Multidimensional 2012 .

5. En la lista Nombre de tabla o vista, seleccione la tabla ProspectiveBuyer (dbo) y, a continuación, haga clic en Aceptar.

La tabla ProspectiveBuyer se parece mucho a la tabla de casos vTargetMail.

Asignar las columnas

Después de seleccionar la tabla de entrada, el Generador de consultas de predicción crea una asignación predeterminada entre el modelo de minería de datos y latabla de entrada, en función de los nombres de las columnas. Al menos una columna de la estructura debe coincidir con una columna de los datos externos.

Importante

Los datos que use para determinar la precisión de los modelos deben contener una columna que se pueda asignar a la columna de predicción. Si no existe esa

columna, puede crear una con valores vacíos, pero debe tener el mismo tipo de datos que la columna de predicción.

Para asignar las entradas al modelo

1. Haga clic con el botón secundario en las líneas que conectan la ventana Modelo de minería de datos a la ventana Seleccionar tabla de entrada y seleccione

Modificar conexiones.

Observe que no todas las columnas están asignadas. Agregaremos asignaciones para varias Columnas de tabla. También generaremos una columna de fechade nacimiento nueva en función de la columna de fecha actual, para que la coincidencia de las columnas sea mejor.

2. En Columna de la tabla, haga clic en la celda Bike Buyer y seleccione ProspectiveBuyer.Unknown en el cuadro desplegable.

De esta forma, se asigna la columna de predicción, [Bike Buyer], a una columna de la tabla de entrada.


4. En el Explorador de soluciones, haga clic con el botón secundario en la vista del origen de datos Targeted Mailing y seleccione Diseñador de vistas.

5. Haga clic con el botón secundario del mouse en la tabla ProspectiveBuyer y seleccione Nuevo cálculo con nombre.

6. En el cuadro de diálogo Crear cálculo con nombre, en Nombre de columna, escriba calcAge.

7. En Descripción, escriba Calcular la edad en función de la fecha de nacimiento.

8. En el cuadro Expresión, escriba DATEDIFF(AAAA,[BirdthDate],getdate()) y haga clic en Aceptar.

Puesto que la tabla de entrada no tiene ninguna columna Age que se corresponda con una del modelo, puede utilizar esta expresión para calcular la edad delcliente a partir de la columna BirthDate de la tabla de entrada. Puesto que Age se identificó como la columna más influyente para predecir la compra de unabicicleta, debe existir en el modelo y en la tabla de entrada.

9. En el Diseñador de minería de datos, seleccione la pestaña Predicción de modelo de minería de datos y vuelva a abrir la ventana Modificar conexiones.

10. En Columna de la tabla, haga clic en la celda Age y seleccione ProspectiveBuyer.calcAge en el cuadro desplegable.

Advertencia

SQL Server 2014

http://msdn.microsoft.com/es-es/library/dn282373.aspx

Si no ve la columna en la lista, puede que tenga que actualizar la definición de la vista del origen de datos que se ha cargado en el diseñador. Para ello, en el

menú Archivo, seleccione Guardar todo y, a continuación, cierre y abra de nuevo el proyecto en el diseñador.


Diseñar la consulta de predicción

1. El primer botón de la barra de herramientas de la pestaña Predicción de modelo de minería de datos es el botón Cambiar a vista de diseño de consulta /Cambiar a vista de resultado / Cambiar a vista de consulta. Haga clic en la flecha abajo en este botón y seleccione Diseño.

2. En la cuadrícula de la pestaña Predicción de modelo de minería de datos, haga clic en la celda de la primera fila vacía de la columna Origen y, a continuación,seleccione Función de predicción.

3. En la fila Función de predicción, de la columna Campo, seleccione PredictProbability.

En la columna Alias de la misma fila, escriba Probabilidad de resultado.

4. En la ventana Modelo de minería de datos anterior, seleccione y arrastre [Bike Buyer]] a la celda Criterios o argumento.

A continuación, aparece [TM_Decision_Tree].[Bike Buyer] en la celda Criterios o argumento.

De esta forma, se especificará la columna de destino para la función PredictProbability. Para obtener más información acerca de las funciones, vea Referencia

de funciones de Extensiones de minería de datos ﴾DMX﴿.

5. Haga clic en la siguiente fila vacía de la columna Origen y, a continuación, seleccione TM_Decision_Tree mining model.

6. En la fila TM_Decision_Tree, en la columna Campo, seleccione Bike Buyer.

7. En la fila TM_Decision_Tree, en la columna Criterios o argumento, escriba = 1.

8. Haga clic en la siguiente fila vacía de la columna Origen y, a continuación, seleccione la tabla ProspectiveBuyer.

9. En la fila ProspectiveBuyer de la columna Campo, seleccione ProspectiveBuyerKey.

De esta forma, se agregará el identificador único a la consulta de predicción para que pueda identificar quién es más y menos probable que compre unabicicleta.

10. Agregue cinco filas más a la cuadrícula. Para cada fila, seleccione la tabla ProspectiveBuyer como Origen y, a continuación, agregue las columnas siguientes enlas celdas Campo:

calcAge

LastName

FirstName

AddressLine1

AddressLine2

Finalmente, ejecute la consulta y examine los resultados.

El Generador de consultas de predicción también incluye estos controles:

Casilla Mostrar

Permite quitar cláusulas de la consulta sin tener que eliminarlas desde el diseñador. Esto puede resultar útil cuando se trabaja con consultas complejas y sedesear conservar la sintaxis sin tener que copiar y pegar DMX en la ventana.

Grupo

Inserta un paréntesis de apertura ﴾izquierdo﴿ al principio de la línea seleccionada o inserta un paréntesis de cierre ﴾derecho﴿ al final de la línea actual.

AND/OR

Inserta el operador AND o el operador OR inmediatamente después de la función o columna actual.

Para ejecutar la consulta y ver los resultados

1. En la pestaña Predicción de modelo de minería de datos, seleccione el botón Resultado.

2. Una vez que la consulta se ejecute y se muestren los resultados, puede revisarlos.

La pestaña Predicción de modelo de minería de datos muestra información de contacto para los clientes potenciales que son probables compradores debicicletas. La columna Probabilidad de resultado indica la probabilidad de que la predicción sea correcta. Puede utilizar estos resultados para determinar a quéclientes potenciales debe dirigirse en el correo.

3. En este punto, puede guardar los resultados. Tiene tres opciones:

Haga clic con el botón secundario en una fila de datos en los resultados y seleccione Copiar para guardar solo el valor (y el encabezado de columna) en

el Portapapeles.

Haga clic con el botón secundario en cualquier fila de resultados y seleccione Copiar todo para copiar el conjunto de resultados completo, incluidos los

encabezados de columna, en el Portapapeles.


Haga clic en Guardar resultado de la consulta para guardar los resultados directamente en una base de datos como sigue:

a. En el cuadro de diálogo Guardar resultado de consulta de minería de datos, seleccione un origen de datos o defina un nuevo origen de datos.

b. Escriba un nombre para la tabla que contendrá los resultados de la consulta.

c. Utilice la opción Agregar a vista del origen de datos para crear la tabla y agregarla a una vista del origen de datos existente. Esto es útil si deseaconservar todas las tablas relacionadas para un modelo, como los datos de entrenamiento, los datos del origen de predicción y los resultados dela consulta, en la misma vista del origen de datos.

d. Utilice la opción Sobrescribir si existe para actualizar una tabla existente con los últimos resultados.

Debe utilizar la opción de sobrescribir la tabla si ha agregado algunas columnas a la consulta de predicción, cambiado los nombres o los tipos dedatos de las columnas en la consulta de predicción, o si ha ejecutado alguna instrucción ALTER en la tabla de destino.

Además, si varias columnas tienen el mismo nombre ﴾por ejemplo, el nombre de columna predeterminado Expresión) debe crear un alias para las

columnas con nombres duplicados o se producirá un error cuando el diseñador intente guardar los resultados en SQL Server. La razón es que SQLServer no permite que varias columnas tengan el mismo nombre.

Para obtener más información, vea Guardar resultado de consulta de minería de datos ﴾cuadro de diálogo de la vista Predicción de modelo deminería de datos﴿.


Usar la obtención de detalles en datos de estructura ﴾Tutorial básico de minería de datos﴿

Vea también

TasksCrear una consulta de predicción con el Generador de consultas de predicción





Usar la obtención de detalles en datos de estructura ﴾Tutorialbásico de minería de datos﴿

Adventure Works Cycles está enviando un formulario a los clientes potenciales de entre 34 y 40 años de edad como parte de su campaña de publicidad. El departamento

de marketing ha decidido que les gustaría enviar también el formulario a los clientes que compraron bicicletas de Adventure Works Cycles hace más de cinco años. Enesta lección, identificará los clientes con bicicletas anteriores y recuperará su información de contacto. Esta información no está incluida en el modelo, pero se incluye en laestructura. Para recuperar la información de contacto, primero se asegurará de que la obtención de detalles está habilitada para la estructura y, a continuación, la utilizarápara revelar los nombres y direcciones de los clientes objetivo.

Para obtener información sobre cómo obtener detalles a través de los casos de modelo, vea Usar la obtención de detalles en datos de estructura ﴾Tutorial básico deminería de datos﴿.

Para habilitar la obtención de detalles en un modelo de minería de datos

1. En SQL Server Data Tools ﴾SSDT﴿, en la pestaña Modelos de minería de datos del Diseñador de minería de datos, haga clic con el botón secundario en el modeloTM_Decision_Tree y seleccione Propiedades.

2. En las ventanas Propiedades, haga clic en AllowDrillThroughy seleccione True.

3. En la pestaña Modelos de minería de datos, haga clic con el botón secundario en el modelo y seleccione Procesar modelo.

Para obtener más información, vea Consultas de obtención de detalles ﴾minería de datos﴿

Para ver los datos de obtención de detalles de un modelo de minería de datos

1. En el Diseñador de minería de datos, haga clic en la pestaña Visor de modelo de minería de datos.

2. Seleccione el modelo TM_Decision_Tree en la lista Modelo de minería de datos.

3. Cambie el valor de la lista Fondo por 1. De esta forma, se muestra solo la parte del modelo que está relacionada con los clientes que compraron bicicletas.

4. En la lista Visor, seleccione Visor de árboles de Microsoft. De esta manera, se forzará la actualización del visor con las condiciones de filtro. Por tanto, localice el

nodo Age >=34 and <41 y haga clic en él con el botón secundario.

5. Seleccione Obtener detalles y después Columnas de modelo y estructura para abrir la ventana Obtener detalles.

6. Desplácese a la columna Structure.Date First Purchase para ver la fecha de compra de las bicicletas anteriores.

7. Para copiar los datos en el Portapapeles, haga clic con el botón secundario en cualquier fila de la tabla y seleccione Copiar todo.

Felicidades, ha completado el Tutorial básico de minería de datos. Ahora que conoce más las herramientas de minería de datos, recomendamos que también complete elTutorial intermedio de minería de datos, que demuestra cómo crear modelos de pronóstico, análisis de la cesta de la compra y agrupación en clústeres de secuencia.



Vea también

TasksCrear una consulta de predicción con el Generador de consultas de predicción


SQL Server 2014





Tutorial intermedio de minería de datos ﴾Analysis Services ‐Minería de datos﴿

Microsoft Analysis Services ofrece un entorno integrado para crear modelos de minería de datos y trabajar con ellos. Puede crear fácilmente enlaces con orígenes dedatos, crear y probar varios modelos basados en los mismos datos e implementar los modelos para utilizarlos en análisis predictivos.

En el Tutorial básico de minería de datos, aprendió a utilizar SQL Server Data Tools ﴾SSDT﴿ para crear una solución de minería de datos y generó tres modelos para unacampaña de envío de correo directo con el fin de analizar el comportamiento de compra de los clientes e identificar a los compradores potenciales.

Este tutorial intermedio se basa en esa experiencia y presenta varios escenarios nuevos, incluidos algunos requisitos empresariales habituales, como el análisis deprevisiones y de la cesta de la compra. Aprenderá a crear un modelo de serie temporal, un modelo de asociación y un modelo de agrupación en clústeres de secuencia.Por último, aprenderá a usar una red neuronal para explorar las correlaciones de los datos y a usar la regresión logística para las predicciones.

Las lecciones son independientes y se pueden completar por separado.

Para completar los siguientes tutoriales, debe estar familiarizado con las herramientas de minería de datos y los visores del modelo de minería de datos que sepresentaron en el Tutorial básico de minería de datos.

En todos los escenarios se utiliza el origen de datos AdventureWorksDW2012 , pero creará vistas del origen de datos diferentes para los distintos escenarios. Puede

llevar a cabo las lecciones en cualquier orden siempre que cree primero el origen de datos.

Escenarios de las lecciones

Una vez finalizada correctamente la campaña de envío de correo directo, se le ha pedido que aplique sus conocimientos sobre minería de datos a fin de desarrollarmodelos nuevos para los planes empresariales. Estos incluye las siguientes tareas:

Pronóstico: creará un modelo de serie temporal para pronosticar las ventas de productos en regiones en todo el mundo. Desarrollará modelos individuales paracada región y aprenderá a usar las predicciones cruzadas.

Análisis de la cesta de la compra: creará un modelo de asociación para analizar las agrupaciones de productos que se compraron durante las visitas al sitio de

comercio electrónico de Adventure Works Cycles. En función de este modelo de cesta de la compra, puede recomendar productos a los clientes.

Análisis de secuencias: creará un modelo de agrupación en clústeres de secuencia para analizar el orden en que los clientes compran productos. A partir de este

modelo, puede planear cambios en el diseño del sitio web o en las ofertas de nuevos productos.

Análisis factorial: utilizará un modelo de red neuronal para explorar las posibles causas de por qué los datos relativos a la calidad del servicio del centro dellamadas no son buenos. Basándose en los conocimientos del modelo preliminar, creará un modelo de regresión logística para identificar posibles estrategias

para mejorar la experiencia del cliente con el centro de llamadas.

Aprendizaje

Este tutorial le enseñará a crear varios tipos de algoritmos de minería de datos y a trabajar con ellos. El tutorial se compone de las siguientes lecciones:

Lección 1: Crear la solución de minería de datos intermedia ﴾Tutorial intermedio de minería de datos﴿En esta lección creará un nuevo proyecto basado en la base de datos AdventureWorksDW2012 que admite varias vistas del origen de datos nuevas y muchos

más modelos de minería de datos.

Lección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿En esta lección aprenderá a crear un modelo de minería de datos que se pueda utilizar como parte de un escenario de previsión. Analizará también los modelosde minería de datos creados con el algoritmo de serie temporal de Microsoft.

Creará modelos para regiones individuales y, a continuación, creará un modelo general que se pueda utilizar en la predicción cruzada.

Lección 3: Generar un escenario de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿En esta lección agregará una nueva vista del origen de datos y aprenderá a trabajar con tablas anidadas y claves. A partir de estos datos, creará un modelo deminería de datos que se pueda utilizar como parte de un escenario de cesta de la compra. Analizará también los modelos de minería de datos creados con elalgoritmo de asociación de Microsoft.

Lección 4: Generar un escenario de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿En esta lección aprenderá a crear un modelo de minería de datos que se pueda utilizar como parte de un escenario de agrupación en clústeres de secuencia.Asimismo, aprenderá a explorar los modelos de minería de datos creados mediante el algoritmo de clústeres de secuencia de Microsoft.

Lección 5: Generar modelos de red neuronal y de regresión logística ﴾Tutorial intermedio de minería de datos﴿En esta lección, creará varios modelos de minería de datos relacionados, utilizando los algoritmos de Red neural de Microsoft y de Regresión logística deMicrosoft. También aprenderá a trabajar con vistas del origen de datos para explorar datos subyacentes de los modelos.

Requisitos

Asegúrese de que los siguientes componentes estén instalados:

Microsoft SQL Server 2014

SQL Server 2014





http://msdn.microsoft.com/es-es/library/dd206981.aspx

Microsoft SQL Server Analysis Services

SQL Server con la base de datos AdventureWorksDW2012 .

Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos oficiales de Microsoft SQL

Server, visite la página Bases de datos de ejemplo de Microsoft SQL y seleccione la versión adecuada de la base de datos de ejemplo.

Vea también

TasksTutorial básico de minería de datosConceptosTutorial DMX de Bike Buyer

Tutorial DMX de Market Basket






Lección 1: Crear la solución de minería de datos intermedia﴾Tutorial intermedio de minería de datos﴿

En el Tutorial básico de minería de datos, creó un proyecto de Analysis Services que contiene una solución de minería de datos sencilla basada en la nueva base de datosAdventureWorksDW2012 .

Para este tutorial, creará un proyecto Analysis Services independiente utilizando SQL Server Data Tools ﴾SSDT﴿. Creará un nuevo origen de datos de Analysis Services queusa AdventureWorksDW2012 y le agregará varias vistas del origen de datos nuevas para admitir los escenarios y tipos de modelo.

Esta lección consta de la tarea siguiente:

Crear una solución y un origen de datos ﴾tutorial intermedio de minería de datos﴿

Paso siguiente

Lección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿

Todas las lecciones

Lección 1: Crear la solución de minería de datos intermedia ﴾Tutorial intermedio de minería de datos﴿


Lección 3: Generar un escenario de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿

Lección 4: Generar un escenario de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Lección 5: Generar modelos de red neuronal y de regresión logística ﴾Tutorial intermedio de minería de datos﴿

Vea también

TasksTutorial básico de minería de datosOtros recursosCrear y consultar modelos de minería de datos con DMX: tutoriales ﴾Analysis Services ‐ minería de datos﴿


SQL Server 2014










Crear una solución y un origen de datos ﴾tutorial intermediode minería de datos﴿

Para trabajar con minería de datos, primero debe crear un proyecto en SQL Server Data Tools ﴾SSDT﴿ mediante la plantilla, Proyecto multidimensional y de minería dedatos de Analysis Services. Cuando se abre la plantilla, esta carga en el diseñador todos los esquemas que podría necesitar para minería de datos: orígenes de datos,estructuras y modelos de minería de datos, e incluso cubos si su estructura de minería de datos usa datos multidimensionales.

Cuando se crea el proyecto, la solución se almacena como un archivo local hasta que se implementa la solución. Cuando se implementa la solución, Analysis Servicesbusca el servidor de Analysis Services especificado en las propiedades del proyecto, y crea una nueva base de datos de Analysis Services con el mismo nombre que el

proyecto. De forma predeterminada, Analysis Services utiliza la instancia localhost para los nuevos proyectos. Si usa una instancia con nombre o especifica un nombre

diferente para la instancia predeterminada, debe cambiar la propiedad de la base de datos de implementación del proyecto a la ubicación donde desea crear los objetosde minería de datos.

Para obtener más información acerca de los proyectos de Analysis Services, vea Crear un proyecto de Analysis Services (SSDT).

Para crear un nuevo proyecto de Analysis Services en este tutorial

1. Abra SQL Server Data Tools (SSDT).

2. En el menú Archivo, seleccione Nuevo y haga clic en Proyecto.

3. En el panel Plantillas instaladas, seleccione Proyecto multidimensional y de minería de datos de Analysis Services.

4. En el cuadro Nombre, asigne al nuevo proyecto el nombre Minería de datos intermedia.


Para cambiar la instancia donde se almacenan los objetos de minería de datos (opcional)

1. En SQL Server Data Tools ﴾SSDT﴿, en el menú Proyecto, haga clic en Propiedades.

2. En el lado izquierdo del panel Páginas de propiedades, haga clic en Implementación.

3. Compruebe que el nombre del servidor es localhost. Si usa una instancia diferente, escriba el nombre de la instancia. Si va a utilizar una instancia con nombre de

Analysis Services, escriba el nombre de equipo y, a continuación, el nombre de instancia. Haga clic en Aceptar.

Para cambiar las propiedades de implementación de un proyecto (opcional)

1. En el Explorador de soluciones, haga clic con el botón secundario en el proyecto y seleccione Propiedades.

O bien

En SQL Server Data Tools ﴾SSDT﴿, en el menú Proyecto, seleccione Propiedades.

2. En el lado izquierdo del panel Páginas de propiedades, haga clic en Implementación.

En el panel Opciones, seleccione Modo de implementación y establezca las opciones en Implementar todo para sobrescribir o en Implementar solo cambios

para actualizar los objetos o agregar objetos.

Crear un origen de datos

En el tutorial básico de minería de datos, creó un origen de datos con información de conexión para la base de datos AdventureWorksDW2012 . Siga los mismos pasos

para crear el origen de datos AdventureWorksDW2012 en esta solución.

Crear un origen de datos


Un solo origen de datos puede admitir varias vistas del origen de datos, y cada vista del origen de datos puede tener varias tablas. Sin embargo, como el origen de

datos y la vista del origen de datos se implementan en la base de datos Microsoft SQL Server Analysis Services junto con los modelos de minería de datos que cree, esrecomendable que solamente incluya en cada vista del origen de datos las tablas necesarias para cada modelo de minería de datos o grupo de modelos.

En las lecciones siguientes, agregará vistas del origen de datos para admitir cada uno de los nuevos escenarios. Solo las lecciones de cesta de la compra y agrupaciónen clústeres de secuencia utilizan la misma vista del origen de datos; por el contrario, cada escenario utiliza una vista del origen de datos distinta, de forma que laslecciones son independientes y se pueden realizar por separado.

Escenario Datos incluidos en la vista del origen de datos

Lección 2: generar un escenario de pronóstico ﴾Tutorial intermediode minería de datos﴿

Los informes de ventas mensuales para los modelos de bicicleta en distintas regiones,

recopilados como una vista única.

Lección 3: Generar un escenario de cesta de la compra ﴾Tutorialintermedio de minería de datos﴿

Una tabla que contiene una lista de pedidos de cliente, y una tabla anidada que muestra las

compras individuales para cada cliente.

SQL Server 2014






Lección 4: Generar un escenario de agrupación en clústeres desecuencia ﴾Tutorial intermedio de minería de datos﴿

Los mismos datos que se utilizan para el análisis de la cesta de la compra, además de unidentificador que muestra el orden en que los elementos se compraron.

Lección 5: Generar modelos de red neuronal y de regresiónlogística ﴾Tutorial intermedio de minería de datos﴿

Una única tabla que contiene algunos datos preliminares de seguimiento del rendimientoprocedentes de un centro de llamadas.

Lección siguiente


Vea también

ConceptosProyectos de minería de datosVistas del origen de datos en modelos multidimensionales







Lección 2: generar un escenario de pronóstico ﴾Tutorialintermedio de minería de datos﴿

Como analista de ventas de Adventure Works Cycles, se le ha solicitado un pronóstico de las ventas de productos para el próximo año. En concreto, se le ha solicitado

que compare las previsiones de las distintas regiones y líneas de productos. Además, debe determinar si las ventas de diferentes productos varían en función de la épocadel año.

Para hallar la información solicitada, en esta lección resumirá los datos de ventas mensuales de la compañía y también resumirá las cifras de ventas en tres regiones:Europa, Norteamérica y Pacífico.

Una vez que haya completado las tareas de esta lección, podrá responder a las preguntas siguientes:

¿Cómo cambian las ventas de los diferentes modelos de bicicleta a lo largo del año?

¿Hay diferencias entre los patrones de ventas en las tres regiones?

¿Podemos predecir picos de ventas?

La lección se puede completar en dos partes:

La primera parte presenta los conceptos básicos de cómo crear y usar un modelo de serie temporal.

La segunda parte le guía por la creación de un modelo general de series temporales basándose en todas las regiones. Puede usar este modelo general para la

predicción cruzada.

Para completar las tareas de esta lección, que se indican más abajo, utilizará el origen de datos AdventureWorksDW2012 que creó en la Lección 1: Crear la solución deminería de datos intermedia ﴾Tutorial intermedio de minería de datos﴿.

Advertencia

Las fechas de la base de datos de ejemplo de Adventure Works Cycles se han actualizado para esta versión. Si usa una versión anterior de Adventure Works Cycles,puede crear el modelo según estos pasos, pero podría ver resultados diferentes.

Crear un modelo de pronóstico simple

Agregar una vista del origen de datos para las previsiones ﴾tutorial intermedio de minería de datos﴿

Crear una estructura de pronóstico y un modelo ﴾tutorial intermedio de minería de datos﴿

Modificar la estructura de previsión ﴾tutorial intermedio de minería de datos﴿

Personalizar y procesar el modelo de pronóstico ﴾tutorial intermedio de minería de datos﴿

Explorar el modelo de previsión ﴾tutorial intermedio de minería de datos﴿

Crear predicciones de serie temporal ﴾Tutorial intermedio de minería de datos﴿

Crear un modelo de pronóstico general para predicciones cruzadas

Predicciones de serie temporal avanzadas ﴾Tutorial intermedio de minería de datos﴿

Predicciones de serie temporal que usan datos actualizados ﴾tutorial intermedio de minería de datos﴿

Predicciones de serie temporal que usan datos de reemplazo ﴾Tutorial intermedio de minería de datos﴿

Comparar las predicciones de los modelos de predicción ﴾Tutorial intermedio de minería de datos﴿


Agregar una vista del origen de datos para las previsiones ﴾tutorial intermedio de minería de datos﴿

Descripción de los requisitos de un modelo de serie temporal ﴾tutorial intermedio de minería de datos﴿

Todas las lecciones





SQL Server 2014




















Vea también

TasksTutorial básico de minería de datosConceptosTutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Algoritmo de serie temporal de Microsoft






Agregar una vista del origen de datos para las previsiones﴾tutorial intermedio de minería de datos﴿

En esta tarea, agregará una vista del origen de datos que se utilizará para el escenario de pronóstico. Un modelo de previsión requiere que los datos contengan unacolumna que se pueda utilizar para identificar pasos en una serie temporal. Si piensa analizar varias series de datos, todas ellas deben finalizar en la misma fecha o

estadio temporal.

Para agregar una vista del origen de datos



3. En la página Seleccionar un origen de datos, en Orígenes de datos relacionales, seleccione el origen de datos AdventureWorksDW2012 . Haga clic en Siguiente.

Nota

Si no tiene este origen de datos, encontrará los pasos para crearlo en el Tutorial básico de minería de datos.

4. En la página Seleccionar tablas y vistas, seleccione la tabla vTimeSeries (dbo) y haga clic en la flecha derecha para agregarla a la vista del origen de datos.


6. En la página Finalizando el asistente, la vista del origen de datos tendrá el nombre Adventure Works DW Multidimensional 2012 de forma predeterminada.

Cambie el nombre a SalesByRegion y, a continuación, haga clic en Finalizar.

Se abre el Diseñador de vistas de origen y se muestra la vista del origen de datos SalesByRegion.

Trabajar con la vista del origen de datos

Una vez creada la vista del origen de datos, puede explorar los datos de la siguiente manera:

Haga clic con el botón secundario en la tabla vTimeSeries en el diseñador y seleccione Explorar datos para abrir la tabla seleccionada en una cuadrícula.

Haga clic en Opciones de muestreo y, a continuación, use el cuadro de diálogo Opciones de exploración de datos para cambiar el método de muestreo. Haga

clic Actualizar para cargar datos en la tabla con la nueva configuración de opciones. Por ejemplo, puede especificar el número de filas que se generarán en elejemplo o bien elegir las n filas principales.

Haga clic con el botón secundario en la tabla vTimeSeries y seleccione Propiedades para asignar un nuevo nombre a la tabla. También puede seleccionarcolumnas individuales de la vista del origen de datos y modificar las propiedades de columna.

Haga clic en cualquier lugar del área de diseño de la vista del origen de datos para crear una nueva consulta y asignarle un nombre, crear relaciones entre lastablas o cambiar la disposición del área de diseño.

Haga clic con el botón secundario en una tabla y seleccione Nuevo cálculo con nombre para crear columnas derivadas, incluidas las agregaciones. Tambiénpuede añadir nuevas tablas y vistas del origen de datos a esta vista.

En la tarea siguiente, explorará los datos de la serie temporal y determinará la mejor columna para utilizar como identificador de serie temporal. También aprenderá aadministrar los vacíos en los datos de la serie temporal.


Descripción de los requisitos de un modelo de serie temporal ﴾tutorial intermedio de minería de datos﴿

Vea también

ConceptosAlgoritmo de serie temporal de Microsoft


SQL Server 2014




Descripción de los requisitos de un modelo de serie temporal﴾tutorial intermedio de minería de datos﴿

Cuando vaya a preparar datos para un modelo de pronóstico, debe asegurarse de que los datos contengan una columna que se pueda usar para identificar los pasos enla serie temporal. Esa columna se definirá como columna Key Time. Dado que es una clave, la columna debe contener valores numéricos únicos.

La elección de la unidad correcta para la columna Key Time es una parte importante del análisis. Por ejemplo, suponga que los datos de ventas se actualizarán a cadaminuto. No sería necesario usar minutos como unidad de la serie temporal; podría ser más relevante acumular los datos de ventas por día, semana o incluso mes. Si no

está seguro de qué unidad de tiempo debe usar, puede crear una nueva vista del origen de datos para cada agregación y compilar modelos relacionados para ver sisurgen distintas tendencias en cada nivel de agregación.

Para este tutorial, los datos de ventas se recopilan diariamente en la base de datos transaccional de ventas, pero para la minería de datos, los datos se han agregadopreviamente por mes mediante una vista.

Además, es conveniente para el análisis que los datos tengan tan pocos huecos como sea posible. Si piensa analizar varias series de datos, todas ellas deben empezar y

terminar preferiblemente en la misma fecha. Si faltan datos que no corresponden al comienzo o al final de una serie, puede usar el parámetroMISSING_VALUE_SUBSTITUTION para rellenar la serie. Analysis Services también proporciona varias opciones para reemplazar los datos que faltan por valores, comomedias o constantes.

Advertencia

Las herramientas de gráfico dinámico y tabla dinámica que se incluyeron en versiones anteriores del diseñador de vistas de origen de datos ya no se proporcionan. Se

recomienda identificar los huecos en los datos de serie temporal de antemano, mediante herramientas tales como el generador de perfiles de datos incluido en

Integration Services.

Para identificar la clave temporal del modelo de pronóstico

1. En el panel, SalesByRegion.dsv [Diseño], haga clic con el botón secundario en la tabla vTimeSeries y, a continuación, seleccione Explorar datos.

Se abre una nueva pestaña, Explorar la tabla vTimeSeries.

2. En la pestaña Tabla, revise los datos que se utilizan en las columnas TimeIndex y Reporting Date.

Ambas son secuencias con valores únicos y se pueden usar como clave de serie temporal; sin embargo, los tipos de datos de las columnas son distintos. El

algoritmo de serie temporal de Microsoft no requiere un tipo de datos datetime; solo exige que los valores sean distintos y estén ordenados. Por tanto, se puede

utilizar cualquier columna como clave temporal para el modelo de pronóstico.

3. En la superficie de diseño de la vista del origen de datos, seleccione la columna Reporting Date y seleccione Propiedades. A continuación, haga clic en la columnaTimeIndex y seleccione Propiedades.

El campo TimeIndex tiene el tipo de datos System.Int32, mientras que el campo Reporting Date tiene el tipo de datos System.DateTime. Muchos almacenamientos

de datos convierten los valores de fecha y hora en enteros y usan la columna de enteros como clave para mejorar el rendimiento de la indización. Sin embargo, si

usa esta columna, el algoritmo de serie temporal de Microsoft realizará las predicciones con valores futuros como 201014, 201014, etc. Debido a que desea

representar la previsión de los datos de ventas mediante fechas del calendario, usará la columna Reporting Date como identificador único de la serie.

Para establecer la clave en la vista del origen de datos

1. En el panel SalesByRegion.dsv, seleccione la tabla vTimeSeries.

2. Haga clic con el botón secundario en la columna Reporting Date y seleccione Establecer clave principal lógica.

Manejar la ausencia de datos (opcional)

Si faltan datos en alguna serie, puede aparecer un error al intentar procesar el modelo. Existen varias formas de solucionar la ausencia de datos:

Puede hacer que Analysis Services rellene los valores que faltan, ya sea mediante el cálculo de la media o mediante un valor anterior. Para ello, establezca el

parámetro MISSING_VALUE_SUBSTITUTION en el modelo de minería de datos. Para obtener más información acerca de este parámetro, vea Referencia técnicadel algoritmo de serie temporal de Microsoft. Para obtener información sobre cómo cambiar parámetros en un modelo de minería de datos existente, vea Ver o

cambiar parámetros del algoritmo.

Puede modificar el origen de datos o filtrar la vista subyacente para eliminar la serie irregular o reemplazar los valores. Esto se puede hacer en el origen de

datos relacionales, o bien puede modificar la vista del origen de datos creando consultas con nombre personalizadas o cálculos con nombre. Para obtener másinformación, vea Vistas del origen de datos en modelos multidimensionales. En la última tarea de esta lección se proporciona un ejemplo de cómo generar unaconsulta con nombre y un cálculo personalizado.

En este escenario, faltan algunos datos al principio de una serie; es decir, no hay datos para la línea de productos T1000 hasta julio de 2007. Por lo demás, todas lasseries terminan en la misma fecha y no falta ningún valor.

El requisito del algoritmo de serie temporal de Microsoft consiste en que cualquier serie que se incluya en un modelo único debe tener el mismo punto final. Como el

modelo de bicicletas T1000 se introdujo en 2007, los datos de esta serie empiezan después que los de otros modelos de bicicletas, pero la serie termina en la mismafecha; por tanto, se pueden usar los datos.

Para cerrar el diseñador de vistas del origen de datos

Haga clic con el botón secundario en la pestaña Explorar la tabla vTimeSeries y seleccione Cerrar.

SQL Server 2014





Crear una estructura de pronóstico y un modelo ﴾tutorial intermedio de minería de datos﴿

Vea también

ConceptosAlgoritmo de serie temporal de Microsoft




Crear una estructura de pronóstico y un modelo ﴾tutorialintermedio de minería de datos﴿

A continuación utilizará el Asistente para minería de datos con el objeto de crear una nueva estructura de minería de datos y el modelo de minería de datos según la vistadel origen de datos recién creada. En esta tarea, especificará que el modelo de minería de datos debería utilizar el algoritmo de serie temporal de Microsoft.

Para crear una estructura de minería de datos de previsión

1. En el Explorador de soluciones de SQL Server Data Tools ﴾SSDT﴿, haga clic con el botón secundario en Estructuras de minería de datos y seleccione Nueva

estructura de minería de datos.


3. En la página Seleccionar el método de definición, compruebe que la opción A partir de una base de datos relacional o un almacén de datos se ha


4. En la página Crear la estructura de minería de datos, en ¿Qué técnica de minería de datos desea utilizar?, seleccione Serie temporal de Microsoft y, a

continuación, haga clic en Siguiente.

5. En la página Seleccionar vista del origen de datos, en Vistas del origen de datos disponibles, seleccione SalesByRegion.


7. En la página Especificar tipos de tablas, asegúrese de que la casilla de la columna Caso correspondiente a la tabla vTimeSeries está activada y, a continuación,haga clic en Siguiente.

8. En la página Especificar los datos de aprendizaje, active las casillas de la columna Key correspondientes a las columnas ModelRegion y ReportingDate.

ReportingDate debería estar activada de forma predeterminada, porque esta columna se especificó como la clave principal lógica cuando se creó la vista delorigen de datos. Al agregar la columna ModelRegion como una segunda clave, se está indicando al algoritmo que cree una serie temporal independiente paracada combinación de modelo y región enumerada en este campo.

9. Active las casillas de las columnas Entrada y De predicción correspondientes a la columna Quantity y, a continuación, haga clic en Siguiente.

Al activar De predicción, indica que desea crear pronósticos con los datos de esta columna. Sin embargo, dado que desea basar los pronósticos en datos previos,también debe agregar la columna como una entrada.

10. En la página Especificar el contenido y el tipo de datos de las columnas, revise las selecciones.

La columna ModelRegion se designa como una columna Key y la columna ReportingDate se designa automáticamente como una columna Key Time. Puede tener

solo una clave de cada tipo.


12. En la página Finalizando el asistente, en Nombre de la estructura de minería de datos, escriba Forecasting.

Nota

La opción para habilitar la obtención de detalles no está disponible para los modelos de serie temporal.

13. En Nombre del modelo de minería de datos, escriba Forecasting y, a continuación, haga clic en Finalizar.

El Diseñador de minería de datos se abre para mostrar la estructura de minería de datos Forecasting recién creada.


Modificar la estructura de previsión ﴾tutorial intermedio de minería de datos﴿

Vea también

ConceptosDiseñador de minería de datosAlgoritmo de serie temporal de Microsoft


SQL Server 2014




Modificar la estructura de previsión ﴾tutorial intermedio deminería de datos﴿

La estructura de minería de datos que creó en la tarea anterior contiene un modelo de previsión ﴾Forecasting﴿ individual. Antes de procesar y explorar el modelo, debe

cambiar su estructura ligeramente y modificar una de sus propiedades.

Modificar la estructura de minería de datos

Puede modificar la estructura de minería de datos utilizando la pestaña Estructura de minería de datos del Diseñador de minería de datos. Al crear el modelo con el

Asistente para minería de datos, se utilizaron tres columnas: ReportingDate, ModelRegion y Quantity. Sin embargo, la tabla Forecasting también contiene una columnaAmount, que puede utilizar para prever el importe de las ventas. Mediante la pestaña Estructura de minería de datos, puede agregar esta columna desde la vista del

origen de datos a la estructura de minería de datos.

Para agregar la columna Amount a la estructura de minería de datos Forecasting

1. En la pestaña Estructura de minería de datos del Diseñador de minería de datos, ubicada en el recuadro Vista del origen de datos, seleccione la columna

Amount en la tabla vTimeSeries.

2. Arrastre la columna Amount desde el recuadro Vista del origen de datos hasta la lista de columnas de la estructura Forecasting.

La columna Amount se incluye ahora en la estructura de minería de datos Forecasting.

Modificar las columnas del modelo de minería de datos

Dado que ha agregado una columna nueva a la estructura, debe definir la forma en que el modelo utilizará la columna. Puede especificar cómo se utilizará la columnaen la pestaña Modelos de minería de datos del Diseñador de minería de datos.

En la pestaña Modelos de minería de datos se incluyen las columnas que la estructura de minería de datos contiene en la columna Structure de la cuadrícula, asícomo las columnas que el modelo contiene en la columna que tiene el nombre del modelo, en este caso Forecasting. Haga clic en los nombres de las columnas para

hacer modificaciones. En el modelo de minería de datos Forecasting, la columna Amount se utiliza como columna de entrada y también se utiliza para hacerprevisiones de ventas futuras. Por tanto, debe establecer las propiedades de la columna de manera que se pueda utilizar como columna de entrada y de predicción.

Nota

En la pestaña Modelos de minería de datos, también puede crear modelos nuevos basados en la misma estructura, además de ajustar el algoritmo y laspropiedades de columna para cada modelo. Sin embargo, debe procesar el modelo para que los cambios surtan efecto.

Para definir cómo se utilizará la columna Amount

1. En la columna Forecasting de la cuadrícula de la pestaña Modelos de minería de datos, haga clic en la celda de la fila Amount.

2. Seleccione Predict de la lista.

La columna Amount es ahora una columna de entrada y una columna de predicción.

También puede cambiar las propiedades de columnas individuales seleccionando la columna y abriendo la ventana Propiedades. Para abrir la ventana Propiedades,

haga clic con el botón secundario en el nombre de la columna y, a continuación, seleccione Propiedades. Si cambia una propiedad de la columna para un modelo

individual, solo podrá cambiar las propiedades para ese modelo. No obstante, si cambia una propiedad dentro de la columna Structure, el cambio afectará a todoslos modelos asociados a la estructura. Siempre que realice cambios en el modelo o la estructura, debe volver a procesarlos para ver el efecto de dicho cambios.


Personalizar y procesar el modelo de pronóstico ﴾tutorial intermedio de minería de datos﴿

Vea también

ConceptosEstructuras de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Modelos de minería de datos ﴾Analysis Services ‐ Minería de datos﴿


SQL Server 2014




Personalizar y procesar el modelo de pronóstico ﴾tutorialintermedio de minería de datos﴿

El algoritmo de serie temporal de Microsoft proporciona varios parámetros que afectan al modo de creación de un modelo y al modo en que se analizan los datostemporales. Cambiar estas propiedades puede afectar de forma significativa a la manera en que el modelo de minería de datos realiza las predicciones.

Para esta tarea del tutorial, modificará el modelo mediante las tareas siguientes:

1. Personalizará la manera en que el modelo controla los períodos de tiempo agregando un nuevo valor para el parámetro PERIODICITY_HINT.

2. Aprenderá otros dos parámetros importantes para el algoritmo de serie temporal de Microsoft: FORECAST_METHOD, que le permite controlar el método usadopara la predicción, y PREDICTION_SMOOTHING, que permite personalizar la combinación de predicciones a largo plazo y a corto plazo.

3. Opcionalmente, indicará al algoritmo cómo desea que se imputen los valores ausentes.

4. Una vez realizados todos los cambios, implementará y procesará el modelo.

Establecer los parámetros de serie temporal

Sugerencias de periodicidad

El parámetro PERIODICITY_HINT proporciona al algoritmo información sobre los períodos de tiempo adicionales que se espera ver en los datos. De forma

predeterminada, los modelos de serie temporal intentarán detectar automáticamente un patrón en los datos. Sin embargo, si ya conoce el período de tiempoesperado, proporcionar una sugerencia de periodicidad podría mejorar la exactitud del modelo. Sin embargo, si proporciona una sugerencia de periodicidad errónea,puede reducir la exactitud; por consiguiente, si no está seguro del valor que debe utilizarse, es mejor usar el valor predeterminado.

Por ejemplo, la vista utilizada para este modelo agrega datos de ventas mensuales de Adventure Works DW Multidimensional 2012 . Por consiguiente, cada segmento

de tiempo utilizado en el modelo representa un mes y todas las predicciones también estarán en términos de meses. Dado que hay 12 meses en un año y prevé quelos patrones de ventas se repetirán más o menos cada año, debe establecer el parámetro PERIODICITY_HINT en 12, para indicar que 12 segmentos de tiempo (meses)

constituyen un ciclo completo de ventas.

Método de pronóstico

El parámetro FORECAST_METHOD controla si el algoritmo de serie temporal está optimizado para las predicciones a corto o a largo plazo. De forma predeterminada,

el parámetro FORECAST_METHOD está establecido en MIXED, lo que significa que se combinan y equilibran dos algoritmos de predicción diferentes para ofrecerresultados correctos en las predicciones a corto y a largo plazo.

No obstante, si sabe que debe usar un algoritmo concreto, puede cambiar el valor a ARIMA o ARTXP.

Ponderar predicciones a largo plazo y a corto plazo

También puede personalizar el modo en que las predicciones a largo plazo y a corto plazo se combinan mediante el parámetro PREDICTION_SMOOTHING. De forma

predeterminada, este parámetro está establecido en 0,5, lo que generalmente proporciona el mayor equilibrio para conseguir la máxima precisión.

Para cambiar los parámetros del algoritmo

1. En la pestaña Modelos de minería de datos, haga clic con el botón secundario en Pronóstico y seleccione Establecer parámetros de algoritmo.

2. En la fila PERIODICITY_HINT del cuadro de diálogo Parámetros de algoritmo, haga clic en la columna Valor y, a continuación, escriba {12}, incluidas las llaves.

De forma predeterminada, el algoritmo también agregará el valor {1}.

3. En la fila FORECAST_METHOD, compruebe que el cuadro de texto Valor está en blanco o contiene el valor MIXED. Si se ha especificado un valor diferente,

escriba MIXED para volver a establecer el parámetro en el valor predeterminado.

4. En la fila PREDICTION_SMOOTHING, compruebe que el cuadro de texto Valor esté en blanco o establecido en 0.5. Si se ha especificado un valor diferente,

haga clic en Valor y escriba 0.5 para volver a establecer el parámetro en el valor predeterminado.

Nota

El parámetro PREDICTION_SMOOTHING solo está disponible en SQL Server Enterprise. Por consiguiente, en SQL Server Standard no puede ver ni cambiar el

valor del parámetro PREDICTION_SMOOTHING. Sin embargo, el comportamiento predeterminado es utilizar los dos algoritmos y ponderarlos de forma

equitativa.


Manejar la ausencia de datos (opcional)

En muchos casos, los datos de ventas podrían tener huecos que se rellenan con caracteres nulos, o es posible que un almacén no haya podido cumplir la fecha tope denotificación, con lo que se ha dejado una celda vacía al final de la serie. En estos escenarios, Analysis Services genera el error siguiente y no procesa el modelo.

"Error ﴾minería de datos﴿: marcas de tiempo no sincronizadas que empiezan con la serie <nombre de serie> del modelo de minería de datos <nombre del modelo>.Todas las series temporales deben terminar en la misma marca de tiempo y no pueden tener puntos de datos ausentes arbitrarios. Cuando el valor del parámetroMISSING_VALUE_SUBSTITUTION es Previous o una constante numérica, se revisarán automáticamente los puntos de datos ausentes siempre que sea posible."

SQL Server 2014

Para evitar este error, puede especificar que Analysis Services proporcione automáticamente los valores nuevos para rellenar los huecos utilizando uno de los métodossiguientes:

Utilizar un valor promedio. El promedio se calcula utilizando todos los valores válidos en la misma serie de datos.

Utilizar el valor anterior. Puede sustituir los valores anteriores para varias celdas que falten, pero no puede rellenar los valores de iniciales.

Utilizar un valor constante que proporcione el usuario.

Para especificar que los huecos se rellenen calculando el promedio de los valores

1. En la pestaña Modelos de minería de datos, haga clic con el botón secundario en la columna Forecasting y seleccione Establecer parámetros de algoritmo.

2. En el cuadro de diálogo Parámetros de algoritmo, en la fila MISSING_VALUE_SUBSTITUTION, haga clic en la columna Valor y escriba Promedio.

Generar el modelo

Para usar el modelo, debe implementarlo en un servidor y procesarlo ejecutando los datos de aprendizaje a través del algoritmo.

Para procesar el modelo de pronóstico

1. En el menú Modelo de minería de datos de SQL Server Data Tools, seleccione Procesar estructura de minería de datos y todos los modelos.

2. En la advertencia en la que se pregunta si desea generar e implementar el proyecto, haga clic en Sí.

3. En el cuadro de diálogo Procesar estructura de minería de datos ‐ Pronóstico, haga clic en Ejecutar.

Se abre el cuadro de diálogo Progreso del proceso para mostrar información acerca del procesamiento del modelo. El procesamiento del modelo puede

tardar algún tiempo.

4. Cuando se complete el proceso, haga clic en Cerrar para salir del cuadro de diálogo Progreso del proceso.

5. Haga clic de nuevo en Cerrar para salir del cuadro de diálogo Procesar estructura de minería de datos ‐ Pronóstico.


Explorar el modelo de previsión ﴾tutorial intermedio de minería de datos﴿

Vea también

ReferenciaReferencia técnica del algoritmo de serie temporal de MicrosoftConceptosAlgoritmo de serie temporal de Microsoft

Requisitos y consideraciones de procesamiento ﴾minería de datos﴿






Explorar el modelo de previsión ﴾tutorial intermedio deminería de datos﴿

Después de crear el modelo de minería de datos de pronóstico, puede explorar los resultados utilizando la pestaña Visor de modelos de minería de datos del

Diseñador de minería de datos. El Visor de series temporales de Microsoft contiene dos pestañas: Gráficos y Modelo.

Además, puede usar el visor de árboles genérico de Microsoft con todos los modelos. Cada vista presenta una imagen ligeramente diferente de la información delmodelo de series temporales.

Pestaña Gráficos

Pestaña Modelo

Visor de árbol de contenido genérico de Microsoft

Pestaña Gráficos

En la pestaña Gráficos del Visor de series temporales de Microsoft, se representa de forma gráfica cada una de las series, incluidos los datos históricos y laspredicciones. Cada línea del gráfico de serie temporal representa una combinación única de producto, región y atributo de predicción.

La leyenda del lado derecho del visor muestra las series temporales disponibles, basándose en las selecciones en la lista desplegable. Puede activar y desactivar las

casillas de la leyenda para controlar las series temporales que se muestran en el gráfico.

También puede cambiar las opciones de presentación, como los colores que se utilizan en cada serie temporal, o si los valores se muestran en puntos del gráfico.

Para seleccionar una serie temporal

1. Haga clic en la pestaña Gráficos de la pestaña Visor de modelos de minería de datos si no está visible.

2. Haga clic en la lista desplegable situada a la derecha de la vista del gráfico y seleccione todas las casillas. Haga clic en Aceptar.

El gráfico debe contener ahora 24 líneas de series diferentes.

3. En las casillas situadas a la derecha del gráfico, desactive las casillas para ocultar temporalmente las líneas de todas las series relacionadas con Amount.

A continuación, desactive las casillas relacionadas con las bicicletas R250 y R750.

Ahora el gráfico contiene únicamente las seis líneas de serie siguientes, lo que le permite comparar con mayor facilidad las bicicletas T1000 y M200.

M200 Europe: Quantity

M200 North America: Quantity

M200 Pacific: Quantity

T1000 Europe: Quantity

T1000 North America: Quantity

T1000 Pacific: Quantity

SQL Server 2014

El gráfico que se muestra en el visor incluye datos históricos y previstos. Los datos previstos aparecen sombreados para diferenciarlos de los históricos. Para que

resulte más sencillo comparar series diferentes, también puede cambiar los colores asociados a cada línea del gráfico. Para obtener más información, vea Cambiar los

colores usados en los visores de minería de datos.

A partir de las líneas de tendencia, puede ver que las ventas totales de todas las regiones están aumentando en general, y que alcanzan su valor más alto cada 12meses, en diciembre. A partir del gráfico, también puede constatar que los datos de la bicicleta T1000 comienzan mucho más tarde que los datos de otras series deproductos. Esto se debe a que es un producto más reciente, pero dado que esta serie se basa en menos datos, las predicciones podrían no ser tan precisas.

De forma predeterminada, en cada serie temporal se muestran cinco pasos de predicción, que aparecen como líneas de puntos. Este valor se puede modificar para ver

más o menos predicciones. También se puede ver de forma gráfica la desviación estándar de las predicciones mediante la incorporación de barras de error al gráfico.

Para cambiar las opciones de predicción y presentación de la vista Gráfico

1. Intente cambiar gradualmente el valor de Pasos de predicción aumentándolo de 5 a 10; a continuación, cámbielo de nuevo a 6.

Cuando los datos históricos tienen una gran fluctuación, las fluctuaciones tienden a repetirse o incluso a amplificarse a medida que aumenta el número depredicciones. Probablemente necesitará investigar este aspecto para entender la causa del mayor aumento de datos históricos y decidir si desea aceptar estosresultados, buscar algún tipo de corrección de los datos de origen o aplicar algún tipo de suavizado en el modelo.

2. Active la casilla Mostrar desviaciones.

Esta opción muestra el error estimado para cada valor previsto.

3. Tenga en cuenta la escala del eje X. Los cambios en los datos históricos y previstos se expresan siempre como porcentaje, pero los valores reales se ajustanautomáticamente para dar cabida a todos los valores del gráfico. Por consiguiente, al comparar modelos debe tener cuidado de no confiar solamente en las

representaciones visuales. Para obtener el valor exacto o el aumento y el valor de porcentaje para las predicciones, sitúe el mouse sobre la línea de puntos o laslíneas llenas, o haga clic en las líneas para ver los valores en Leyenda de minería de datos.

Sugerencia: si Leyenda de minería de datos no está visible, cambie a la vista Modelo, haga clic con el botón secundario en cualquier nodo y seleccioneMostrar leyenda.

Al observar estas tendencias, le preocupa la ausencia de datos para una parte de la serie y se pregunta si puede obtener predicciones más confiables calculando elpromedio de ventas por modelo o quizás el promedio de ventas por región. Explorará este método en una lección posterior de este tutorial.

Volver al principio

Pestaña Modelo

La pestaña Modelo del Visor de series temporales de Microsoft del Diseñador de minería de datos permite ver el modelo de previsión en forma de gráfico de árbol.

Primero, observe que, debido a que los datos describen dos medidas distintas ﴾importe y cantidad﴿ para las ventas de varias líneas de productos ﴾T1000, etc.﴿ de tresregiones diferentes ﴾Europa, Norteamérica y el Pacífico﴿, el modelo que creó contiene realmente 24 árboles distintos. Cada árbol representa un modelo de patrones deventa para una combinación diferente de región, producto y atributo de predicción.

Puede elegir qué combinación de métrica de línea de productos, región y ventas desea ver si selecciona una serie en la lista desplegable Árbol de la pestaña Modelo.

¿Qué puede saber al ver el modelo como un árbol? Por ejemplo, comparemos dos modelos, uno con varios niveles del árbol y otro que tiene un único nodo.

Cuando un gráfico de árbol contiene un solo nodo, significa que la tendencia encontrada en el modelo es básicamente homogénea en el tiempo. Puede usar

este nodo único, etiquetado Todo, para ver la fórmula que describe la relación entre las variables de entrada y el resultado.

Cuando un gráfico de árbol para una serie temporal tiene varias bifurcaciones, significa que la serie temporal que se detectó es demasiado compleja pararepresentarse como una sola ecuación. En su lugar, el gráfico de árbol puede contener varias bifurcaciones, cada bifurcación etiquetada con las condiciones quecausaron que el árbol se dividiera. Cuando se divide el árbol, cada bifurcación representa un segmento de tiempo diferente, en el que la tendencia puededescribirse como una sola ecuación.

Por ejemplo, si observa el gráfico y ve un salto súbito en el volumen de ventas que empieza algún día de septiembre y que continúa hasta las vacaciones deNavidad, puede cambiar a la vista Modelo para ver la fecha exacta en la que cambió la tendencia. Las bifurcaciones del árbol que representan 'antes deseptiembre' y 'después de septiembre' contendrían fórmulas diferentes: una fórmula que describe matemáticamente las tendencias de ventas hasta la división yotra fórmula que describe las tendencias de ventas de septiembre hasta las vacaciones de Navidad.

Para explorar el árbol de decisión de un modelo de series temporales

1. En la lista Árbol de la pestaña Modelo del visor, seleccione la serie T1000 Europe: Amount.

Haga clic en el nodo etiquetado Todo.

En un nodo Todo, la información sobre herramientas que aparece incluye información sobre el número de casos de las series completas y las ecuaciones deseries temporales derivadas del análisis de los datos.

2. Si la Leyenda de minería de datos no está visible, haga clic con el botón secundario en el nodo y seleccione Mostrar leyenda.

Leyenda de minería de datos proporciona en gran medida la misma información que está en la información sobre herramientas. Si ninguna de las variables

independientes son discretas, también aparecerá un histograma que muestra la distribución de variables en el nodo.

3. Ahora seleccione una serie temporal diferente para verla. Mediante la lista Árbol de la pestaña Modelo del visor, seleccione la serie M200 North America:

Amount.

El gráfico de árbol contiene ahora un nodo Todo y dos nodos secundarios. Si examina las etiquetas de los nodos secundarios, puede saber en qué momento


cambió la línea de tendencia.

Para cada nodo secundario, la descripción de Leyenda de minería de datos también incluye el recuento de casos de cada rama del árbol.

En la siguiente lista se describen algunas características adicionales del visor de árbol:

Puede cambiar la variable que se representa en el gráfico mediante el control Fondo. De forma predeterminada, los nodos que son más oscuros contienen máscasos, dado que el valor de Fondo se establece en Población. Para ver solo cuántos casos hay en un nodo, sitúe el puntero del mouse sobre un nodo y vea lainformación sobre herramientas que aparece, o haga clic en el nodo y vea los números de la ventana de Leyenda del nodo.

La fórmula de regresión para el nodo se puede ver también en la información sobre herramientas o haciendo clic en el nodo. Si ha creado un modelo mixto,

puede ver dos fórmulas, una para ARTXP ﴾en los nodos hoja﴿ y otra para el modelo ARIMA ﴾en el nodo raíz del árbol﴿.

Los pequeños rombos se usan en los nodos que representan números continuos. El rango de atributos se muestra en la barra en la que se basa el rombo. El

rombo está centrado en medio del nodo y su ancho representa la varianza del atributo en ese nodo.

Volver al principio

(Opcional) Visor de árbol de contenido genérico

Además del visor personalizado para la serie temporal, Analysis Services proporciona Visor de árbol de contenido genérico de Microsoft para usarlo con todos los

modelos de minería de datos. Este visor proporciona algunas ventajas:

Visor de series temporales de Microsoft: esta vista combina los resultados de los dos algoritmos. Aunque puede ver cada serie por separado, no puede

determinar cómo se combinan los resultados de cada algoritmo. Asimismo, en esta vista, la información sobre herramientas y la leyenda de minería de datosmuestran solo las estadísticas más importantes.

Visor de árbol de contenido genérico: permite examinar y ver todas las series de datos que se usaron en el modelo al mismo tiempo, y si ha creado un

modelo mixto, se muestran los árboles de ARIMA y ARTXP en el mismo gráfico.

Puede usar este visor para obtener todas las estadísticas de ambos algoritmos, así como las asignaciones de los valores.

Recomendado para usuarios avanzados de minería de datos que desean conocer más información sobre los análisis de ARIMA y ARTXP.

Para ver los detalles de una determinada serie de datos en el visor de contenido genérico

1. En la pestaña Visor de modelos de minería de datos, seleccione Visor de árbol de contenido genérico de Microsoft en la lista desplegable Visor.

2. En el panel Título de nodo, haga clic en el primer nodo (Todos).

3. En el panel Detalles de nodo, observe el valor de ATTRIBUTE_NAME.

Este valor indica qué serie, o qué combinación de producto y región, está incluida en este nodo. En el ejemplo de AdventureWorks, el primer nodo es el de la

serie M200 Europe.

4. En el panel Título de nodo, busque el primer nodo que tenga nodos secundarios.

Si un nodo de serie tiene nodos secundarios, la vista de árbol que se muestra en la pestaña Modelo del Visor de series temporales de Microsoft también tendráuna estructura de bifurcación.

5. Expanda el nodo y haga clic en uno de los nodos secundarios.

La columna NODE_DESCRIPTION del esquema contiene la condición que hizo que el árbol se dividiera.

6. En el panel Título de nodo, haga clic en el primer nodo de ARIMA y expanda el nodo hasta que todos los nodos secundarios estén visibles.

7. En el panel Detalles de nodo, observe el valor de ATTRIBUTE_NAME.

Este valor indica qué serie temporal está incluida en este nodo. El primer nodo de la sección ARIMA debería coincidir con el primer nodo de la sección ﴾Todos﴿.En el ejemplo de AdventureWorks, este nodo contiene el análisis ARIMA de la serie M200 Europa.

Para obtener más información, vea Contenido del modelo de minería de datos para los modelos de serie temporal ﴾Analysis Services ‐ Minería de datos﴿.

Volver al principio


Crear predicciones de serie temporal ﴾Tutorial intermedio de minería de datos﴿

Vea también

ReferenciaReferencia técnica del algoritmo de serie temporal de MicrosoftConceptosEjemplos de consultas de modelos de serie temporal






Crear predicciones de serie temporal (Tutorial intermedio deminería de datos﴿

En las tareas anteriores de esta lección, creó un modelo de serie temporal y exploró los resultados. De forma predeterminada, Analysis Services siempre crea un conjunto

de cinco ﴾5﴿ predicciones para un modelo de serie temporal y muestra los valores de predicción como parte del gráfico de pronóstico. Sin embargo, también puede crearpredicciones personalizadas si crea consultas de predicción de las extensiones de minería de datos ﴾DMX﴿.

En esta tarea, creará una consulta de predicción que genera las mismas predicciones que vio en el visor. En esta tarea se supone que el usuario ya ha completado las

lecciones del Tutorial básico de minería de datos y está familiarizado con el uso del Generador de consultas de predicción. Ahora obtendrá información sobre la creaciónde consultas específicas de los modelos de serie temporal.

Crear predicciones de serie temporal

Generalmente, el primer paso para crear una consulta de predicción consiste en seleccionar un modelo de minería de datos y una tabla de entrada. Sin embargo, un

modelo de serie temporal no requiere una entrada adicional para una predicción normal. Por consiguiente, no necesita especificar ningún origen de datos nuevo alrealizar las predicciones, a menos que esté agregando datos al modelo o reemplazándolos.

En esta lección, debe especificar el número de pasos de la predicción. Puede especificar el nombre de serie con el fin de obtener una predicción para una combinacióndeterminada de producto y región.

Para seleccionar un modelo de minería de datos y una tabla de entrada

1. Haga clic en la opción Seleccionar modelo del cuadro Modelo de minería de datos de la pestaña Predicción de modelo de minería de datos del Diseñadorde minería de datos.

2. En el cuadro de diálogo Seleccionar modelo de minería de datos, expanda la estructura Predicción, seleccione el modelo de predicción en la lista y, acontinuación, haga clic en Aceptar.

3. Omita el cuadro Seleccionar tabla(s) de entrada.

Nota

En un modelo de serie temporal no necesita especificar ninguna entrada independiente a menos que esté haciendo una predicción cruzada.

4. En la columna Origen de la cuadrícula de la pestaña Predicción de modelo de minería de datos, haga clic en la celda de la primera fila vacía y, a continuación,seleccione el modelo de minería de datos Predicción.

5. En la columna Campo , seleccione Model Region.

Esta acción agrega el identificador de la serie a la consulta de predicción para indicar la combinación de modelo y la región a las que se aplica la predicción.

6. Haga clic en la siguiente fila vacía de la columna Origen y, a continuación, seleccione Función de predicción.

7. En la columna Campo, seleccione PredictTimeSeries.

Nota

También puede usar la función Predict con modelos de serie temporal. Sin embargo, la función de predicción solo crea una predicción para cada serie deforma predeterminada. Por consiguiente, para especificar varios pasos de predicción, debe usar la función PredictTimeSeries.

8. En el panel Modelo de minería de datos, seleccione la columna del modelo de minería de datos, Amount. Arrastre Amount hasta el cuadro Criterios y

argumentos de la función PredictTimeSeries que agregó anteriormente.

9. Haga clic en el cuadro Criterios y argumentos y escriba una coma seguida de 5, después del nombre de campo.

El texto del cuadro Criterios y argumentos ahora debe mostrar lo siguiente:

[Forecasting].[Amount],5

10. En la columna Alias, escriba PredictAmount.

11. Haga clic en la siguiente fila vacía de la columna Origen y, a continuación, seleccione de nuevo Función de predicción.

12. En la columna Campo, seleccione PredictTimeSeries.

13. En el panel Modelo de minería de datos, seleccione la columna Quantity y arrástrela al cuadro Criterios o argumentos de la segunda funciónPredictTimeSeries.

14. Haga clic en el cuadro Criterios y argumentos y escriba una coma seguida de 5, después del nombre de campo.

El texto del cuadro Criterios y argumentos ahora debe mostrar lo siguiente:

[Forecasting].[ Quantity],5

15. En la columna Alias, escriba PredictQuantity.

16. Haga clic en Cambiar a vista de resultado de consulta.

Los resultados de la consulta se muestran en formato tabular.

SQL Server 2014

Recuerde que creó tres tipos diferentes de resultados en el generador de consultas, uno que usa los valores de una columna y dos que reciben los valores predichosde una función de predicción. Por consiguiente, los resultados de la consulta contienen tres columnas independientes. La primera columna contiene la lista de

combinaciones de productos y regiones. La segunda y tercera columnas contienen cada una tabla anidada de los resultados de la predicción. Cada tabla anidada

contiene el incremento de tiempo y los valores predichos, como en la siguiente tabla:

Resultados de ejemplo (las cantidades se truncan a dos decimales):

ModelRegion PredictAmount PredictQuantity

M200 Europe$TIME Amount

7/25/2008 99978.00

8/25/2008 145575.07

9/25/2008 116835.19

10/25/2008 116537.38

11/25/2008 107760.55

$TIME Cantidad

7/25/2008 52

8/25/2008 67

9/25/2008 58

10/25/2008 57

11/25/2008 54

M200 North America$TIME Amount

7/25/2008 348533.93

8/25/2008 340097.98

9/25/2008 257986.19

10/25/2008 374658.24

11/25/2008 379241.44

$TIME Cantidad

7/25/2008 272

8/25/2008 152

9/25/2008 250

10/25/2008 181

11/25/2008 290

Advertencia

Las fechas usadas en la base de datos de ejemplo han cambiado en esta versión. Si está usando una versión anterior de los datos de ejemplo, podría ver resultadosdiferentes.

Guardar los resultados de una predicción

Dispone de varias opciones distintas para usar los resultado de la predicción. Puede simplificar los resultados, copiar los datos desde la vista Resultados y pegarlos en

una hoja de cálculo de Excel o en otro archivo.

Para simplificar el proceso de guardar los resultados, el Diseñador de minería de datos también proporciona la capacidad de guardar los datos en una vista de origende datos. La funcionalidad de guardar los resultados en una vista del origen de datos solo está disponible en SQL Server Data Tools ﴾SSDT﴿. Los resultados solo se

puede almacenar en un formato plano.

Para quitar información de estructura jerárquica de los resultados en el panel Resultados

1. En el Generador de consultas de predicción, haga clic en Cambiar a vista de diseño de consulta.

La vista cambia para permitir la modificación manual del texto de las consultas DMX.

2. Escriba la palabra clave FLATTENED después de la palabra clave SELECT. El texto completo de la consulta debería ser como sigue:

3. Opcionalmente, puede escribir una cláusula para restringir los resultados, como en el ejemplo siguiente:

SELECT FLATTENED

[Forecasting].[Model Region],

(PredictTimeSeries([Forecasting].[Amount],5)) as [PredictAmount],

(PredictTimeSeries([Forecasting].[Quantity],5)) as [PredictQuantity]

FROM

[Forecasting]

SELECT FLATTENED

[Forecasting].[Model Region],

(PredictTimeSeries([Forecasting].[Amount],5)) as [PredictAmount],

(PredictTimeSeries([Forecasting].[Quantity],5)) as [PredictQuantity]

FROM

[Forecasting]

WHERE [Forecasting].[Model Region] = 'M200 North America'

OR [Forecasting].[Model Region] = 'M200 Europe'

4. Haga clic en Cambiar a vista de resultado de consulta.

Para exportar los resultados de una consulta de predicción

1. Haga clic en Guardar los resultados de la consulta.

2. En el cuadro de diálogo Guardar resultado de consulta de minería de datos, en Origen de datos, seleccione AdventureWorksDW2012 . También puede crearun origen de datos si desea guardar los datos en una base de datos relacional diferente.

3. En la columna Nombre de la tabla, escriba un nombre nuevo para la tabla temporal, como Predicciones de prueba.

4. Haga clic en Guardar.

Nota

Para ver la tabla que creó, cree una conexión al motor de base de datos de la instancia donde guardó los datos y cree una consulta.

Conclusión

Ha aprendido a crear un modelo de serie temporal básico, a interpretar los pronósticos y a crear predicciones.

Las tareas restantes de este tutorial son opcionales y describen las predicciones de serie temporal avanzadas. Si decide continuar, aprenderá a agregar nuevos datosal modelo y a crear predicciones acerca de la serie extendida. También aprenderá a realizar una predicción cruzada, mediante la tendencia del modelo, peroreemplazará los datos con una nueva serie de datos.

Lección siguiente

Predicciones de serie temporal avanzadas ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosEjemplos de consultas de modelos de serie temporal




Predicciones de serie temporal avanzadas (Tutorial intermediode minería de datos﴿

Al explorar el modelo de predicción, observó que, aunque las ventas de la mayoría de las regiones siguen un patrón similar, algunas regiones y algunos modelos, comoel modelo M200 en la región del Pacífico, muestran tendencias muy diferentes. Esto no le sorprende, ya que sabe que las diferencias entre regiones son comunes y

pueden deberse a muchos factores, como las promociones de marketing, los informes inexactos o los acontecimientos geopolíticos.

Sin embargo, los usuarios piden un modelo que se puede aplicar a todo el mundo. Por consiguiente, para reducir el efecto de los factores individuales en las

proyecciones, decide crear un modelo de minería de datos basado en medidas agregadas de ventas mundiales. Puede usar este modelo para realizar las predicciones de

cada región individual.

En esta tarea, creará todos los orígenes de datos que necesita para realizar las tareas de predicción avanzada. Creará dos vistas de origen de datos que usará comoentradas en la consulta de predicción, y una vista de origen de datos que usará para crear un nuevo modelo.

Pasos

1. Preparar los datos extendidos de ventas ﴾para la predicción﴿

2. Preparar los datos agregados (para crear el modelo)

3. Preparar los datos de la serie ﴾para la predicción cruzada﴿

4. Predecir mediante EXTEND

5. Crear el modelo de predicción cruzada

6. Predecir con REPLACE

7. Revisar las nuevas predicciones

Crear nuevos datos extendidos de ventas

Para actualizar los datos de ventas, necesitará obtener las últimas cifras de ventas. Los datos que se acaban de introducir de la región del Pacífico son de interésparticular. Allí se inició una promoción de ventas regional para llamar la atención sobre las nuevas tiendas y aumentar el conocimiento de sus productos.

En este escenario, asumiremos que los datos se han importado de un libro de Excel que contiene únicamente tres meses de los nuevos datos para un par de regiones.Creará una tabla para los datos mediante un script Transact‐SQL y, a continuación, definirá una vista de origen de datos que usará para la predicción.

Crear la tabla con nuevos datos de ventas

1. En una ventana de consulta de Transact‐SQL, ejecute la instrucción siguiente para agregar los datos de ventas a la base de datos AdventureWorksDW ﴾o acualquier otra base de datos).

2. Inserte los nuevos valores mediante el siguiente script.

SQL Server 2014

USE [database name];

GO

IF OBJECT_ID ([dbo].[NewSalesData]) IS NOT NULL

DROP TABLE [dbo].[NewSalesData];

GO

CREATE TABLE [dbo].[NewSalesData](

[Series] [nvarchar](255) NULL,

[NewDate] [datetime] NULL,

[NewQty] [float] NULL,

[NewAmount] [money] NULL

) ON [PRIMARY]

GO

INSERT INTO [NewSalesData]

(Series,NewDate,NewQty,NewAmount)

VALUES('T1000 Pacific', '7/25/08', 55, '$130,170.22'),

('T1000 Pacific', '8/25/08', 50, '$114,435.36 '),

('T1000 Pacific', '9/25/08', 50, '$117,296.24 '),

('T1000 Europe', '7/25/08', 37, '$88,210.00 '),

('T1000 Europe', '8/25/08', 41, '$97,746.00 '),

('T1000 Europe', '9/25/08', 37, '$88,210.00 '),

('T1000 North America', '7/25/08', 69, '$164,500.00 '),

('T1000 North America', '8/25/08', 66, '$157,348.00 '),

('T1000 North America', '9/25/08', 58, '$138,276.00 '),

('M200 Pacific', '7/25/08', 65, '$149,824.35'),

('M200 Pacific', '8/25/08', 54, '$124,619.46'),

('M200 Pacific', '9/25/08', 61, '$141,143.39'),

('M200 Europe', '7/25/08', 75, '$173,026.00'),

#bkmk_newReplaceData

Advertencia

Se usan comillas con los valores de moneda para evitar problemas con el separador de coma y el símbolo de moneda. También podría pasar los valores demoneda en este formato: 130170.22

Observe que las fechas usadas en la base de datos de ejemplo han cambiado en esta versión. Si está usando una edición anterior de AdventureWorks, quizásnecesite ajustar las fechas insertadas en consecuencia.

Crear una vista de origen de datos con nuevos datos de ventas

1. En el Explorador de soluciones, haga clic con el botón secundario en Vistas del origen de datos y, a continuación, seleccione Nueva vista del origen de datos.

2. En el Asistente para vistas del origen de datos, realice las selecciones siguientes:

Origen de datos: Adventure Works DW Multidimensional 2012

Seleccionar tablas y vistas: seleccione la tabla que acaba de crear, NewSalesData.


4. En la superficie de diseño de la Vista del origen de datos, haga clic con el botón secundario en NewSalesData y seleccione Explorar datos para comprobar los

datos.

Advertencia

Usará estos datos solo para la predicción, por lo que no importa que sean incompletos.

Crear datos para el modelo de predicción cruzada

Los datos que se usaron en el modelo de pronóstico original ya están agrupados de algún modo en la vista vTimeSeries. Los diversos modelos de bicicletas se hancontraído en un número menor de categorías y los resultados de países individuales se han combinado por regiones. Para crear un modelo que se puede usar para las

proyecciones mundiales, creará algunas agregaciones simples adicionales directamente en el Diseñador de vistas del origen de datos. La nueva vista del origen de

datos contiene solo una suma y un promedio de las ventas de todos los productos para todas las regiones.

Después de crear el origen de datos usado para el modelo, debe crear una nueva vista del origen de datos que usará para la predicción. Por ejemplo, si desea

predecir las ventas de Europa con el nuevo modelo mundial, debe suministrar los datos de la región de Europa solamente. De esta forma, configurará una nueva vistadel origen de datos que filtra los datos originales y cambiará la condición de filtro para cada conjunto de consultas de predicción.

Para crear los datos del modelo mediante una vista personalizada del origen de datos


2. En la página de bienvenida del asistente, haga clic en Siguiente.

3. En la página Seleccionar origen de datos, seleccione Adventure Works DW Multidimensional 2012 y, después, haga clic en Siguiente.

4. En la página, Seleccionar tablas y vistas, no agregue ninguna tabla; sólo haga clic en Siguiente.

5. En la página, Finalización del asistente, escriba el nombre AllRegions y, a continuación, haga clic en Finalizar.

6. Después, haga clic con el botón secundario en la superficie de diseño de la vista del origen de datos en blanco y seleccione Nueva consulta con nombre.

7. En el cuadro de diálogo Crear consulta con nombre, en Nombre, escriba AllRegions y en Descripción, escriba Suma y promedio de ventas para todos los

modelos y regiones.

8. En el panel de texto SQL, escriba la siguiente instrucción y, a continuación, haga clic en Aceptar:

9. Haga clic con el botón secundario en la tabla AllRegions y seleccione Explorar datos.

Para crear los datos de la serie para predicción cruzada


2. En el Asistente para vistas del origen de datos, realice las selecciones siguientes:

('M200 Europe', '8/25/08', 76, '$175,212.00'),

('M200 Europe', '9/25/08', 84, '$193,731.00'),

('M200 North America', '7/25/08', 94, '$216,916.00'),

('M200 North America', '8/25/08', 94, '$216,891.00'),

('M200 North America', '9/25/08', 91,'$209,943.00');

SELECT ReportingDate,

SUM([Quantity]) as SumQty, AVG([Quantity]) as AvgQty,

SUM([Amount]) AS SumAmt, AVG([Amount]) AS AvgAmt,

'All Regions' as [Region]

FROM dbo.vTimeSeries

GROUP BY ReportingDate

Origen de datos: Adventure Works DW Multidimensional 2012

Seleccionar tablas y vistas: no seleccione ninguna tabla

Nombre: T1000 Pacific Region


4. Haga clic con el botón secundario en la superficie de diseño vacía correspondiente a T1000 Pacific Region.dsv y, después, seleccione Nueva consulta con

nombre.

Aparecerá el cuadro de diálogo Crear consulta con nombre. Vuelva a escribir el nombre y agregue la descripción siguiente:

Nombre: T1000 Pacific Region

Descripción: Filtro vTimeSeries por región y modelo.

5. En el panel de texto, escriba la siguiente consulta y, a continuación, haga clic en Aceptar:

Nota

Puesto que deberá crear predicciones para cada serie por separado, puede que desee copiar el texto de la consulta y guardarlo en un archivo de texto parapoder usarlo de nuevo con la otra serie de datos.

6. En la superficie de diseño de la Vista del origen de datos, haga clic con el botón secundario en T1000 Pacific y seleccione Explorar datos para comprobar que

los datos se filtran correctamente.

Usará estos datos como la entrada del modelo al crear consultas de predicción cruzada.


Predicciones de serie temporal que usan datos actualizados ﴾tutorial intermedio de minería de datos﴿

Vea también

ReferenciaReferencia técnica del algoritmo de serie temporal de MicrosoftConceptosAlgoritmo de serie temporal de Microsoft

Vistas del origen de datos en modelos multidimensionales


SELECT ReportingDate, ModelRegion, Quantity, Amount


WHERE (ModelRegion = N'T1000 Pacific')





Predicciones de serie temporal que usan datos actualizados﴾tutorial intermedio de minería de datos﴿

Crear predicciones mediante datos extendidos de ventas

En esta lección, creará una consulta de predicción que agrega los nuevos datos de ventas al modelo. Al extender el modelo con datos nuevos, puede obtener

predicciones actualizadas que incluyan los nuevos puntos de datos.

Crear predicciones de serie temporal que usan los nuevos datos es fácil: solo tiene que agregar el parámetro EXTEND_MODEL_CASES a la función PredictTimeSeries

(DMX), especificar el origen de los nuevos datos y especificar cuántas predicciones desea obtener.

Advertencia

El parámetro EXTEND_MODEL_CASES es opcional; de forma predeterminada, el modelo se amplía en cualquier momento que se crea una consulta de predicción deserie temporal combinando nuevos datos como entradas.

Para crear la consulta de predicción y agregar nuevos datos

1. Si el modelo aún no está abierto, haga doble clic en la estructura Forecasting y, en el Diseñador de minería de datos, haga clic en la pestaña Predicción demodelo de minería de datos.

2. En el panel Modelo de minería de datos, el modelo Forecasting ya debería estar seleccionado. Si no lo está, haga clic en Seleccionar modelo y, a continuación,seleccione el modelo Forecasting.

3. En el panel Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.

4. En el cuadro de diálogo Seleccionar tabla, seleccione el origen de datos, Adventure Works DW Multidimensional 2012 .

En la lista de vistas del origen de datos, seleccione NewSalesData y haga clic en Aceptar.

5. Haga clic en el botón secundario en la superficie del área de diseño y seleccione Modificar conexiones.

6. Mediante el cuadro de diálogo Modificar asignación, asigne las columnas del modelo a las columnas de datos externos de la forma siguiente:

Asigne la columna ReportingDate del modelo de minería de datos a la columna NewDate en los datos de entrada.

Asigne la columna Amount del modelo de minería de datos a la columna NewAmount en los datos de entrada.

Asigne la columna Quantity del modelo de minería de datos a la columna NewQty en los datos de entrada.

Asigne la columna ModelRegion del modelo de minería de datos a la columna Series en los datos de entrada.

7. Ahora creará la consulta de predicción.

Primero, agregue una columna a la consulta de predicción para generar la serie a la que se aplica la predicción.

a. En la cuadrícula, haga clic en la primera fila vacía, bajo Origen, y a continuación seleccione Forecasting.

b. En la columna Campo, seleccione Model Region y para Alias, escriba Model Region.

8. A continuación, agregue y modifique la función de predicción.

a. Haga clic en una fila vacía y, en Origen, seleccione Función de predicción.

b. En Campo, seleccione PredictTimeSeries.

c. En Alias, escriba Valores predichos.

d. Arrastre el campo Quantity del panel Modelo de minería de datos y colóquelo en la columna Criterios o argumento.

e. En la columna Criterios o argumento, después del nombre de campo, escriba el texto siguiente: 5,EXTEND_MODEL_CASES

El texto completo del cuadro de texto Criterios o argumento debe ser el siguiente: [Forecasting].[Quantity],5,EXTEND_MODEL_CASES

9. Haga clic en Resultados y revise los resultados.

Las predicciones comienzan en julio ﴾el primer segmento de tiempo después del final de los datos originales﴿ y terminan en noviembre ﴾el quinto segmento detiempo después del final de los datos originales﴿.

Puede ver que para usar este tipo de consulta de predicción de forma eficaz, debe saber cuándo finalizan los datos antiguos, así como el número de segmentos detiempo que están en los nuevos datos.

Por ejemplo, en este modelo, la serie de datos original finalizaba en junio, y los datos corresponden a los meses de julio, agosto y septiembre.

Las predicciones que usan EXTEND_MODEL_CASES siempre comienzan por el final de la serie de datos original. Por tanto, si solo desea obtener las predicciones de los

meses desconocidos, debe especificar el punto inicial y el punto final para la predicción. Ambos valores se especifican como un número de segmentos de tiempo quecomienzan al final de los datos antiguos.

El siguiente procedimiento muestra cómo hacerlo.

SQL Server 2014


Cambiar los puntos inicial y final de las predicciones

1. En el Generador de consultas de predicción, haga clic en Consulta para cambiar a la vista DMX.

2. Busque la instrucción DMX que contiene la función PredictTimeSeries y cámbiela de la forma siguiente:

PredictTimeSeries([Forecasting 12].[Quantity],4,6,EXTEND_MODEL_CASES)

3. Haga clic en Resultados y revise los resultados.

Ahora las predicciones comienzan en octubre (el cuarto segmento de tiempo, contando desde el final de los datos originales) y terminan en diciembre (el sexto

segmento de tiempo, contando desde el final de los datos originales).


Predicciones de serie temporal que usan datos de reemplazo ﴾Tutorial intermedio de minería de datos﴿

Vea también

ReferenciaReferencia técnica del algoritmo de serie temporal de MicrosoftContenido del modelo de minería de datos para los modelos de serie temporal ﴾Analysis Services ‐ Minería de datos﴿





Predicciones de serie temporal que usan datos de reemplazo﴾Tutorial intermedio de minería de datos﴿

En esta tarea, se creará un nuevo modelo basado en datos de ventas mundiales. A continuación, se creará una consulta de predicción que aplica el modelo de ventasmundial a una de las regiones individuales.

Crear un modelo general

Recuerde que el análisis de los resultados del modelo de minería de datos original reveló grandes diferencias entre ciertas regiones y entre las líneas de productos.Por ejemplo, las ventas de Norteamérica fueron buenas para el modelo M200, mientras que las ventas del modelo T1000 no fueron tan bien. Sin embargo, el análisis secomplica por el hecho de que alguna serie no tenía muchos datos o que los datos empezaban en otro momento. También faltaban algunos datos.

Para resolver algunos de los problemas de calidad de los datos, decide combinar los datos de ventas de todo el mundo y usar ese conjunto de tendencias de ventas

generales para crear un modelo que se pueda aplicar para predecir las ventas futuras en cualquier región.

Al crear predicciones, usará el modelo que se genera mediante la formación en los datos de ventas mundiales, pero reemplazará los puntos de datos históricos conlos datos de ventas de cada región individual. De este modo, se mantiene la forma de la tendencia, pero los valores previstos están alineados con las cifras de ventashistóricas para cada región y modelo.

Realizar una predicción cruzada con un modelo de serie temporal

El proceso de usar datos de una serie para predecir tendencias en otras series se denomina predicción cruzada. Puede usar la predicción cruzada en muchassituaciones: por ejemplo, podría decidir que las ventas de televisiones son adecuadas para predecir la actividad económica general, y aplicar un modelo formado enventas de televisiones a los datos económicos generales.

En la minería de datos de SQL Server, una predicción cruzada se realiza mediante el parámetro REPLACE_MODEL_CASES en los argumentos de la función,PredictTimeSeries (DMX).

En la tarea siguiente, aprenderá a usar REPLACE_MODEL_CASES. Usará los datos combinados de las ventas mundiales para crear un modelo y, a continuación, crearáuna consulta de predicción que asigna el modelo general a los datos de reemplazo.

Se supone que ya está familiarizado con la manera de generar modelos de minería de datos y, por consiguiente, se han simplificado las instrucciones para generar elmodelo.

Para generar una estructura de minería de datos y un modelo de minería de datos utilizando los datos agregados

1. En el Explorador de soluciones, haga clic con el botón secundario en Estructuras de minería de datos y seleccione Nueva estructura de minería de datospara iniciar el Asistente para minería de datos.

2. En el Asistente para minería de datos, realice las selecciones siguientes:

Algoritmo: serie temporal de Microsoft

Use el origen de datos que creó anteriormente en esta lección avanzada como origen para el modelo. Vea Predicciones de serie temporal avanzadas

﴾Tutorial intermedio de minería de datos﴿.

SQL Server 2014



Vista del origen de datos: AllRegions

Elija las columnas siguientes para la clave de serie y la clave temporal:

Clave temporal: ReportingDate

Clave: Region

Elija las columnas siguientes para Input y Predict:

SumQty

SumAmt

AvgAmt

AvgQty

Para Nombre de la estructura de minería de datos, escriba: Todas las regiones

Para Nombre del modelo de minería de datos, escriba: Todas las regiones

3. Procese la nueva estructura y el nuevo modelo.

Para generar la consulta de predicción y asignar los datos de reemplazo

1. Si el modelo aún no está abierto, haga doble clic en la estructura AllRegions y, en el Diseñador de minería de datos, haga clic en la pestaña Predicción demodelo de minería de datos.

2. En el panel Modelo de minería de datos, el modelo AllRegions ya debería estar seleccionado. Si no lo está, haga clic en Seleccionar modelo y, a continuación,seleccione el modelo AllRegions.

3. En el panel Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.

4. En el cuadro de diálogo Seleccionar tabla, cambie el origen de datos por T1000 Pacific Region y haga clic en Aceptar.

5. Haga clic con el botón secundario en la línea de combinación entre el modelo de minería de datos y los datos de entrada, y seleccione Modificar conexiones.

Asigne los datos de la vista del origen de datos al modelo de la manera siguiente:

a. Compruebe que la columna ReportingDate del modelo de minería de datos está asignada a la columna ReportingDate de los datos de entrada.

b. En el cuadro de diálogo Modificar asignación, en la fila correspondiente a la columna del modelo AvgQty, haga clic en Columna de la tabla y seleccione

T1000 Pacific.Quantity. Haga clic en Aceptar.

Este paso asigna la columna que creó en el modelo para la cantidad promedio que predecía los datos reales de la serie T1000 de la cantidad de ventas.

c. No asigne la columna Region del modelo a ninguna columna de entrada.

Puesto que el modelo agregaba los datos de todas las series, no hay ninguna coincidencia de los valores de series como T1000 Pacific y se generará unerror cuando se ejecute la consulta de predicción.

6. Ahora creará la consulta de predicción.

Primero, agregue una columna a los resultados que genera la etiqueta AllRegions a partir del modelo y las predicciones. De esta manera, sabe que los

resultados están basados en el modelo general.

a. En la cuadrícula, haga clic en la primera fila vacía, bajo Origen, y a continuación seleccione AllRegions mining model.

b. En Campo, seleccione Region.

c. En Alias, escriba Modelo usado.

7. A continuación, agregue otra etiqueta a los resultados, de modo que pueda ver para qué serie son las predicciones.

a. Haga clic en una fila vacía y, en Origen, seleccione Expresión personalizada.

b. En la columna Alias, escriba ModelRegion.

c. En la columna Criterios o argumento, escriba 'T1000 Pacific'.

8. Ahora va a configurar la función de predicción cruzada.

a. Haga clic en una fila vacía y, en Origen, seleccione Función de predicción.

b. En la columna Campo, seleccione PredictTimeSeries.

c. En Alias, escriba Valores predichos.

d. Arrastre el campo AvgQty desde el panel Modelo de minería de datos a la columna Criterios o argumento mediante una operación de arrastrar ycolocar.

e. En la columna Criterios o argumento, después del nombre de campo, escriba el texto siguiente: ,5, REPLACE_MODEL_CASES

El texto completo del cuadro de texto Criterios o argumento debería ser como sigue: [AllRegions].[AvgQty],5,REPLACE_MODEL_CASES

9. Haga clic en Resultados.

Crear consultas de predicción cruzada en DMX

Quizá ha observado un problema con la predicción cruzada: a saber, que a aplicar el modelo general a una serie de datos diferente, como el modelo de productoT1000 en la región de Norteamérica, debe crear una consulta diferente para cada serie, con el fin de poder asignar cada conjunto de entradas al modelo.

Sin embargo, en lugar de crear la consulta en el diseñador, puede cambiar a la vista DMX y modificar la instrucción DMX que creó. Por ejemplo, la instrucción DMXsiguiente representa la consulta recién creada:

Para aplicar esto a un modelo diferente, basta con modificar la instrucción de consulta para reemplazar la condición de filtro y actualizar las etiquetas asociadas a cadaresultado.

Por ejemplo, si cambia las condiciones de filtro y las etiquetas de las columnas reemplazando 'Pacific' con 'North America', obtendrá las predicciones para el productoT1000 de Norteamérica, según los patrones del modelo general.


Comparar las predicciones de los modelos de predicción ﴾Tutorial intermedio de minería de datos﴿

Vea también

ReferenciaPredictTimeSeries (DMX)



SELECT

([All Regions].[Region]) as [Model Used],

('T-1000 Pacific') as [ModelRegion],

(PredictTimeSeries([All Regions].[Avg Qty],5, REPLACE_MODEL_CASES)) as [Predicted Quantity]

FROM [All Regions]

PREDICTION JOIN

OPENQUERY([Adventure Works DW2003R2], 'SELECT [ReportingDate] FROM

(

SELECT ReportingDate, ModelRegion, Quantity, Amount


WHERE (ModelRegion = N''T1000 Pacific'')

) as [T1000 Pacific] ')

AS t

ON

[All Regions].[Reporting Date] = t.[ReportingDate]

AND

[All Regions].[Avg Qty] = t.[Quantity]




Comparar las predicciones de los modelos de predicción﴾Tutorial intermedio de minería de datos﴿

En los pasos anteriores de este tutorial, ha creado varios modelos de serie temporal:

Predicciones para cada combinación de región y modelo, basadas únicamente en los datos del modelo y región individual.

Predicciones para cada región, en función de los datos actualizados.

Predicciones para todos los modelos en un ámbito mundial, basadas en datos agregados.

Predicciones para el modelo M200 de la región de Norteamérica, basadas en el modelo agregado.

Para resumir las características de las predicciones de serie temporal, también revisará los cambios para ver cómo ha afectado a los resultados de predicción el uso delas opciones para ampliar o reemplazar datos.

EXTEND_MODEL_CASES

REPLACE_MODEL_CASES

Comparar los resultados originales con los resultados obtenidos después de agregar datos

Veamos los datos solo para la línea de producto M200 en la región del Pacífico, para ver cómo afecta a los resultados la actualización del modelo con nuevos datos.Recuerde que la serie de datos original finalizó en junio de 2004 y que hemos obtenido datos nuevos para julio, agosto y septiembre.

La primera columna muestra los datos nuevos que se han agregado.

La segunda columna muestra la previsión para julio y los meses siguientes, basada en la serie de datos original.

La tercera columna muestra el pronóstico basado en los datos extendidos.

M200 Pacific Datos actualizados de ventas reales Previsión antes de agregar datos Predicción ampliada

7-25-2008 65 32 65

8-25-2008 54 37 54

9-25-2008 61 32 61

10-25-2008 Ninguno 36 32

11-25-2008 Ninguno 31 41

12-25-2008 Ninguno 34 32

Puede observar que los pronósticos con los datos extendidos ﴾que se muestran aquí en negrita﴿ repiten exactamente los puntos de datos reales. La repetición es pordiseño. Mientras haya puntos de datos reales para usar, la consulta de predicción devolverá los valores reales y generará nuevos valores de predicción solo despuésde que se hayan usado los nuevos puntos de datos reales.

En general, el algoritmo pondera los cambios en los datos nuevos más que los datos del principio de los datos del modelo. Sin embargo, en este caso, las nuevas

cifras de ventas representan un incremento de solo el 20‐30 por ciento durante el período anterior, por lo que hubo tan solo un ligero repunte de las ventas previstas,tras el cual las proyecciones de ventas vuelven a descender, más en línea con la tendencia de los meses anteriores a los datos nuevos.

Comparar los resultados originales y de la predicción cruzada

Recuerde que el modelo de minería de datos original revelaba grandes diferencias entre las regiones y las líneas de productos. Por ejemplo, las ventas para el modelo

M200 fueron muy marcadas, mientras que las ventas del modelo T1000 fueron bastante bajas en todas las regiones. Además, algunas series no tenían muchos datos.Las series eran desiguales, lo que significa que no tenían el mismo punto inicial.

SQL Server 2014

Por lo tanto, ¿cómo cambiaron las predicciones cuando se realizaron proyecciones basadas en el modelo general, que se basaba a su vez en las ventas mundiales, noen los conjuntos de datos originales? Para asegurarse de que no ha perdido ninguna información ni ha sesgado las predicciones, puede guardar los resultados en unatabla, combinar la tabla de predicciones con la de datos históricos y, después, crear un gráfico de los dos conjuntos de datos históricos y predicciones.

El siguiente diagrama se basa solo en una línea de productos, M200. En el gráfico se comparan las predicciones del modelo de minería de datos inicial con laspredicciones que usan el modelo de minería de datos agregado.

En este diagrama, se puede ver que el modelo de minería agregado conserva los intervalos y tendencias generales de los valores, a la vez que reduce las fluctuacionesde las series de datos individuales.

Conclusión

Ha aprendido a crear y personalizar un modelo de serie temporal que se puede usar para la predicción.

Ha aprendido a actualizar los modelos de serie temporal sin tener que volver a procesarlos, y ha agregado nuevos datos y creado predicciones mediante el parámetroEXTEND_MODEL_CASES.

Ha aprendido a crear modelos que se pueden usar para la predicción cruzada y ha utilizado el parámetro REPLACE_MODEL_CASES y aplicado el modelo a una serie dedatos diferente.

Vea también

ConceptosTutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Ejemplos de consultas de modelos de serie temporal




Lección 3: Generar un escenario de cesta de la compra﴾Tutorial intermedio de minería de datos﴿

El departamento de marketing de Adventure Works Cycles desea mejorar el sitio web de la empresa para promover las ventas cruzadas. Como parte de la actualizacióndel sitio, desean contar con la capacidad de predecir los productos cuya adquisición podría interesar a los clientes, basándose en otros productos que ya se encuentranen sus cestas de la compra en línea. El departamento de marketing también desea comprender mejor el comportamiento de compra de los clientes, de forma quepuedan diseñar el sitio web para que los elementos que tienden a comprarse juntos aparezcan agrupados. Han aprendido que la minería de datos resulta especialmenteútil para este tipo de análisis de la cesta de la compra y le han solicitado el desarrollo de un modelo de minería de datos.

Después de completar las tareas de esta lección, tendrá un modelo de minería de datos que muestra los grupos de elementos de las transacciones históricas del cliente.Además, puede utilizar el modelo de minería de datos para predecir elementos adicionales que un cliente puede desear comprar.

Para completar las tareas de esta lección, utilizará la solución y el origen de datos que creó en la primera lección de Tutorial intermedio de minería de datos ﴾AnalysisServices ‐ Minería de datos﴿. Modificará esta solución agregando una vista del origen de datos que contiene tablas sobre el cliente, incluso una tabla anidada de suscompras. A continuación, generará un modelo de minería de datos que utiliza el algoritmo de reglas de asociación de Microsoft, que es adecuado en escenarios de cestade la compra.


Agregar una vista del origen de datos con tablas anidadas ﴾Tutorial intermedio de minería de datos﴿

Crear una estructura y un modelo de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿

Modificar y procesar el modelo de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿

Explorar los modelos Market Basket ﴾tutorial intermedio de minería de datos﴿

Filtrar un tabla anidada en un modelo de minería de datos ﴾tutorial intermedio de minería de datos﴿

Predecir asociaciones ﴾Tutorial intermedio de minería de datos﴿


Agregar una vista del origen de datos con tablas anidadas ﴾Tutorial intermedio de minería de datos﴿

Todas las lecciones






Vea también

TasksTutorial básico de minería de datosConceptosLección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿Lección 4: Generar un escenario de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿


SQL Server 2014

















Agregar una vista del origen de datos con tablas anidadas﴾Tutorial intermedio de minería de datos﴿

Para crear un modelo de cesta de la compra, debe usar una vista del origen de datos que admita datos asociativos. Esta vista del origen de datos también se utilizarápara el escenario de agrupación en clústeres de secuencia.

Esta vista del origen de datos se diferencia de otras con las que habrá trabajado en que contiene una tabla anidada. Una tabla anidada es aquella que contiene varias filas

de información sobre una fila única en la tabla de casos. Por ejemplo, si el modelo analiza los hábitos de compra de los clientes, lo normal sería usar una tabla quetuviese una única fila para cada cliente como tabla de casos. Sin embargo, cada cliente puede hacer varias compras y es posible que se desee analizar el orden en que se

realizan las compras o los productos que suelen comprarse juntos. Para representar estas compras de manera lógica en el modelo, agregará a la vista del origen dedatos otra tabla que muestre las compras de cada cliente.

Esta tabla de compras anidada se relaciona con la tabla de clientes mediante una relación de varios a uno. La tabla anidada podría contener muchas filas para cadacliente, cada una con un único producto que se compró, quizás con información adicional sobre el orden en el que se realizaron las compras, el precio en el momento delpedido o cualquier promoción que se aplicara. Puede utilizar la información de la tabla anidada como entrada para el modelo o como el atributo de predicción.

En esta lección, hará lo siguiente:

Agregará una vista del origen de datos al origen de datos de Adventure Works DW Multidimensional 2012 .

Agregará las tablas anidadas y de casos a esta vista.

Especificará la relación de varios a uno entre la tabla de casos y la tabla anidada.

Nota

. Es importante que siga el procedimiento descrito de forma exacta, para especificar correctamente la relación entre la tabla de casos y la tabla anidada, y evitarerrores al procesar el modelo.

Definirá cómo se utilizan las columnas de datos en el modelo.

Para obtener más información acerca de cómo trabajar con las tablas de casos y anidada, y sobre cómo elegir una clave de tabla anidada, vea Tablas anidadas (Analysis

Services ‐ Minería de datos﴿.


1. En el Explorador de soluciones, haga clic con el botón secundario en Vistas del origen de datos y luego seleccione Nueva vista del origen de datos.

Se abrirá el Asistente para vistas del origen de datos.


3. En la página Seleccionar un origen de datos, en Orígenes de datos relacionales, seleccione el origen de datos de Adventure Works DW Multidimensional 2012

que se creó en el Tutorial básico de minería de datos. Haga clic en Siguiente.

4. En la página Seleccionar tablas y vistas, seleccione las tablas siguientes y, a continuación, haga clic en la flecha derecha para incluirlas en la nueva vista del origende datos:

vAssocSeqOrders

vAssocSeqLineItems


6. En la página Finalizando el asistente, la vista del origen de datos tendrá el nombre Adventure Works DW Multidimensional 2012 , de forma predeterminada.

Cámbielo por Orders y, a continuación, haga clic en Finalizar.

Se abrirá el Diseñador de vistas del origen de datos y aparecerá la vista del origen de datos Orders.

Crear una relación entre tablas

1. En el Diseñador de vistas del origen de datos, coloque las dos tablas de modo que estén alineadas horizontalmente, con la tabla vAssocSeqLineItems en el ladoizquierdo y la tabla vAssocSeqOrders en el lado derecho.

2. Seleccione la columna OrderNumber en la tabla vAssocSeqLineItems.

3. Arrastre la columna hasta la tabla vAssocSeqOrders y colóquela en la columna OrderNumber.

Importante

Asegúrese de arrastrar la columna OrderNumber desde la tabla anidada vAssocSeqLineItems, que representa el lado "varios" de la combinación, hasta la tablade casos vAssocSeqOrders, que representa el lado "uno" de la combinación.

Así, hay una nueva relación de varios a uno entre las tablas vAssocSeqLineItems y vAssocSeqOrders. Si ha combinado correctamente las tablas, la vista del origen de

datos debería aparecer como sigue:

SQL Server 2014



Crear una estructura y un modelo de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosTutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Estructuras de minería de datos ﴾Analysis Services ‐ Minería de datos﴿Modelos de minería de datos ﴾Analysis Services ‐ Minería de datos﴿






Crear una estructura y un modelo de cesta de la compra﴾Tutorial intermedio de minería de datos﴿

Ahora que ha creado una vista del origen de datos, utilizará el Asistente para minería de datos con el fin de crear una nueva estructura de minería de datos. En esta tarea,

creará una estructura y un modelo de minería de datos que se basen en el algoritmo de asociación de Microsoft.

Nota

Si encuentra un error que indica que vAssocSeqLineItems no se puede usar como una tabla anidada, vuelva a la tarea anterior de la lección y asegúrese de crear lacombinación de varios a uno arrastrando desde la tabla vAssocSeqLineItems ﴾el lado de varios﴿ a la tabla vAssocSeqOrders ﴾el lado de uno﴿. También puede modificarla relación entre las tablas haciendo clic con el botón secundario en la línea de combinación.

Para crear una estructura de minería de datos de asociación

1. En el Explorador de soluciones en SQL Server Data Tools ﴾SSDT﴿, haga clic con el botón secundario en Estructuras de minería de datos y seleccione Nueva

estructura de minería de datos para abrir el Asistente para minería de datos.




4. En la página Crear la estructura de minería de datos, en ¿Qué técnica de minería de datos desea utilizar?, seleccione Reglas de asociación de Microsoft en la

lista y, a continuación, haga clic en Siguiente. Aparecerá la página Seleccionar vista del origen de datos.

5. Seleccione Orders en Vistas del origen de datos disponibles y, a continuación, haga clic en Siguiente.

6. En la página Especificar tipos de tablas, en la fila correspondiente a la tabla vAssocSeqLineItems, active la casilla Anidada y, en la fila de la tabla anidada

vAssocSeqOrders, active la casilla Caso. Haga clic en Siguiente.

7. En la página Especificar los datos de aprendizaje, desactive las casillas que estén activadas, si hay alguna. Establezca la clave para la tabla de casos,

vAssocSeqOrders, activando la casilla Clave junto a OrderNumber.

Dado que el propósito del análisis de la cesta de la compra es determinar qué productos están incluidos en una transacción única, no tiene que usar el campoCustomerKey.

8. Establezca la clave para la tabla anidada, vAssocSeqLineItems, activando la casilla Clave junto a Model. La casilla Entrada se activa también automáticamente alhacer esto. Active igualmente la casilla De predicción correspondiente a Modelo.

En un modelo de cesta de la compra, no se preocupa de la secuencia de productos de la cesta de la compra y, por consiguiente, no debería incluir LineNumber

como clave de la tabla anidada. Se usaría LineNumber como clave solo en un modelo en el que la secuencia fuera importante. Creará un modelo que use elalgoritmo de clústeres de secuencia de Microsoft en la lección 4.

9. Active la casilla situada a la izquierda de IncomeGroup y Region, pero no realice ninguna otra selección. Al activar la columna situada más a la izquierda se agreganlas columnas a la estructura como referencia posterior, pero las columnas no se usarán en el modelo. Las selecciones tendrán la apariencia siguiente:


11. En la página Especificar el contenido y el tipo de datos de las columnas, revise las selecciones, que deberían mostrarse en la tabla siguiente, y a continuaciónhaga clic en Siguiente.

Columnas Tipo de contenido Tipo de datos

IncomeGroup Discreto Text

SQL Server 2014

OrderNumber Clave Text


vAssocSeqLineItems

Model Clave Text

12. En la página Crear conjunto de pruebas, el valor predeterminado para la opción Porcentaje de datos para pruebas es el 30 por ciento. Cámbielo a 0. Haga clic

en Siguiente.

Nota

Analysis Services proporciona varios gráficos para medir la precisión del modelo. Sin embargo, algunos tipos de gráficos de precisión, como el gráfico deelevación y el informe de validación cruzada, están diseñados para la clasificación y la estimación. No se pueden usar en la predicción asociativa.

13. En la página Finalización del asistente, en Nombre de la estructura de minería de datos, escriba Association.

14. En Nombre del modelo de minería de datos, escriba Asociación.

15. Seleccione la opción Permitir obtención de detalles y, a continuación, haga clic en Finalizar.

El Diseñador de minería de datos se abre para mostrar la estructura de minería de datos Association que acaba de crear.


Modificar y procesar el modelo de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosAlgoritmo de asociación de MicrosoftTipos de contenido ﴾minería de datos﴿





Modificar y procesar el modelo de cesta de la compra (Tutorialintermedio de minería de datos﴿

Antes de procesar el modelo de minería de datos de la asociación que creó, debe cambiar los valores predeterminados de dos de los parámetros: Support y Probability.

Support define el porcentaje de casos en los que una regla debe existir antes de considerarse válida. Especificará que una regla se debe encontrar en un uno porciento de casos al menos.

Probability define la probabilidad de una asociación para considerarse válida. Considerará cualquier asociación con una probabilidad de al menos el 10 por ciento.

Para obtener más información sobre los efectos de aumentar o disminuir la compatibilidad y la probabilidad, vea Referencia técnica del algoritmo de asociación deMicrosoft.

Después de definir la estructura y los parámetros para el modelo de minería de datos Association, procesará el modelo.

Para ajustar los parámetros del modelo Association

1. Abra la pestaña Modelos de minería de datos del Diseñador de minería de datos.

2. Haga clic con el botón secundario en la columna Association de la cuadrícula del diseñador y seleccione el cuadro de diálogo Establecer parámetros dealgoritmo para abrir el cuadro de diálogo Parámetros de algoritmo.

3. En la columna Valor del cuadro de diálogo Parámetros de algoritmo, establezca los parámetros siguientes:

MINIMUM_PROBABILITY = 0,1

MINIMUM_SUPPORT = 0,01


Para procesar el modelo de minería de datos

1. En el menú Modelo de minería de datos de SQL Server Data Tools (SSDT), seleccione Procesar estructura de minería de datos y todos los modelos.


Se abrirá el cuadro de diálogo Procesar estructura de minería de datos: Association.

3. Haga clic en Ejecutar.

Se abre el cuadro de diálogo Progreso del proceso para mostrar información acerca del procesamiento del modelo. El procesamiento de la nueva estructura y del

nuevo modelo puede tardar algún tiempo.


5. Haga clic de nuevo en Cerrar para salir del cuadro de diálogo Procesar estructura de minería de datos ‐ Association.


Explorar los modelos Market Basket ﴾tutorial intermedio de minería de datos﴿

Vea también



SQL Server 2014




Explorar los modelos Market Basket (tutorial intermedio deminería de datos﴿

Después de crear el modelo Association, puede explorarlo con el visor de asociación de Microsoft, que se encuentra en la pestaña Visor de modelos de minería dedatos del Diseñador de minería de datos. Este tutorial le guía a través del uso del visor para explorar las relaciones entre los elementos. El visor le ayuda a saber de unvistazo qué productos tienden a aparecer juntos y a obtener una idea general de los patrones que surgen.

El Visor de asociación de Microsoft contiene tres pestañas: Conjuntos de elementos, Reglas y Red de dependencias. Dado que cada pestaña revela una vistaligeramente diferente de los datos, cuando explore un modelo, normalmente alternará entre los diferentes paneles varias veces mientras obtiene más detalles.

Pestaña Red de dependencias

Pestaña Conjuntos de elementos

Pestaña Reglas

Visor de árbol de contenido genérico

En este tutorial, comenzará en la pestaña Red de dependencias y, a continuación, utilizará la pestaña Reglas y la pestaña Conjuntos de elementos para profundizar en el

conocimiento de las relaciones que se revelan en el visor. También utilizará el Visor de árbol de contenido genérico de Microsoft para recuperar estadísticas detalladasde reglas individuales o conjuntos de elementos.

Pestaña Red de dependencias

Mediante la pestaña Red de dependencias, puede examinar la interacción entre los diferentes elementos del modelo. Cada nodo del visor representa un elemento

mientras que las líneas entre ellos representan las relaciones. Al seleccionar un nodo, puede ver qué otros nodos predicen el elemento seleccionado o qué elementospredice el elemento actual. En algunos casos, hay una asociación bidireccional entre elementos, lo que significa que aparecen a menudo en la misma transacción. Puede

hacer referencia a la leyenda de color de la parte inferior de la pestaña para determinar la dirección de la asociación.

Una línea que conecta dos elementos significa que es probable que aparezcan juntos en una transacción. En otras palabras, es probable que los clientes compren

estos elementos conjuntamente. El control deslizante se asocia con la probabilidad de una regla. Mueva el control deslizante arriba o abajo para filtrar las asociaciones

débiles, lo que significa que las reglas tienen una probabilidad baja.

El gráfico de red de dependencias muestra las reglas por parejas, lo que se puede representar lógicamente como A‐>B y significa que, si se compra el producto A, esprobable que se compre después el producto B. El gráfico no puede mostrar reglas del tipo AB ‐>C. Si mueve el control deslizante para mostrar todas las reglas pero

sigue sin ver ninguna línea en el gráfico, significa que no hubo ninguna pareja de reglas que cumplieran los criterios de los parámetros del algoritmo.

También puede buscar los nodos por nombre, escribiendo las primeras letras del nombre de atributo. Para obtener más información, vea Cuadro de diálogo Buscarnodo ﴾Visor de modelos de minería de datos﴿.

Para abrir el modo de asociación en el Visor de reglas de asociación de Microsoft

1. En el Explorador de soluciones, haga doble clic en la estructura Association.

2. En el Diseñador de minería de datos, haga clic en la pestaña Visor de modelo de minería de datos.

3. Seleccione Association en la lista desplegable Modelo de minería de datos.

Para navegar por el gráfico de dependencias y buscar nodos concretos

1. En la pestaña Visor de modelo de minería de datos, haga clic en la pestaña Red de dependencias.

2. Haga clic en Acercar varias veces, hasta que pueda ver con facilidad las etiquetas de cada nodo.

De forma predeterminada, el gráfico se muestra con todos los nodos visibles. En un modelo complejo, puede haber muchos nodos, con lo que cada nodo es

bastante pequeño.

3. Haga clic en el signo + en la esquina inferior derecha del visor y mantenga presionado el botón del mouse para obtener una vista ampliada del gráfico.

4. En el lado izquierdo del visor, arrastre hacia abajo el control deslizante, moviéndolo de Todos los vínculos (el valor predeterminado) a la parte inferior del

control deslizante.

5. El visor actualiza el gráfico para que ahora solo muestre la asociación más fuerte, entre los elementos Touring Tire y Touring Tire Tube.

6. Haga clic en el nodo con la etiqueta Touring Tire Tube = Existing.

El gráfico se actualiza para resaltar únicamente los elementos que están muy relacionados con este elemento. Observe la dirección de la flecha entre los doselementos.

7. En el lado izquierdo del visor, arrastre el control deslizante hacia arriba de nuevo, moviéndolo desde la parte inferior aproximadamente hasta el medio.

Tenga en cuenta los cambios de la flecha que conecta los dos elementos.

8. Seleccione Mostrar solo el nombre de atributo en la lista desplegable de la parte superior del panel Red de dependencias.

Las etiquetas de texto del gráfico se actualizan para mostrar solo el nombre del modelo.

SQL Server 2014


Volver al principio

Pestaña Conjuntos de elementos

Luego, obtendrá más información sobre las reglas y conjuntos de elementos generados por el modelo para los productos Touring Tire Tube y Touring Tire. La pestañaConjuntos de elementos muestra tres extractos de información importantes relacionados con los conjuntos de elementos que el algoritmo de asociación de Microsoftdetecta:

Compatibilidad: el número de transacciones en las que se produce el conjunto de elementos.

Tamaño: el número de elementos que se encuentran en el conjunto de elementos.

Elementos: una lista de los elementos incluidos en cada conjunto de elementos.

Dependiendo de cómo se configuren los parámetros del algoritmo, éste podría generar muchos conjuntos de elementos. Cada conjunto de elementos que se devuelve

en el visor representa las transacciones en las que se vendió el elemento. Mediante los controles situados en la parte superior de la pestaña Conjuntos de elementos,

puede filtrar el visor para que muestre solo los conjuntos de elementos que tengan un tamaño y un soporte mínimo específicos.

Si está trabajando con un modelo de minería de datos diferente y no aparece ningún conjunto de elementos, se debe a que ninguno cumplió los criterios de losparámetros del algoritmo. En este tipo de escenario, puede cambiar los parámetros del algoritmo para permitir conjuntos de elementos que tengan unacompatibilidad más baja.

Para filtrar por nombre los conjuntos de elementos que se muestran en el visor

1. Haga clic en la pestaña Conjuntos de elementos del visor.

2. En el cuadro Filtrar conjunto de elementos, escriba Touring Tire y, a continuación, haga clic fuera del cuadro.

El filtro devuelve todos los elementos que contienen esta cadena.

3. En la lista Mostrar, seleccione Mostrar solo el nombre del atributo.

4. Active la casilla Mostrar nombre largo.

La lista de conjuntos de elementos se actualiza para mostrar solo los conjuntos de elementos que contienen la cadena Touring Tire. El nombre largo del

conjunto de elementos incluye el nombre de la tabla que contiene el atributo y el valor de cada elemento.

5. Desactive la casilla Mostrar nombre largo.

La lista de conjuntos de elementos se actualiza para mostrar solo el nombre corto.

Los valores de la columna Compatibilidad indican el número de transacciones para cada conjunto de elementos. Una transacción para un conjunto de elementossignifica una compra que incluía todos los elementos del conjunto de elementos.

De forma predeterminada, el visor muestra en orden descendente los conjuntos de elementos por compatibilidad. Puede hacer clic en los encabezados de columna

para ordenar por una columna diferente, por ejemplo por el tamaño del conjunto de elementos o el nombre. Si le interesa obtener más información sobre lastransacciones individuales que están incluidas en un conjunto de elementos, puede obtener detalles de los casos individuales en los conjuntos de elementos. Las

columnas de estructura de los resultados de la obtención de detalles son el nivel de ingresos del cliente y su identificador, que no se usaron en el modelo.

Para ver los detalles de un conjunto de elementos

1. En la lista de conjuntos de elementos, haga clic en el encabezado de columna Conjunto de elementos para ordenar por nombre.

2. Busque el elemento Touring Tire (sin el segundo elemento).

3. Haga clic con el botón secundario en el elemento Touring Tire, seleccione Obtener detalles y, a continuación, seleccione Columnas de modelo y estructura.

El cuadro de diálogo Obtener detalles muestra las transacciones individuales utilizadas como compatibilidad para este conjunto de elementos.

4. Expanda la tabla anidada, vAssocSeqLineItems, para ver la lista actual de compras de la transacción.

Para filtrar los conjuntos de elementos por compatibilidad o tamaño

1. Borre cualquier texto que pudiera estar en el cuadro Filtrar conjunto de elementos. No puede utilizar un filtro del texto junto con un filtro numérico.

2. En el cuadro Compatibilidad mínima, escriba 100 y, a continuación, haga clic en el segundo plano del visor.

La lista de conjuntos de elementos se actualiza para mostrar solo los conjuntos de elementos con una compatibilidad mínima de 100.

Volver al principio

Pestaña Reglas

La pestaña Reglas muestra la siguiente información relacionada con las reglas que el algoritmo encuentra.

Probabilidad: la probabilidad de una regla, definida como la probabilidad del elemento de la derecha dado el elemento de la izquierda.

Importancia: una medida de la utilidad de una regla. Un valor mayor significa una regla mejor.

La importancia se proporciona para ayudarle a calibrar la utilidad de una regla, porque la probabilidad por sí sola puede ser engañosa. Por ejemplo, si cada

transacción contuviera una botella de agua, quizás agregada automáticamente al carro de cada cliente como parte de una promoción, el modelo crearía unaregla que predice que la botella de agua tiene una probabilidad de 1. Si se basa en la probabilidad únicamente, esta regla es muy precisa, pero no proporcionainformación útil.

Regla: definición de la regla. Para un modelo de cesta de la compra, una regla describe una combinación concreta de elementos.

Cada regla puede usarse para predecir la presencia de un elemento de una transacción en función de la presencia de otros elementos. Al igual que con la pestañaConjuntos de datos, puede filtrar las reglas para mostrar solo las más interesantes. Si está trabajando con un modelo de minería de datos que no tiene ninguna regla,podría desear cambiar los parámetros de algoritmo para bajar el umbral de probabilidad de las reglas.

Para ver solo reglas que incluyen la bicicleta Mountain-200

1. En la pestaña Visor de modelos de minería de datos, haga clic en la pestaña Reglas.

2. En el cuadro Regla del filtro, escriba Mountain-200.

Desactive la casilla Mostrar nombre largo.

3. En la lista Mostrar, seleccione Mostrar solo el nombre del atributo.

A continuación, el visor solo mostrará las reglas que contengan la palabra "Mountain-200". La probabilidad de la regla le indica la probabilidad de que, cuando

alguien compre una bicicleta Mountain-200, también compre el otro producto enumerado.

Las reglas se ordenan por probabilidad en orden descendente, pero puede hacer clic en los encabezados de columna para cambiar el criterio de ordenación. Si le

interesa averiguar más detalles sobre una regla determinada, puede utilizar la obtención de detalles para ver los casos complementarios.

Para ver los casos que complementan una regla determinada

1. En la pestaña Reglas, haga clic con el botón secundario en la regla que desea ver.

2. Seleccione Obtener detalles y, a continuación, seleccione Solo columnas de modelos o Columnas de modelo y estructura.

El cuadro de diálogo Obtener detalles proporciona un resumen de la regla en la parte superior del panel y una lista de todos los casos que se utilizaron como

datos complementarios para la regla.

Volver al principio

Visor de árboles de contenido genérico

Este visor se puede usar para todos los modelos, sin tener en cuenta el algoritmo o tipo de modelo. El Visor de árbol de contenido genérico de Microsoft estádisponible en la lista desplegable Visor.

Un árbol de contenido es una representación de un modelo de minería como una serie de nodos, donde cada nodo representa el conocimiento adquirido acerca decierto subconjunto de los datos. El nodo puede contener un modelo, un conjunto de reglas, un clúster o la definición de un intervalo de fechas que comparten ciertascaracterísticas. El contenido exacto del nodo difiere dependiendo del algoritmo y el tipo del atributo predecible, pero la representación general del contenido es lamisma. Puede expandir cada nodo para ver un mayor nivel de detalle y copiar el contenido de cualquier nodo en el Portapapeles.

Para ver los detalles sobre la regla utilizando el visor de contenido

1. En la pestaña Visor de modelos de minería de datos, seleccione Visor de árbol de contenido genérico de Microsoft en la lista Visor.

2. En el panel Título de nodo, desplácese a la parte inferior de la lista y haga clic en el último nodo.

El visor muestra los conjuntos de elementos primero y las reglas después, pero no los agrupa. La manera más fácil de buscar un nodo concreto es crear unaconsulta de contenido. Para obtener más información, vea Ejemplos de consultas del modelo de asociación.

3. En el panel Detalles de nodo, revise el valor de NODE_TYPE y NODE_DESCRIPTION.

Un tipo de nodo 8 es una regla y un tipo de nodo 7 es un conjunto de elementos. Para una regla, el valor de NODE_DESCRIPTION indica las condiciones que la

constituyen. Para un conjunto de elementos, el valor de NODE_DESCRIPTION indica los elementos incluidos en el conjunto de elementos.

También puede crear una consulta de contenido para obtener estadísticas detalladas sobre las reglas. Para obtener más información sobre el contenido del modelo deminería de datos y cómo interpretarlo, vea Contenido del modelo de minería de datos para los modelos de asociación ﴾Analysis Services ‐ Minería de datos﴿.

Volver al principio


Filtrar un tabla anidada en un modelo de minería de datos ﴾tutorial intermedio de minería de datos﴿

Vea también

ReferenciaReferencia técnica del algoritmo de asociación de Microsoft





ConceptosLección 3: Generar un escenario de cesta de la compra ﴾Tutorial intermedio de minería de datos﴿Lección 4: Generar un escenario de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿Algoritmo de asociación de Microsoft





Filtrar un tabla anidada en un modelo de minería de datos﴾tutorial intermedio de minería de datos﴿

Una vez creado y explorado el modelo, tal vez decida centrarse en un subconjunto de datos del cliente. Por ejemplo, es posible que solo desee analizar las cestas que

contienen un producto específico o los datos demográficos de los clientes que no han realizado ninguna compra en un determinado período.

Analysis Services proporciona la capacidad de filtrar los datos que se emplean en un modelo de minería de datos. Esta característica es útil porque no necesitaconfigurar una nueva vista del origen de datos para usar otros datos diferentes. En el Tutorial básico de minería de datos aprendió a filtrar los datos de una tabla planaaplicando condiciones a la tabla de casos. En esta tarea, creará un filtro que se aplica a una tabla anidada.

Comparación de los filtros en tablas anidadas y entablas de casos

Si la vista del origen de datos contiene una tabla de casos y una tabla anidada, como la vista del origen de datos utilizada en el modelo Association, puede filtrar segúnlos valores de la tabla de casos, la presencia o ausencia de un valor en la tabla anidada, o alguna combinación de ambos.

En esta tarea, primero realizará una copia del modelo Association y, a continuación, agregará los atributos IncomeGroup y Region al nuevo modelo relacionado, paraque pueda filtrar según esos atributos en la tabla de casos.

Para crear y modificar una copia del modelo Association

1. En la pestaña Modelos de minería de datos de SQL Server Data Tools ﴾SSDT﴿, haga clic con el botón secundario en el modelo Association y seleccione Nuevo


2. Para Nombre del modelo, escriba Association Filtered. Para Nombre del algoritmo, seleccione Reglas de asociación de Microsoft. Haga clic en Aceptar.

3. En la columna del modelo Association Filtered, haga clic en la fila IncomeGroup y cambie el valor de Omitir a Entrada.

A continuación, creará un filtro para la tabla de casos en el nuevo modelo de asociación. El filtro pasará al modelo solo los clientes de la región de destino o con elnivel de ingresos de destino. A continuación, agregará un segundo conjunto de condiciones de filtro para especificar que el modelo utilice solo los clientes cuyas cestasde la compra contengan al menos un producto.

Para agregar un filtro a un modelo de minería de datos

1. En la pestaña Modelos de minería de datos, haga clic con el botón secundario en el modelo Association Filtered y seleccione Establecer filtro de modelos.

2. En el cuadro de diálogo Filtro del modelo, haga clic en la fila superior de la cuadrícula en el cuadro de texto Columna de la estructura de minería de datos.

3. En el cuadro de texto Columna de la estructura de minería de datos, seleccione IncomeGroup.

El icono situado en la parte izquierda del cuadro de texto cambia para indicar que el elemento seleccionado es una columna.

4. Haga clic en el cuadro de texto Operador y seleccione el operador = de la lista.

5. Haga clic en el cuadro de texto Valor y escriba Alto en el cuadro.

6. Haga clic en la siguiente fila de la cuadrícula.

7. Haga clic en el cuadro de texto AND/OR de la siguiente fila de la cuadrícula y seleccione OR.

8. En el cuadro de texto Columna de la estructura de minería de datos, seleccione IncomeGroup. En el cuadro de texto Valor, escriba Moderate.

La condición de filtro creada se agrega automáticamente al cuadro de texto Expresión y debe ser similar a la siguiente:

[IncomeGroup] = 'High' OR [IncomeGroup] = 'Moderate'

9. Haga clic en la fila siguiente de la cuadrícula, dejando el valor del operador predeterminado, AND.

10. Para Operador, deje el valor predeterminado, Contains. Haga clic en el cuadro de texto Valor.

11. En el cuadro de diálogo Filtro, en la primera fila bajo Columna de la estructura de minería de datos, seleccione Modelo.

12. Para Operador, seleccione IS NOT NULL. Deje en blanco el cuadro de texto Valor. Haga clic en Aceptar.

La condición de filtro del cuadro de texto Expresión del cuadro de diálogo Filtro del modelo se actualiza automáticamente para incluir la nueva condición en latabla anidada. La expresión completa es la siguiente:

[IncomeGroup] = 'High' OR [IncomeGroup] = 'Moderate' AND EXISTS SELECT * FROM [vAssocSeqLineItems] WHERE [Model] <> NULL).


Para habilitar la obtención de detalles y procesar el modelo filtrado

1. En la pestaña Modelos de minería de datos, haga clic con el botón secundario en el modelo Asociación filtrada y seleccione Propiedades.

2. Cambie la propiedad AllowDrillThrough a True.

3. Haga clic con el botón secundario en el modelo de minería de datos Asociación filtrada y seleccione Procesar modelo.

SQL Server 2014

4. Haga clic en Sí en el mensaje de error para implementar el nuevo modelo en la base de datos de Analysis Services.

5. En el cuadro de diálogo Procesar estructura de minería de datos, haga clic en Ejecutar.

6. Cuando termine de procesarse la estructura, haga clic en Cerrar para salir del cuadro de diálogo Progreso del proceso y haga clic de nuevo en Cerrar para salir

del cuadro de diálogo Procesar estructura de minería de datos.

Mediante el Visor de árbol de contenido genérico de Microsoft y examinando el valor de NODE_SUPPORT, puede comprobar que el modelo filtrado contiene menoscasos que el modelo original.

Comentarios

El filtro de tabla anidada que acaba de crear solo comprueba la presencia de al menos una fila en la tabla anidada; no obstante, puede crear condiciones de filtro que

comprueben la existencia de productos específicos. Por ejemplo, podría crear el siguiente filtro:

Esta instrucción restringe los clientes de la tabla de casos a solo aquellos que han comprado una botella de agua. Sin embargo, dado que el número de atributos detabla anidada es potencialmente ilimitado, Analysis Services no suministra ninguna lista de valores posibles entre los que seleccionar. En lugar de ello, debe escribir el

valor exacto.

Puede hacer clic en Editar consulta para cambiar manualmente la expresión de filtro. Sin embargo, si cambia manualmente una parte de la expresión de filtro, lacuadrícula estará deshabilitada y a partir de este momento deberá trabajar solo con la expresión de filtro en modo de edición de texto. Para restaurar el modo de

edición de cuadrícula, debe borrar la expresión de filtro y comenzar de nuevo.

Advertencia

No se puede usar el operador LIKE en un filtro de tabla anidada.


Predecir asociaciones ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosSintaxis y ejemplos del filtro de modelos ﴾Analysis Services: Minería de datos﴿Filtros para modelos de minería ﴾Analysis Services ‐ Minería de datos﴿


[IncomeGroup] = 'High' AND

EXISTS (SELECT * FROM [<nested table name>] WHERE [Model] = 'Water Bottle' )




Predecir asociaciones ﴾Tutorial intermedio de minería dedatos)

Una vez procesados los modelos, puede utilizar la información sobre las asociaciones almacenada en el modelo para crear predicciones. En la tarea final de esta lección,aprenderá a generar consultas de predicción a partir de los modelos de asociación que creó. En esta lección se presupone que sabe cómo se utiliza el Generador deconsultas de predicción y desea obtener información acerca de cómo se generan consultas de predicción a partir de modelos de asociación. Para obtener másinformación acerca de cómo se usa el Generador de consultas de predicción, vea Interfaces de consultas de minería de datos.

Crear una consulta de predicción singleton

Las consultas de predicción en un modelo de asociación pueden ser muy útiles para lo siguiente:

Recomendar artículos a un cliente, en función de compras anteriores o relacionadas.

Buscar eventos relacionados.

identificar relaciones en o entre conjuntos de transacciones.

Para generar una consulta de predicción, seleccione primero el modelo de asociación que desee utilizar, y, a continuación, especifique los datos de entrada. Las

entradas pueden proceder de un origen de datos externo, como una lista de valores. También puede generar una consulta singleton y proporcionar los valores sobrela marcha.

En este escenario, creará primero algunas consultas de predicción singleton para hacerse una idea de cómo funcionan las predicciones. A continuación, creará unaconsulta de las predicciones masivas que podría utilizar para hacer recomendaciones en función de las compras realizadas actualmente por un cliente.

Para crear una consulta de predicción en un modelo de asociación

1. Haga clic en la pestaña Predicción de modelo de minería de datos del Diseñador de minería de datos.

2. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo. ﴾Puede omitir este paso y el siguiente si el modelo correcto ya está seleccionado﴿.

3. En el cuadro de diálogo Seleccionar modelo de minería de datos , expanda el nodo que representa la estructura de minería de datos Association y seleccione

el modelo Association. Haga clic en Aceptar.

De momento, puede hacer caso omiso al panel de entrada.

4. En la cuadrícula, haga clic en una celda vacía de Origen y seleccione Función de predicción. En la celda situada bajo Campo, seleccione PredictAssociation.

También puede utilizar la función Predict para predecir asociaciones. Si lo hace, asegúrese de elegir la versión de la función Predict que toma una columna de

tabla como argumento.

5. En el panel Modelo de minería de datos, seleccione la tabla anidada vAssocSeqLineItems y arrástrela hasta la cuadrícula, al cuadro Criterios o argumento de

la función PredictAssociation.

Al arrastrar y colocar la tabla y los nombres de columna, podrá crear instrucciones complejas sin errores sintácticos. Sin embargo, se reemplazará el contenidoactual de la celda, que contiene otros argumentos opcionales de la función PredictAssociation. Para consultar los demás argumentos, puede agregarprovisionalmente una segunda instancia de la función a la cuadrícula como referencia.

6. Haga clic en el cuadro Criterios o argumento y escriba el texto siguiente después del nombre de la tabla: ,3

El texto completo del cuadro Criterios o argumento debería ser el siguiente:

[Association].[v Assoc Seq Line Items],3

7. Haga clic en el botón Resultados situado en la esquina superior del Generador de consultas de predicción.

Los resultados esperados contienen una única columna con el encabezado Expresión. La columna Expresión contiene una tabla anidada con una única columna y lastres filas siguientes. Como no especificó un valor de entrada, estas predicciones representan las asociaciones de productos del modelo en su conjunto que tienenmayor probabilidad de producirse.

Modelo

Women's Mountain Shorts

Water Bottle

Touring-3000

A continuación, utilizará el panel Entrada de consulta singleton para especificar un producto como entrada de la consulta y consultar los productos que con mayor

probabilidad irán asociados con ese artículo.

Para crear una consulta de predicción singleton con entradas de tabla anidada

1. Haga clic en el botón Diseño situado en la esquina del Generador de consultas de predicción para cambiar a la cuadrícula de generación de consultas.

2. En el menú Modelo de minería de datos, seleccione Consulta singleton.

SQL Server 2014


3. En el cuadro de diálogo Modelo de minería de datos, seleccione el modelo Association.



la función PredictAssociation. Escriba ,3 tras el nombre de la tabla anidada, como en el procedimiento anterior.

6. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor situado junto a vAssoc Seq Line Items y, a continuación, haga clic en elbotón ﴾…﴿.

7. En el cuadro de diálogo Entrada de tabla anidada, seleccione Touring Tire en el panel Columna de clave y, a continuación, haga clic en Agregar.

8. Haga clic en el botón Resultados.

Los resultados muestran ahora las predicciones de los productos que con mayor probabilidad estarán asociados a Touring Tire.

Modelo

Touring Tire Tube

Sport-100

Water Bottle

Sin embargo, al explorar el modelo sabrá ya que Touring Tire Tube a menudo se compra junto con Touring Tire; lo que más le interesa saber es qué productos puederecomendar a los clientes que compran estos dos artículos juntos. Cambiará la consulta para que prediga productos relacionados en función de dos elementos de lacesta. Modificará también la consulta para agregar la probabilidad de cada producto predicho.

Para agregar entradas y probabilidades a la consulta de predicción singleton

1. Haga clic en el botón Diseño situado en la esquina del Generador de consultas de predicción para cambiar a la cuadrícula de generación de consultas.

2. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor situado junto a vAssoc Seq Line Items y, a continuación, haga clic en elbotón ﴾…﴿.

3. En el panel Columna de clave, seleccione Touring Tire y, a continuación, haga clic en Agregar.



la función PredictAssociation. Escriba ,3 tras el nombre de la tabla anidada, como en el procedimiento anterior.

6. En el cuadro de diálogo Entrada de tabla anidada, seleccione Touring Tire Tube en el panel Columna de clave y, a continuación, haga clic en Agregar.

7. En la cuadrícula, en la fila de la función PredictAssociation, haga clic en el cuadro Criterios o argumento y cambie los argumentos para agregar el argumento

INCLUDE_STATISTICS.

El texto completo del cuadro Criterios o argumento debería ser el siguiente:

[Association].[v Assoc Seq Line Items], INCLUDE_STATISTICS, 3

8. Haga clic en el botón Resultados.

Los resultados de la tabla anidada se modifican ahora para mostrar las predicciones, junto con la compatibilidad y probabilidad. Para obtener más información acercade cómo se interpretan estos valores, vea Contenido del modelo de minería de datos para los modelos de asociación ﴾Analysis Services ‐ Minería de datos﴿.

Model $SUPPORT $PROBABILITY $ADJUSTEDPROBABILITY

Sport-100 4334 0.291… 0.252…

Water Bottle 2866 0.192… 0.175…

Patch Kit 2113 0.142… 0.132

Trabajar con resultados

Cuando hay muchas tablas anidadas en los resultados, es posible que desee simplificar los resultados para facilitar su consulta. Para ello, puede modificar la consulta

manualmente y agregar la palabra clave FLATTENED.

Para simplificar los conjuntos de filas anidados de una consulta de predicción

1. Haga clic en el botón SQL situado en la esquina del Generador de consultas de predicción.

La cuadrícula cambia a un panel abierto donde puede ver y modificar la instrucción DMX que creó el Generador de consultas de predicción.

2. Después de la palabra clave SELECT, escriba FLATTENED.

El texto completo de la consulta debería ser el siguiente:



Tenga en cuenta que después de editar una consulta manualmente, no podrá volver a cambiar a la vista Diseño sin perder los cambios. Si desea guardar la consulta,

puede copiar la instrucción DMX que creó manualmente en un archivo de texto. Cuando cambie de nuevo a la vista Diseño, la consulta se revertirá a la última versiónque fue válida en la vista Diseño.

Crear varias predicciones

Suponga que desea conocer las mejores predicciones de cada cliente en función de las compras realizadas en el pasado. Puede utilizar datos externos como entrada

de la consulta de predicción, por ejemplo, tablas que contengan el identificador del cliente y las compras más recientes de productos. Los requisitos son que las tablas

de datos ya estén definidas como una vista del origen de datos de Analysis Services; por otro lado, los datos de entrada deben contener una tabla de casos y unatabla anidada como las utilizadas en el modelo. No es necesario que tengan el mismo nombre, pero la estructura debe ser similar. Para los objetivos de este tutorial,

utilizará las tablas originales en las que se entrenó el modelo.

Para cambiar el método de entrada de la consulta de predicción

1. En el menú Modelo de minería de datos, seleccione de nuevo Consulta singleton para borrar la marca de verificación.

2. Aparecerá un mensaje de error en el que se advierte que se perderá la consulta singleton. Haga clic en Sí.

El nombre del cuadro de diálogo de entrada cambia a Seleccionar tabla(s) de entrada.

Dado que lo que le interesa es crear una consulta de predicción que proporcione un identificador de cliente y una lista de productos como entrada, incorporará latabla de clientes como la tabla de casos y la tabla de compras como la tabla anidada. A continuación, agregará las funciones de predicción para crearrecomendaciones.

Para crear una consulta de predicción utilizando las entradas de una tabla anidada

1. En el panel Modelo de minería de datos, seleccione el modelo Association Filtered.

2. En el cuadro de diálogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.

3. En el cuadro de diálogo Seleccionar tabla, en Origen de datos, seleccione AdventureWorksDW2008. En la lista Nombre de tabla o vista, seleccione

vAssocSeqOrders y, a continuación, haga clic en Aceptar.

La tabla vAssocSeqOrders se agrega al panel.

4. En el cuadro de diálogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla anidada.

5. En el cuadro de diálogo Seleccionar tabla, en Origen de datos, seleccione AdventureWorksDW2008. En la lista Nombre de tabla o vista, seleccione

vAssocSeqLineItems y, a continuación, haga clic en Aceptar.

La tabla vAssocSeqLineItems se agrega al panel.

6. En el cuadro de diálogo Especificar combinación anidada, arrastre el campo OrderNumber de la tabla de casos y colóquelo en el campo OrderNumber de latabla anidada.

También puede hacer clic en Agregar relación y crear la relación seleccionando las columnas en una lista.

7. En el cuadro de diálogo Especificar relación, compruebe que los campos OrderNumber están asignados correctamente, y, a continuación, haga clic en Aceptar.

8. Haga clic en Aceptar para cerrar el cuadro de diálogo Especificar combinación anidada.

La tabla anidada y la tabla de casos se actualizan en el panel de diseño para mostrar las combinaciones que conectan las columnas de datos externos con lascolumnas del modelo. Si las relaciones son erróneas, puede hacer clic con el botón secundario del mouse en la línea de unión y seleccionar Modificar

conexiones para modificar la asignación de columna, o bien puede hacer clic con el botón secundario del mouse en la línea de unión y seleccionar Eliminar

para quitar definitivamente la relación.

9. Agregue una nueva fila a la cuadrícula. En Origen, seleccione Tabla vAssocSeqOrders. En Campo, seleccione CustomerKey.

10. Agregue una nueva fila a la cuadrícula. En Origen, seleccione Tabla vAssocSeqOrders. En Campo, seleccione Region.

11. Agregue una nueva fila a la cuadrícula. En Origen, seleccione Función de predicción y en Campo, seleccione PredictAssociation.

12. Arrastre vAssocSeqLineItems al cuadro Criterios o argumento de la fila PredictAssociation. Haga clic al final del cuadro Criterios o argumento y, a

continuación, escriba el texto siguiente: INCLUDE_STATISTICS,3

El texto completo del cuadro Criterios o argumento debería ser: [Association].[v Assoc Seq Line Items], INCLUDE_STATISTICS, 3

13. Haga clic en el botón Resultado para ver las predicciones de cada cliente.

Puede intentar crear una consulta de predicción similar en varios modelos para ver si al aplicar filtros, cambian los resultados de predicción. Para obtener másinformación acerca de cómo se crean predicciones y otros tipos de consultas, vea Ejemplos de consultas del modelo de asociación.

SELECT FLATTENED

PredictAssociation([Association].[v Assoc Seq Line Items],INCLUDE_STATISTICS,3)

FROM

[Association]

NATURAL PREDICTION JOIN

(SELECT (SELECT 'Touring Tire' AS [Model]

UNION SELECT 'Touring Tire Tube' AS [Model]) AS [v Assoc Seq Line Items]) AS t


Vea también

TasksCrear una consulta de predicción con el Generador de consultas de predicciónReferenciaContenido del modelo de minería de datos para los modelos de asociación ﴾Analysis Services ‐ Minería de datos﴿PredictAssociation (DMX)





Lección 4: Generar un escenario de agrupación en clústeres desecuencia ﴾Tutorial intermedio de minería de datos﴿

El departamento de marketing de Adventure Works Cycles desea saber cómo se mueven los clientes por el sitio web de Adventure Works Cycles. La empresa cree que

existe un patrón según el cual los clientes incluyen productos en las cestas de la compra. Desean analizar el orden de secuencias de compra para obtener informaciónsobre el modo en que los clientes agregan los elementos relacionados a la cesta de la compra. Posteriormente, esta información se puede utilizar para mejorar el flujodel sitio web y propiciar que los clientes adquieran productos adicionales.

Tras completar las tareas de esta lección, habrá creado un modelo de minería de datos que usa el algoritmo de clústeres de secuencia de Microsoft para predecir elsiguiente artículo que los clientes incluirán en sus cestas de la compra. Probará dos versiones del modelo: una que solo analiza el orden de los productos en la cesta yotra que contiene algunos datos demográficos adicionales sobre el cliente para la agrupación. Finalmente, usará los modelos para crear predicciones que puede usarpara recomendar productos a los clientes.

Para completar las tareas de la lección, usará la estructura de minería de datos de cesta de la compra que creó en Lección 3: Generar un escenario de cesta de la compra﴾Tutorial intermedio de minería de datos﴿. Esta lección contiene las tareas siguientes:

Crear una estructura del modelo de minería de datos de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Procesar el modelo de agrupación en clústeres de secuencia

Explorar el modelo de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Crear un modelo de agrupación en clústeres de secuencia relacionado ﴾tutorial intermedio de minería de datos﴿

Crear predicciones en un modelo de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿


Crear una estructura del modelo de minería de datos de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Todas las lecciones






Vea también

TasksTutorial básico de minería de datosConceptosTutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿


SQL Server 2014















Crear una estructura del modelo de minería de datos deagrupación en clústeres de secuencia ﴾Tutorial intermedio deminería de datos﴿

El primer paso para crear un modelo de minería de datos de agrupación en clústeres de secuencia es utilizar el Asistente para minería de datos con el objeto de crearuna nueva estructura de minería de datos y un modelo de minería basados en el algoritmo de clústeres de secuencia de Microsoft.

Utilizará la misma vista del origen de datos que utilizó para el análisis de la cesta de la compra, pero agregará una columna que contenga el identificador sequence. En

este escenario, la secuencia significa el orden en el que el cliente agregó los elementos a la cesta de la compra.

También agregará algunas columnas que se utilizan en uno de los modelos para agrupar los clientes por datos demográficos.

Para crear un modelo y una estructura de agrupación en clústeres de secuencia






4. En la página Crear la estructura de minería de datos, compruebe que la opción Crear la estructura de minería de datos con un modelo de minería de datosestá seleccionada. Después, haga clic en la lista desplegable para la opción ¿Qué técnica de minería de datos desea utilizar? y seleccione Agrupación enclústeres de secuencia de Microsoft. Haga clic en Siguiente.

Aparecerá la página Seleccionar vista del origen de datos. En Vistas del origen de datos disponibles, seleccione Orders.

Orders es la misma vista del origen de datos que utilizó para el escenario de la cesta de la compra. Si no ha creado esta vista del origen de datos, vea Agregar

una vista del origen de datos con tablas anidadas ﴾Tutorial intermedio de minería de datos﴿.


6. En la página Especificar tipos de tablas, active la casilla Caso, situada junto a la tabla vAssocSeqOrders, y la casilla Anidado, situada junto a la tabla

vAssocSeqLineItems. Haga clic en Siguiente.

Nota

Si se produce un error al activar las casillas Caso o Anidado, puede ser que se deba a que la combinación en la vista del origen de datos no es correcta. La

tabla anidada, vAssocSeqLineItems, debe estar conectada a la tabla de casos, vAssocSeqOrders, mediante una combinación de varios a uno. Puede modificar

la relación haciendo clic con el botón secundario en la línea de combinación e invirtiendo entonces la dirección de la unión. Para obtener más información, veaCuadro de diálogo Crear/Editar relación ﴾Analysis Services ‐ Datos multidimensionales﴿.

7. En la página Especificar los datos de aprendizaje, elija las columnas para usarlas en el modelo activando una casilla, de la forma siguiente:

IncomeGroup: active la casilla Entrada.

Esta columna contiene información interesante sobre los clientes que puede utilizar para la agrupación en clústeres. La utilizará en el primer modelo y, acontinuación, la omitirá en el segundo.

OrderNumber: active la casilla Clave.

Este campo se utilizará como identificador para la tabla de casos o Key. En general, nunca debería utilizar el campo clave de la tabla de casos como unaentrada, porque la clave contiene valores únicos que no son útiles para la agrupación en clústeres.

Region: active la casilla Entrada.

Esta columna contiene información interesante sobre los clientes que puede utilizar para la agrupación en clústeres. La utilizará en el primer modelo y, acontinuación, la omitirá en el segundo.

LineNumber: active las casillas Clave y Entrada.

El campo LineNumber se utilizará como identificador para la tabla anidada o Sequence Key. La clave para una tabla anidada siempre se debe utilizar para

la entrada.

Model: active las casillas Entrada y De predicción.

Compruebe que las selecciones son correctas y, a continuación, haga clic en Siguiente.

8. En la página Especificar el contenido y el tipo de datos de las columnas, compruebe que la cuadrícula contiene las columnas, tipos de contenido y tipos dedatos que se muestran en la tabla siguiente y, a continuación, haga clic en Siguiente.

Tablas y columnas Tipo de contenido Tipo de datos

IncomeGroup Discreto Text

OrderNumber Clave Text


SQL Server 2014



vAssocSeqLineItems

Line Number Secuencia de claves Long

Model Discreto Text

9. En la página Crear conjunto de pruebas, cambie el Porcentaje de datos de prueba a 20 y haga clic en Siguiente.

10. En la página Finalización del asistente, en Nombre de la estructura de minería de datos, escriba Agrupación en clústeres de secuencia con región.

11. Como Nombre del modelo de minería de datos, escriba Agrupación en clústeres de secuencia con región.

12. Active el cuadro Permitir obtención de detalles y, a continuación, haga clic en Finalizar.



Vea también

ConceptosDiseñador de minería de datosAlgoritmo de clústeres de secuencia de Microsoft






Después de crear una nueva estructura de minería de datos, debe implementar los cambios que realizó en la solución de minería de datos, y, a continuación, procesar laestructura. Una vez finalizado el procesamiento de la nueva estructura y del modelo de minería datos, puede examinar el modelo de minería de datos.

El procesamiento siempre es necesario cuando se crea una nueva estructura de minería de datos. Sin embargo, si agrega un nuevo modelo de minería de datos a unaestructura existente, puede procesar solamente el modelo. En este caso, como ha creado una nueva estructura de minería de datos y un nuevo modelo de minería dedatos, debe procesar ambos.

Para procesar la estructura y el modelo de minería de datos

1. En el menú Modelo de minería de datos de SQL Server Data Tools (SSDT), seleccione Procesar estructura de minería de datos y todos los modelos.


3. En el cuadro de diálogo Procesar estructura de minería de datos ‐ Agrupación en clústeres de secuencia con región, haga clic en Ejecutar.

Se abre el cuadro de diálogo Progreso del proceso para mostrar información acerca del procesamiento del modelo. El procesamiento de la nueva estructura y del

nuevo modelo puede tardar algún tiempo.


5. Haga clic de nuevo en Cerrar para salir del cuadro de diálogo Procesar estructura de minería de datos ‐ Agrupación en clústeres de secuencia con región.


Explorar el modelo de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosDiseñador de minería de datosAlgoritmo de clústeres de secuencia de MicrosoftRequisitos y consideraciones de procesamiento ﴾minería de datos﴿


SQL Server 2014





Explorar el modelo de agrupación en clústeres de secuencia﴾Tutorial intermedio de minería de datos﴿

Una vez creado el modelo Sequence Clustering with Region, puede explorarlo con el Visor de agrupación en clústeres de secuencia de Microsoft, que se encuentra enla pestaña Visor de modelos de minería de datos del Diseñador de minería de datos. El visor de clústeres de secuencia de Microsoft contiene cinco pestañas: Diagrama

del clúster, Perfiles del clúster, Características del clúster, Distinción del clúster y Transiciones de estado. Para obtener más información sobre cómo usar este visor,vea Examinar un modelo usando el Visor de clústeres de secuencia de Microsoft.





Pestaña Transiciones de estado

Visor de árbol de contenido genérico


La pestaña Diagrama del clúster muestra gráficamente los clústeres que el algoritmo detectó en la base de datos. El diseño del diagrama, con clústeres similaresagrupados juntos, representa las relaciones entre los clústeres. De forma predeterminada, el sombreado de cada nodo representa la densidad de todos los casos del

clúster: cuanto más oscuro es el sombreado del nodo, más casos contiene. Puede cambiar el significado del sombreado de los nodos para que represente la

compatibilidad de un atributo y un estado dentro de cada clúster.

También puede cambiar el nombre de los clústeres para identificar los clústeres de destino y trabajar con ellos fácilmente. En este tutorial, cambiará el nombre delclúster que tiene el porcentaje más alto de clientes de la región del Pacífico y el clúster que tiene en total mayor número de casos.

Nota

Los casos asignados a clústeres concretos pueden cambiar cuando se vuelve a procesar el modelo, en función de los datos y los parámetros del modelo. Además,si cambia el nombre de los clústeres, estos nombres se perderán cuando vuelva a procesar el modelo de minería de datos.

Para cambiar el atributo usado para resaltar los clústeres

1. En la lista Variable de sombreado, seleccione Modelo.

2. Seleccione Cycling Cap en la lista Estado.

El diagrama se actualiza para mostrar la concentración del producto seleccionado en cada uno de los clústeres. El clúster que tiene el sombreado más oscurocontiene mayor cantidad de gorras de ciclismo (cycling cap). Puede cambiar la variable de sombreado para usar cualquier estado de cualquier columna de

entrada.

3. En la lista Variable de sombreado, seleccione Población.

Cuando cambie la variable de sombreado a Población, el diagrama se actualizará para comparar los clústeres por tamaño. El clúster con el sombreado másoscuro tendrá más casos que los demás clústeres.

Para cambiar el nombre de los nodos del modelo

1. Cambie Variable de sombreado a Region y establezca Estado en Pacific.

2. Resalte el nodo más oscuro del gráfico.

3. Haga clic con el botón secundario del mouse en este clúster y seleccione Cambiar nombre de clúster.

4. Escriba el nombre Pacific Cluster.

5. Cambie el valor de Variable de sombreado a Población.

6. En el gráfico actualizado, busque el clúster más oscuro, que debería ser el clúster más grande. Si a través del sombreado no puede determinar cuál es el clústermás grande, sitúe el mouse sobre cada uno de los clústeres y vea la Información sobre herramientas; a continuación, elija el clúster que contiene mayor númerode casos.

7. Haga clic con el botón secundario del mouse en este clúster y seleccione Cambiar nombre de clúster. Escriba el nuevo nombre, Largest Cluster.

Puede explorar en profundidad el nodo que representa el clúster para ver los detalles de los casos que hay en cada clúster. Esto puede resultar útil si desea tomaralguna acción sobre los resultados del análisis, como por ejemplo, enviar un correo electrónico a un cliente. También puede examinar los demás atributos de los casosque incluyó en la estructura y no se usan en el modelo, como Region e IncomeGroup. Para obtener más información sobre cómo explorar en profundidad los modelosde minería de datos para consultar los detalles de los casos subyacentes, vea Consultas de obtención de detalles ﴾minería de datos﴿.

Para explorar en profundidad los detalles del diagrama del clúster

1. Haga clic con el botón secundario del mouse en Pacific Cluster, seleccione Obtener detalles y, a continuación, seleccione Columnas de modelo y estructura.

SQL Server 2014



Se abre el cuadro de diálogo Obtener detalles. A las columnas que no se utilizan en el modelo pero están disponibles para su consulta se les agrega el prefijoEstructura.

Como puede ver, esta clúster contiene en su mayoría clientes de la región del Pacífico y muy pocos clientes de las demás regiones.

2. Haga clic en el signo más de la columna anidada v Assoc Seq Line Items para ver la secuencia de artículos en un orden de clientes determinado.

3. Se cierra el cuadro de diálogo Obtener detalles.

Nota

El botón Reproducir permite consultar de nuevo los datos; sin embargo, cuando se realiza de nuevo una consulta, no se modifican los cambios que

aparecen, a menos que otro proceso los haya actualizado dinámicamente en segundo plano.

Volver al principio


La pestaña Perfiles del clúster muestra las secuencias que hay en cada clúster. Los clústeres se enumeran en columnas individuales ubicadas a la derecha de lacolumna Estados.

En el visor, la fila Model describe la distribución global de los elementos de un clúster y la fila Model.samples contiene secuencias de los elementos. Las líneas de lassecuencias de color de cada celda de la fila Model.samples representan el comportamiento de un usuario seleccionado aleatoriamente en el clúster.

Cada color de un histograma de secuencia individual representa un modelo de producto. La Leyenda de minería de datos muestra las secuencias de productos usandotanto la codificación de colores como los nombres de los modelos de productos. Si agregó otras columnas al modelo para su agrupación en clústeres, como Region oIncome Group, el visor incluirá una fila adicional por cada columna en la que se mostrará la distribución de estos valores en cada clúster.

Para ver las secuencias más comunes de un clúster

1. Haga clic con el botón secundario del mouse en la fila Modelo de la columna del clúster Largest Cluster y seleccione Mostrar leyenda.

La columna Color contiene una barra sombreada que indica la frecuencia de los elementos encontrados en las secuencias. Cada color representa un elemento

diferente. La columna Significado enumera los nombres de modelos de productos para cada color. La columna Distribución indica el porcentaje de casos que

contenían este elemento en una secuencia.

2. Cierre la ventana Leyenda de minería de datos.

3. Haga clic con el botón secundario del mouse en la fila Model.samples de la columna con el encabezado Población y seleccione Mostrar leyenda.

4. Examine la lista de secuencias del modelo general.

En Leyenda de minería de datos se muestran primero las secuencias más comunes, y, como puede ver, Mountain Tire Tube es el primer artículo de muchassecuencias. Esto significa que es muy probable que un cliente incluya primero el artículo Mountain Tire Tube en la cesta de la compra.

Para explorar en profundidad los casos en el visor de clústeres

1. Desplácese hacia abajo en el panel Atributo hasta que encuentra la fila del atributo Region.

La fila contiene un histograma por cada clúster del modelo, además de un histograma adicional para Población, lo que significa que en el modelo se utiliza el

conjunto completo de casos. Un histograma es una barra con colores diferentes, donde cada color representa un atributo y el tamaño de la sección coloreadade ese atributo representa el porcentaje de casos en los que aparece ese atributo.

2. Compare los histogramas de los clústeres que denominó Pacific Cluster y Largest Cluster. Cada clúster aparece en una columna diferente.

En ambos se usan colores sólidos, pero los colores son diferentes.

3. En la fila Region, sitúe el mouse sobre el histograma de colores de Largest Cluster.

En la Información sobre herramientas se muestran los porcentajes reales de casos de cada región.

4. Haga clic con el botón secundario del mouse en el histograma de colores de la fila Region de Pacific Cluster, seleccione Obtener detalles y, a continuación,seleccione Solo columnas de modelos.

5. Mueva la barra de desplazamiento para revisar todos los clientes de este clúster.

Si vuelve a explorar en profundidad los detalles, podrá ver que la mayoría de los pedidos que contiene el clúster proceden de la región del Pacífico, perotambién hay unos pocos de las regiones de Norteamérica y Europa.

6. Se cierra el cuadro de diálogo Obtener detalles.

Volver al principio


En la pestaña Características del clúster se resumen las transiciones entre los estados de un clúster mediante barras que representan visualmente la importancia delvalor de atributo en el clúster seleccionado. La columna Variables indica lo que el modelo consideró importante para el clúster o la población seleccionados: un valordeterminado o la relación entre los valores, lo que se conoce como transición. La columna Valores proporciona más detalles sobre el valor o la transición, mientras quela columna Probabilidad representa visualmente el peso de este atributo o transición.

Para ver los atributos importantes de un clúster

1. En la lista desplegable Clúster, seleccione Pacific Cluster.

La lista se actualiza para mostrar las características del clúster que denominó Pacific Cluster. En este clúster, la característica más importante es Region.

2. Sitúe el mouse sobre la barra sombreada de la fila correspondiente a Region.

La probabilidad de que el valor sea Pacific es muy elevada. Para obtener más información acerca de cómo se interpretan estos valores, vea Referencia técnicadel algoritmo de clústeres de secuencia de Microsoft.

3. Examine la lista de características del clúster hasta que encuentre la primera fila de transición.

4. Una fila de transición contiene el texto Transición en la columna Variables y una combinación de valores de atributo secuenciales en la columna Valor. La

secuencia también puede contener los puntos iniciales y los valores que faltan.

Por ejemplo, suponga que la transición tiene el valor, [Inicio] ‐> Road Tire Tube. Esto significa que los clientes de este clúster con frecuencia incluyen primero elartículo Road Tire Tube en su cesta de la compra. Esto podría significar que el producto es un elemento popular que los clientes buscan en primer lugar opodría indicar simplemente que el producto es fácil de encontrar en el lugar de compra.

5. Desplácese por la lista hasta que encuentre la primera transición que no contiene [Inicio] o ausente.

Por ejemplo, suponga que encuentra la transición, Touring Tire, Touring Tire Tube. Esto significa que los clientes de este clúster compran a menudo estosartículos juntos, exactamente en este orden.

6. Sitúe el mouse sobre la barra sombreada de esta transición.

La probabilidad de esta transición se muestra en forma de porcentaje.

7. En la lista desplegable Clúster, seleccione Población ﴾Todo﴿.

La lista de atributos se actualiza para mostrar las características de todos los pedidos usados para crear el modelo. En este modelo de minería de datos, lacaracterística más importante para distinguir entre clústeres es Region, con el valor North America.

Después de revisar estas tareas, habrá observado dos cosas. La primera es que necesita una gran cantidad de datos para obtener un número significativo decombinaciones. Por ejemplo, es probable que las secuencias con la probabilidad más altas incluyan el estado [Inicio] o Ausente.

La segunda es que la agrupación en clústeres tiene un gran efecto sobre los atributos de Region, lo que hace más difícil ver los grupos de secuencias. Por tanto,

decídase a crear otro modelo que use exclusivamente secuencias y no incluya las columnas de las regiones o los ingresos.

Volver al principio


La pestaña Distinción del clúster ayuda a comparar dos clústeres con el fin de determinar qué atributos distinguen un clúster determinado de otro. La pestañacontiene cuatro columnas: Variables, Valores, Clúster 1 y Clúster 2. Puede elegir cualquier clúster para usarlo como Clúster 1 y Clúster 2.

La columna Variables indica el nombre del atributo, que puede ser un nombre de columna o una combinación del nombre de columna y la palabra transición. En la

columna Valores se muestra el valor exacto del atributo o la transición. Las barras sombreadas de las columnas correspondientes a Clúster 1 y el Clúster 2 indican el

nivel de fuerza del atributo en los clústeres que está comparando. Cuanto mayor sea la barra, mayor será la probabilidad de que incluya casos con ese atributo.

Para comparar dos clústeres usando la pestaña Distinción del clúster

1. En la pestaña Distinción del clúster, en Clúster 1, seleccione Pacific Cluster.

De forma predeterminada, la selección de Clúster 2 cambia a Complemento de PacificCluster.

El principal atributo que distingue Pacific Cluster de todos los demás casos es el que corresponde a la región. Region es un tipo de atributo de agrupación enclústeres que oculta otros atributos. Para evitar este efecto, intente comparar algunos de los clústeres más pequeños entre sí. Al hacerlo, la lista de atributos

cambia y se pueden incluir más transiciones entre los modelos.

2. Busque una fila de transición y sitúe el mouse sobre la barra sombreada.

Los elementos de la columna Values pueden incluir estados y transiciones. El sombreado de cada elemento indica la puntuación de la distinción. Para obtener

más información sobre el significado de distintas puntuaciones, vea Contenido del modelo de minería de datos para los modelos de agrupación en clústeres desecuencia﴾Analysis Services ‐ Minería de datos﴿.

Volver al principio

Pestaña Transiciones de estado

En la pestaña Transiciones de estado, puede seleccionar un clúster y examinar sus transiciones de estado. Si selecciona Población ﴾Todo﴿ en la lista desplegable de

clústeres, en el diagrama se muestra la distribución de estados del modelo completo de minería de datos.

Cada nodo del gráfico representa un estado o valor posible de las secuencias que está intentando analizar. El color de fondo de los nodos representa la frecuencia del

estado. Las líneas conectan algunos estados, lo que indica una transición entre estados. Puede mover el control deslizante arriba o abajo para cambiar el umbral de

probabilidad de las transiciones. Algunos nodos llevan asociados unos números, que indican la probabilidad de ese estado.

Para explorar las relaciones en la pestaña de Transiciones de estado



1. En la pestaña Transiciones de estado del visor de modelos de minería de datos, seleccione Pacific Cluster en la lista de clústeres. Asegúrese de que la opciónMostrar etiquetas de bordes está seleccionada.

El gráfico se actualiza para mostrar las transiciones que son más comunes en este clúster.

2. Haga clic en cualquier nodo que esté conectado a otro nodo mediante una línea.

El gráfico se actualiza y resalta los nodos relacionados. El valor numérico situado junto a la línea indica la probabilidad de la transición.

3. Mueva hacia arriba el control deslizante hasta Todos los vínculos para aumentar el número de transiciones que se incluyen en el gráfico.

4. Seleccione Población ﴾Todo﴿ en Clúster.

Tenga en cuenta que al cargar un clúster diferente, se restablece la configuración de presentación predeterminada del gráfico, por lo que el control deslizante sesitúa de nuevo en su posición media.

5. Haga clic en el nodo más oscuro del gráfico, que debería ser Sport-100.

Fíjese que no hay líneas que conecten este producto con otros.

6. Mueva hacia arriba un paso el control deslizante para aumentar el número de transiciones que se incluyen en el gráfico. No suba del todo el control deslizante

todavía hasta Todos los vínculos.

El gráfico se actualiza y se agregan algunas transiciones más, pero ninguna que incluya el modelo Sport‐100.

7. Mueva el control deslizante del todo hasta Todos los vínculos. Haga clic en el nodo Sport‐100, si aún no está seleccionado.

El gráfico se actualiza para mostrar numerosas transiciones que incluyen el producto Sport‐100. La dirección de la flecha de la línea de conexión indica si elartículo Sport‐100 se seleccionó como primer o segundo elemento del par.

8. Haga clic en el nodo de Touring Tire y mueva el control deslizante de nuevo hacia abajo, hasta su posición media.

Al principio, hay muchas líneas de transición que conectan Touring Tire con otros productos, pero al aumentar el umbral de probabilidad, se eliminan del gráficolas transiciones menos probables, por lo que únicamente se mantiene la transición Touring Tire > Touring Tire Tube. Esta transición significa que si el clienteincluye un artículo Touring Tire en la cesta de la compra, existe una gran probabilidad de que incluya a continuación el producto Touring Tire Tube.

Volver al principio

Visor de árboles de contenido genérico

Este visor se puede usar para todos los modelos, sin tener en cuenta el algoritmo o tipo de modelo. El Visor de árbol de contenido genérico de Microsoft estádisponible en la lista desplegable Visor.

Un árbol de contenido es una representación de un modelo de minería de datos como una serie de nodos, donde cada nodo representa el conocimiento adquiridoacerca de los datos de entrenamiento. El nodo puede contener un patrón, un conjunto de reglas, un clúster o la definición de un intervalo de fechas que compartenciertos atributos. El contenido exacto del nodo varía en función del algoritmo y del atributo de predicción, pero la representación general del contenido es la misma.

Puede expandir cada nodo para ver un mayor nivel de detalle y copiar el contenido de cualquier nodo en el Portapapeles. Para obtener más información, vea Examinar

un modelo usando el Visor de árbol de contenido genérico de Microsoft.

Para ver los detalles de un modelo de agrupación en clústeres de secuencia usando el visor de árbol de contenido genérico

1. En la pestaña Visor de modelos de minería de datos, haga clic en la lista Visor y seleccione Visor de árbol de contenido genérico de Microsoft.

2. En el panel Título de nodo, haga clic en Pacific Cluster (1).

El nombre de este nodo contiene tanto el nombre descriptivo que se asignó al clúster como el identificador de nodo subyacente. Puede usar los identificadores

de nodo para explorar en profundidad otros detalles del modelo.

3. Expanda el primer nodo secundario, denominado Nivel de secuencia para el clúster 1.

El nodo de nivel de secuencia de un clúster contiene los detalles sobre las transiciones y los estados incluidos en dicho clúster. Puede usar estos detalles,

disponibles en la columna NODE_DISTRIBUTION, para explorar las secuencias y los estados de cada clúster o del modelo en su conjunto.

4. Continúe expandiendo los nodos y consulte los detalles en el panel del visor HTML.

Para obtener más información sobre el contenido del modelo de minería de datos y sobre cómo se usan los detalles del visor, vea Contenido del modelo de mineríade datos para los modelos de agrupación en clústeres de secuencia﴾Analysis Services ‐ Minería de datos﴿.

Volver al principio


Crear un modelo de agrupación en clústeres de secuencia relacionado ﴾tutorial intermedio de minería de datos﴿

Vea también

ConceptosAlgoritmo de clústeres de secuencia de Microsoft






Ejemplos de consultas de modelos de clústeres de secuencia



Crear un modelo de agrupación en clústeres de secuenciarelacionado ﴾tutorial intermedio de minería de datos﴿

En el modelo de agrupación en clústeres de secuencia aprendió que otros atributos como Region o Income influyen considerablemente en los modelos; por tanto, paraampliar sus conocimientos sobre las secuencias, creará un modelo de agrupación en clústeres de secuencia relacionado y quitará los atributos relacionados con los datosdemográficos de los clientes.

En esta tarea, creará una copia del modelo de agrupación en clústeres de secuencia de región y, a continuación, quitará del modelo todas las columnas que no esténrelacionadas directamente con las secuencias.

El nuevo modelo contendrá las mismas columnas que el modelo de minería de datos en el que se basa. Sin embargo, no necesita quitar las columnas de la estructura de

minería de datos; solo tendrá que especificar que el nuevo modelo de minería omitirá las columnas.

Para realizar una copia del modelo de agrupación en clústeres de secuencia

1. En SQL Server Data Tools ﴾SSDT﴿, en el Diseñador de minería de datos, haga clic en la pestaña Modelos de minería de datos.

2. Haga clic con el botón secundario en el modelo que desea copiar y seleccione Nuevo modelo de minería de datos.

3. En el cuadro de diálogo Nuevo modelo de minería de datos, escriba un nombre de modelo y seleccione Agrupación en clústeres de secuencia de Microsoft.

Para este tutorial, escriba el nombre Agrupación en clústeres de secuencia.


Para quitar columnas del modelo de minería de datos

1. En la pestaña Modelo de minería de datos, en la columna del nuevo modelo denominado Sequence Clustering, haga clic en la fila del atributo Income Group y

seleccione Omitir.

2. Repita este paso para el atributo Region.

3. Haga clic en el signo más situado junto al nombre de tabla, V Assoc Seq Line Items, para expandir la tabla y ver las columnas de la tabla anidada.

El nuevo modelo debe contener solamente las columnas siguientes:

OrderNumber Key

Line Number Key

Model Predict

Para procesar el nuevo modelo de agrupación en clústeres de secuencia

1. En la pestaña Modelo de minería de datos, haga clic con el botón secundario en el nuevo modelo denominado Agrupación en clústeres de secuencia y

seleccione Procesar modelo.

Como el nuevo modelo de minería de datos simplificado se basa en una estructura que ya se ha procesado, no es necesario volver a procesar la estructura.Simplemente puede procesar el nuevo modelo de minería de datos.

2. Haga clic en Sí para implementar el proyecto de minería de datos actualizado en el servidor.

3. En el cuadro de diálogo Modelo de minería de datos, haga clic en Ejecutar.

4. Haga clic en Cerrar para cerrar el cuadro de diálogo Progreso del proceso y, a continuación, haga clic de nuevo en Cerrar en el cuadro de diálogo Procesar



Crear predicciones en un modelo de agrupación en clústeres de secuencia ﴾Tutorial intermedio de minería de datos﴿

Vea también



SQL Server 2014



Crear predicciones en un modelo de agrupación en clústeresde secuencia ﴾Tutorial intermedio de minería de datos﴿

Después de examinar el modelo de agrupación en clústeres de secuencia en el visor y conocerlo más a fondo, puede crear consultas de predicción utilizando elGenerador de consultas de predicción de la pestaña Predicción de modelo de minería de datos del Diseñador de minería de datos. Para crear una predicción,seleccione primero el modelo de agrupación en clústeres de secuencia y, a continuación, seleccione los datos de entrada. Para las entradas, puede utilizar un origen de

datos externo o puede crear una consulta singleton y proporcionar los valores en un cuadro de diálogo.

En esta lección se presupone que sabe utilizar el Generador de consultas de predicción y desea obtener información acerca de cómo se crean consultas específicas paraun modelo de agrupación en clústeres de secuencia. Para obtener información general acerca de cómo se utiliza el Generador de consultas de predicción, vea Interfaces

de consultas de minería de datos o la sección del tutorial básico de minería de datos Crear predicciones ﴾Tutorial básico de minería de datos﴿.

Crear predicciones en el modelo regional

En este escenario, primero creará algunas consultas de predicción singleton para hacerse una idea del modo en que las predicciones pueden variar según la región.

Para crear una consulta singleton en un modelo de agrupación en clústeres de secuencia

1. Haga clic en la pestaña Predicción de modelo de minería de datos del Diseñador de minería de datos.

2. En el menú de columna Modelo de minería de datos , seleccione Consulta singleton.

Se abren los paneles Modelo de minería de datos y Entrada de consulta singleton.

3. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo. ﴾Puede omitir este paso si el agrupación en clústeres de secuencia ya estáseleccionado).

Se abrirá el cuadro de diálogo Seleccionar modelo de minería de datos.

4. Expanda el nodo que representa la estructura de minería de datos Sequence Clustering with Region y seleccione el modelo Sequence Clustering with Region.

Haga clic en Aceptar. De momento haga caso omiso al panel de entrada. Especificará los datos de entrada cuando haya configurado las funciones depredicción.

5. En la cuadrícula, haga clic en una celda vacía de Origen y seleccione Función de predicción. En la celda de Campo, seleccione PredictSequence.

Nota

También puede utilizar la función Predict. Si lo hace, asegúrese de elegir la versión de la función Predict que toma una columna de tabla como argumento.

6. En el panel Modelo de minería de datos, seleccione la tabla anidada v Assoc Seq Line Items y arrástrela hasta la cuadrícula, al cuadro Criterios o

argumento de la función PredictSequence.

Al arrastrar y colocar la tabla y los nombres de columna, podrá crear instrucciones complejas sin errores sintácticos. Sin embargo, se reemplazará el contenidoactual de la celda, que contiene otros argumentos opcionales de la función PredictSequence. Para consultar los demás argumentos, puede agregarprovisionalmente una segunda instancia de la función a la cuadrícula como referencia.

7. Haga clic en el botón Resultado situado en la esquina superior del Generador de consultas de predicción.

Los resultados esperados contienen una única columna con el encabezado Expresión. La columna Expresión contiene una tabla anidada con tres columnas:

$SEQUENCE Line Number Modelo

1 Mountain-200

¿Qué significan estos resultados? Recuerde que no especificó ninguna entrada. Por tanto, la predicción se realiza con todos los datos de casos rellenados, y AnalysisServices devuelve la predicción que, en términos generales, es más probable.

Agregar entradas a una consulta de predicción singletonHasta ahora, no había especificado ninguna entrada. En la tarea siguiente, utilizará el panel Entrada de consulta singleton para especificar algunas entradas en la

consulta. En primer lugar, utilizará [Region] como entrada en el modelo de agrupación en clústeres de secuencia regional para determinar si las secuencias predichasson las mismas en todas las regiones. A continuación, aprenderá a modificar la consulta para agregar la probabilidad de cada predicción y simplificará los resultadospara que resulte más sencillo consultarlos.

Para generar predicciones de un grupo de clientes concreto

1. Haga clic en el botón Diseño situado en la esquina superior izquierda del Generador de consultas de predicción para volver a la cuadrícula de generación deconsultas.

2. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor de Region y seleccione Europe.

3. Haga clic en el botón Resultado para ver las predicciones de los clientes de Europa.


5. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor de Region y seleccione North America.

SQL Server 2014



6. Haga clic en el botón Resultado para ver las predicciones de los clientes de Norteamérica.

Agregar probabilidades utilizando una expresión personalizadaGenerar la probabilidad de cada predicción resulta algo más complicado, pues la probabilidad es un atributo de predicción y se genera como una tabla anidada. Si

conoce las extensiones de minería de datos ﴾DMX﴿, puede modificar con facilidad la consulta y agregar una instrucción sub‐SELECT a la tabla anidada. No obstante,

también puede crear una instrucción sub‐SELECT en el Generador de consultas de predicción mediante una expresión personalizada.

Para generar probabilidades de una secuencia de predicción utilizando una expresión personalizada


2. En la cuadrícula, en Origen, haga clic en una nueva fila y seleccione Expresión personalizada.

3. Deje en blanco el cuadro situado bajo Campo.

4. En Alias, escriba t.

5. En el cuadro Criterios o argumento, escriba la instrucción sub‐SELECT completa tal y como aparece en el siguiente ejemplo de código. No olvide incluir los

paréntesis de apertura y cierre.

6. Haga clic en el botón Resultado para ver las predicciones de los clientes de Europa.

Los resultados contienen dos tablas anidadas: una con la predicción y otra con la probabilidad de la predicción. Si la consulta no funciona, puede cambiar a la vista de

diseño de consultas y revisar toda la instrucción de consulta, que debería ser como la siguiente:

Trabajar con resultados

Cuando hay muchas tablas anidadas en los resultados, es posible que desee simplificar los resultados para facilitar su consulta. Para ello, puede modificar la consulta

manualmente y agregar la palabra clave FLATTENED.

Para simplificar los conjuntos de filas anidados de una consulta de predicción

1. Haga clic en el botón Consulta situado en la esquina del Generador de consultas de predicción.

La cuadrícula cambia a un panel abierto donde puede ver y modificar la instrucción DMX que creó el Generador de consultas de predicción.

2. Después de la palabra clave SELECT, escriba FLATTENED.

El texto completo de la consulta debería ser similar al siguiente:


Después de editar la consulta manualmente, no podrá volver a la vista Diseño sin perder los cambios. Sin embargo, puede guardar la instrucción DMX que creómanualmente en un archivo de texto y, a continuación, cambiar de nuevo a la vista Diseño. Al hacer esto, la consulta se revierte a la última versión que fue válida en lavista Diseño.

Crear predicciones en el modelo relacionado

En los ejemplos anteriores se utilizó una columna de una tabla de casos, Region, como entrada de la consulta de predicción singleton, porque lo que se pretendía erasaber si el modelo encontraba diferencias entre las regiones. Sin embargo, después de analizar el modelo, decidió que las diferencias no eran lo suficientementesólidas como para justificar que las recomendaciones del producto se personalizaran según la región. Lo que realmente le interesa predecir son los artículos queseleccionan los clientes. Por tanto, en las consultas siguientes, utilizará el modelo de agrupación en clústeres de secuencia que no incluye Region para generar lasrecomendaciones de todos los clientes.

(SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))

SELECT

PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]),

( (SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))) as [t]

FROM

[Sequence Clustering with Region]


(SELECT 'Europe' AS [Region]) AS t

SELECT FLATTENED

PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]),

( (SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))) as [t]

FROM

[Sequence Clustering with Region]


(SELECT 'Europe' AS [Region]) AS t

Utilizar las columnas de una tabla anidada como entrada

En primer lugar, creará una consulta de predicción singleton que tome un único elemento como entrada y devuelva el siguiente elemento más probable. Para obtener

una predicción de este tipo, deberá utilizar una columna de tabla anidada como valor de entrada. Esto se debe a que el atributo que está prediciendo, Model, formaparte de una tabla anidada. Analysis Services proporciona el cuadro de diálogo Entrada de tabla anidada para simplificar la creación de consultas de predicción apartir de atributos de tabla anidada utilizando el Generador de consultas de predicción.

Para utilizar una tabla anidada como entrada de una predicción


2. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor de Region y seleccione la fila vacía para borrar la entrada de este campo.

3. En el cuadro de diálogo Entrada de consulta singleton, haga clic en el cuadro Valor de vAssocSeqLineItems y, a continuación, haga clic en el botón ﴾…﴿.

4. En el cuadro de diálogo Entrada de tabla anidada, haga clic en Agregar.

5. En la nueva fila, haga clic en el cuadro situado bajo Modelo y seleccione Touring Tire en la lista. Haga clic en Aceptar.

6. Haga clic en el botón Resultado para ver las predicciones.

El modelo recomienda los elementos siguientes para todos los clientes que eligen Touring Tire como primer artículo. Al examinar el modelo, ya sabe que los clientes

compran con frecuencia los productos Touring Tire de y Touring Tire Tube juntos, por lo que estas recomendaciones parecen buenas.

$SEQUENCE Line Number Model

1 Touring Tire Tube

2 Sport-100

3 Long-Sleeve Logo Jersey

Crear una consulta de predicción masiva utilizando entradas de una tabla anidadaAhora que el modelo crea el tipo de predicciones adecuado, por lo que se puede utilizar para realizar recomendaciones, creará una consulta de predicción que seasignará a un origen de datos externo. Ese origen de datos proporcionará valores que representan los productos actuales. Dado que lo que le interesa es crear una

consulta de predicción que proporcione un identificador de cliente y una lista de productos como entrada, incorporará la tabla de clientes como la tabla de casos y latabla de compras como la tabla anidada. A continuación, agregará funciones de predicción, tal y como hizo anteriormente, para crear recomendaciones.

Este procedimiento es el mismo que el que utilizó para crear predicciones en el escenario de la cesta de compra de la lección 3; sin embargo, en un modelo deagrupación en clústeres de secuencia, las predicciones también necesitan el pedido como entrada.

Para crear una consulta de predicción utilizando las entradas de una tabla anidada

1. En el panel Modelo de minería de datos, seleccione el modelo Sequence Clustering, si aún no está seleccionado.

2. En el cuadro de diálogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.

3. En el cuadro de diálogo Seleccionar tabla, en Origen de datos, seleccione Orders. En la lista Nombre de tabla o vista, seleccione vAssocSeqOrders y, a

continuación, haga clic en Aceptar.

4. En el cuadro de diálogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla anidada.

5. En el cuadro de diálogo Seleccionar tabla, en Origen de datos, seleccione Orders. En la lista Nombre de tabla o vista, seleccione vAssocSeqLineItems y, a

continuación, haga clic en Aceptar.

Analysis Services intentará detectar las relaciones y crearlas automáticamente si los tipos de datos coinciden y los nombres de columna son similares. Si las

relaciones que crea son erróneas, puede hacer clic con el botón secundario del mouse en la línea de unión y seleccionar Modificar conexiones para editar la

asignación de columna, o bien puede hacer clic con el botón secundario del mouse en la línea de unión y seleccionar Eliminar para quitar definitivamente la

relación. En este caso, dado que las tablas ya estuvieron unidas en la vista del origen de datos, esas relaciones se agregan automáticamente al panel de diseño.

6. Agregue una nueva fila a la cuadrícula. En Origen, seleccione vAssocSeqOrders y en Campo, seleccione CustomerKey.

7. Agregue una nueva fila a la cuadrícula. En Origen, seleccione Función de predicción y en Campo, seleccione PredictSequence.

8. Arrastre vAssocSeqLineItems al cuadro Criterios o argumento. Haga clic al final del cuadro Criterios y argumento y, a continuación, escriba los argumentossiguientes: 2.

El texto completo del cuadro Criterios o argumento debería ser: [Sequence Clustering].[v Assoc Seq Line Items],2

9. Haga clic en el botón Resultado para ver las predicciones de cada cliente.

Ha completado el tutorial sobre modelos de agrupación en clústeres de secuencia.

Pasos siguientes

Si ha finalizado todas las secciones de Tutorial intermedio de minería de datos ﴾Analysis Services ‐ Minería de datos﴿, el paso siguiente podría ser aprender a utilizarExtensiones de minería de datos ﴾DMX﴿ para generar modelos y predicciones. Para obtener más información, vea Crear y consultar modelos de minería de datos conDMX: tutoriales ﴾Analysis Services ‐ minería de datos﴿.

Si tiene algunos conceptos de programación, también puede utilizar Objetos de administración de análisis ﴾AMO﴿ para trabajar mediante programación con objetos de




minería de datos. Para obtener más información, vea Clases de minería de datos de AMO.

Vea también

ReferenciaContenido del modelo de minería de datos para los modelos de agrupación en clústeres de secuencia﴾Analysis Services ‐ Minería de datos﴿ConceptosEjemplos de consultas de modelos de clústeres de secuencia





Lección 5: Generar modelos de red neuronal y de regresiónlogística ﴾Tutorial intermedio de minería de datos﴿

El departamento de operaciones de Adventure Works está ocupado en un proyecto para mejorar la satisfacción del cliente con su centro de llamadas. Han contratado a

un proveedor para administrar el centro de llamadas y proporcionar métricas sobre la efectividad del centro de llamadas, y le han solicitado el análisis de algunos datospreliminares que proporciona el proveedor. Ellos desean saber si hay algún resultado interesante. En particular, desean saber si los datos sugieren algún problema con elpersonal o métodos para mejorar la satisfacción del cliente.

El conjunto de datos es pequeño y solo cubre un período de 30 días en el funcionamiento del centro de llamadas. Los datos hacen un seguimiento del número deoperadores nuevos y experimentados en cada turno, el número de llamadas entrantes, el número de pedidos y de problemas que se deben resolver y el tiempopromedio de espera de un cliente para que alguien responda a una llamada. Los datos también incluyen una métrica de calidad de servicio basada en la tasa de

abandono, que es un indicador de la frustración del cliente.

Puesto que no cuenta con expectativas a priori sobre lo que mostrarán los datos, decide usar un modelo de red neuronal para explorar posibles correlaciones. En la

exploración se suelen utilizar modelos de red neuronal que pueden analizar relaciones complejas entre muchas entradas y salidas.

Aprendizaje

En esta lección, usará el algoritmo de red neuronal para crear un modelo que tanto usted como el equipo de operaciones puedan utilizar para conocer las tendenciasen los datos. Como parte de esta lección, intentará responder las siguientes preguntas:

¿Qué factores afectan a la satisfacción del cliente?

¿Qué puede realizar el centro de llamadas para mejorar la calidad de servicio?

A continuación, basándose en los resultados, creará un modelo de regresión logística que puede utilizar para las predicciones. El equipo de operaciones utilizará estaspredicciones como ayuda para planear el funcionamiento del centro de llamadas.


Agregar una vista del origen de datos para datos del centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Crear una estructura y un modelo de red neuronal ﴾Tutorial intermedio de minería de datos﴿

Explorar el modelo de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Agregar un modelo de regresión logística a la estructura de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Crear predicciones para los modelos de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿


Agregar una vista del origen de datos para datos del centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Todas las lecciones






Vea también



SQL Server 2014














Agregar una vista del origen de datos para datos del centro dellamadas ﴾Tutorial intermedio de minería de datos﴿

En esta tarea, agregará una vista del origen de datos que se usará para tener acceso a los datos del centro de llamadas. Se usarán los mismos datos para crear tanto elmodelo de red neuronal inicial para la exploración como el modelo de regresión logístico que se empleará para hacer las recomendaciones.

También usará el Diseñador de vistas del origen de datos para agregar una columna para el día de la semana. Esto se debe a que, aunque los datos de origen hacen el

seguimiento de los datos del centro de llamadas de por fechas, su experiencia indica que hay patrones que se repiten en términos de volumen de llamadas y calidad delservicio, dependiendo de si el día es un fin de semana o un día de la semana.

Procedimientos



Se abrirá el Asistente para vistas del origen de datos.


3. Use la página Seleccionar un origen de datos en Orígenes de datos relacionales, seleccione el origen de datos Adventure Works DW Multidimensional 2012 .

Si no tiene este origen de datos, vea Tutorial básico de minería de datos. Haga clic en Siguiente.

4. En la página Seleccionar tablas y vistas, seleccione la tabla siguiente y haga clic en la flecha derecha para agregarla a la vista del origen de datos:

FactCallCenter (dbo)

DimDate


6. En la página Finalización del asistente, la vista del origen de datos tendrá el nombre Adventure Works DW Multidimensional 2012 de forma predeterminada.

Cámbielo a CallCenter y, a continuación, haga clic en Finalizar.

Se abrirá el Diseñador de vistas del origen de datos para mostrar la vista del origen de datos CallCenter.

7. Haga clic con el botón secundario en el panel Vista del origen de datos y seleccione Agregar o quitar tablas. Seleccione la tabla DimDate y haga clic en

Aceptar.

Se debe agregar automáticamente una relación entre las columnas DateKey de cada tabla. Usará esta relación para obtener la columnaEnglishDayNameOfWeek a partir de la tabla de DimDate y utilizarla en el modelo.

8. En el diseñador de vista del origen de datos, haga clic con el botón secundario en la tabla FactCallCenter y, a continuación, seleccione Nuevo cálculo connombre.

En el cuadro de diálogo Crear cálculo con nombre, escriba los valores siguientes:

Nombre de columna DayOfWeek

Descripción Obtiene el día de la semana en la tabla DimDate

Expression (SELECT EnglishDayNameOfWeek AS DayOfWeek FROM DimDate where FactCallCenter.DateKey = DimDate.DateKey)

Para comprobar que la expresión cree los datos que necesita, haga clic con el botón secundario en la tabla FactCallCenter y, a continuación, seleccione Explorar

datos.

9. Dedique un minuto a revisar los datos disponibles, para entender cómo se usan en la minería de datos:

Nombre de

columnaContiene

FactCallCenterID Una clave arbitraria que se creó cuando se importaron los datos al almacenamiento de datos.

Esta columna identifica los registros únicos y debe usarse como clave de caso para el modelo de minería de datos.

DateKey La fecha de la operación en el centro de llamadas, expresada como un entero. Las claves de fecha se usan a menudo en los

almacenamientos de datos, pero puede que desee obtener la fecha con formato de fecha y hora si va a agrupar los valores por fecha.

Observe que las fechas no son únicas, ya que el proveedor facilita un informe independiente para cada turno de cada día de trabajo.

WageType Indica si fue un día entre semana, un día del fin de semana o un día festivo.

Es posible que haya una diferencia en la calidad del servicio al cliente durante los fines de semana en comparación con los días de lasemana; por eso, usará esta columna como entrada.

Shift Indica el turno para el que se registran las llamadas. Este centro de llamadas divide su jornada laboral en cuatro turnos: uno por la mañana(AM), dos por la tarde (PM1 y PM2) y uno por la noche (Midnight).

SQL Server 2014


Es posible que el turno afecte a la calidad del servicio al cliente; por eso usará esto como entrada.

LevelOneOperators Indica el número de operadores de nivel 1 en servicio.

Los empleados de centro de llamadas comienzan en el nivel 1, de modo que estos empleados tienen menos experiencia.

LevelTwoOperators Indica el número de operadores de nivel 2 en servicio.

Un empleado debe llevar un número determinado de horas de servicio para optar a ser operador de nivel 2.

TotalOperators Número total de operadores presentes durante el turno.

Calls Número de llamadas recibidas durante el turno.

AutomaticResponses Número de llamadas procesadas por completo de forma automática ﴾sistema de respuesta de voz interactiva o IVR﴿.

Orders Número de pedidos resultantes de las llamadas.

IssuesRaised Número de incidencias que requieren seguimiento y que se generaron a través de llamadas.

AverageTimePerIssue Promedio de tiempo que se tarda en atender una llamada entrante.

ServiceGrade Una métrica que indica la calidad de servicio general, medida como tasa de abandono del turno completo. Cuanto más alta es la tasa deabandono, más probabilidades hay de que los clientes no estén satisfechos y de que se pierdan posibles pedidos.

Tenga en cuenta que los datos contienen cuatro columnas diferentes basadas en una sola columna de fecha: WageType, DayOfWeek, Shift y DateKey. Normalmente

en la minería de datos no es aconsejable usar varias columnas derivadas de los mismos datos, ya que los valores están demasiado correlacionados entre sí y puedenocultar otros patrones.

Sin embargo, no usaremos DateKey en el modelo porque contiene demasiados valores únicos. No hay ninguna relación directa entre Shift y DayOfWeek, y WageType

y DayOfWeek solo están parcialmente relacionados. Si le preocupa que los datos sean colineales, podría crear la estructura con todas las columnas disponibles y, acontinuación, omitir varias columnas en cada modelo y probar el efecto.


Crear una estructura y un modelo de red neuronal ﴾Tutorial intermedio de minería de datos﴿

Vea también





Crear una estructura y un modelo de red neuronal (Tutorialintermedio de minería de datos﴿

Para crear un modelo de minería de datos, debe usar en primer lugar el Asistente para minería de datos con el objeto de crear una nueva estructura de minería de datosbasada en la nueva vista del origen de datos. En esta tarea, utilizará el asistente para crear una estructura de minería de datos y al mismo tiempo crear el modelo inicialde minería de datos que se basa en el algoritmo de red neuronal de Microsoft.

Dado que las redes neuronales son extremadamente flexibles y pueden analizar diferentes combinaciones de entradas y salidas, debe realizar pruebas con diferentes

métodos de procesamiento de los datos para obtener los mejores resultados. Por ejemplo, puede que desee personalizar la manera en que se discretiza, o agrupa, el

destino numérico de calidad de servicio para satisfacer requisitos empresariales específicos del destino. Para ello, agregará una columna nueva a la estructura de mineríade datos que agrupa los datos numéricos de una manera diferente y, a continuación, creará un modelo que use la columna nueva. Utilizará estos modelos de minería dedatos para hacer una exploración.

Finalmente, cuando haya aprendido del modelo de red neuronal qué factores tienen el mayor impacto para su cuestión comercial, construirá un modelo independientepara la predicción y evaluación. Usará el algoritmo de regresión logística de Microsoft, que se basa en el modelo de redes neuronales, pero está optimizado para buscaruna solución basada en entradas concretas.

Pasos

Crear la estructura y el modelo de minería de datos predeterminados

Usar discretización para enlazar la columna de predicción

Copiar la columna y cambiar el método de discretización para un modelo diferente

Crear un alias para la columna de predicción de manera que se puedan comparar modelos

Procesar todos los modelos

Crear la estructura de centro de llamadas predeterminada






4. En la página Crear la estructura de minería de datos, compruebe que la opción Crear la estructura de minería de datos con un modelo de minería de datosestá seleccionada.

5. Haga clic en la lista desplegable para la opción ¿Qué técnica de minería de datos desea utilizar? y seleccione Redes neuronales de Microsoft.

Dado que los modelos de regresión logística se basan en las redes neuronales, puede volver a usar la misma estructura y agregar un nuevo modelo de mineríade datos.


Aparecerá la página Seleccionar vista del origen de datos.

7. En Vistas del origen de datos disponibles, seleccione Call Center y haga clic en Siguiente.

8. En la página Especificar tipos de tablas, active la casilla Escenario, situada junto a la tabla FactCallCenter. No seleccione nada para DimDate. Haga clic en

Siguiente.

9. En la página Especificar los datos de aprendizaje, active la casilla Clave situada junto a la columna FactCallCenterID.

10. Active las casillas Predicción y Entrada.

11. Active las casillas Clave, Entrada y Predicción, tal como se muestra en la tabla siguiente:

Tablas y columnas Clave/Entrada/Predicción

AutomaticResponses Entrada

AverageTimePerIssue Entrada/Predicción

Calls Entrada

DateKey No debe usarse

DayOfWeek Entrada

FactCallCenterID Clave

IssuesRaised Entrada

SQL Server 2014

#bkmk_defaul

#bkmk_ColumnCopy

#bkmk_Alias

#bkmk_SeedProcess

LevelOneOperators Entrada/Predicción

LevelTwoOperators Entrada

Orders Entrada/Predicción

ServiceGrade Entrada/Predicción

Shift Entrada

TotalOperators No debe usarse

WageType Entrada

Observe que se han seleccionado varias columnas de predicción. Uno de los puntos fuertes del algoritmo de red neuronal es que puede analizar todas las

posibles combinaciones de atributos de entrada y salida. Esto no sería aconsejable para un conjunto de datos grande, ya que podría aumentarexponencialmente el tiempo de procesamiento.

12. En la página Especificar el contenido y el tipo de datos de las columnas, compruebe que la cuadrícula contiene las columnas, tipos de contenido y tipos dedatos que se muestran en la tabla siguiente y, a continuación, haga clic en Siguiente.

Columnas Tipo de contenido Tipos de datos

AutomaticResponses Continuo Long

AverageTimePerIssue Continuo Long

Calls Continuo Long

DayOfWeek Discreto Text

FactCallCenterID Clave Long

IssuesRaised Continuo Long

LevelOneOperators Continuo Long

LevelTwoOperators Continuo Long

Orders Continuo Long

ServiceGrade Continuo Double

Shift Discreto Text

WageType Discreto Text

13. En la página Crear conjunto de pruebas, borre el cuadro de texto de la opción Porcentaje de datos para pruebas. Haga clic en Siguiente.

14. En la página Finalización del asistente, como Nombre de la estructura de minería de datos, escriba Call Center.

15. En Nombre del modelo de minería de datos, escriba Call Center Default NN y, a continuación, haga clic en Finalizar.

La casilla Permitir obtención de detalles está deshabilitada porque no puede obtener detalles de los datos con modelos de red neuronal.

16. En el Explorador de soluciones, haga clic con el botón secundario en el nombre de la estructura de minería de datos recién creada y seleccione Procesar.

Usar discretización para enlazar la columna de destino

De forma predeterminada, cuando crea un modelo de red neuronal que incluye un atributo de predicción numérico, el algoritmo de red neuronal de Microsoft lo tratacomo un número continuo. Por ejemplo, el atributo ServiceGrade es un número que, en teoría, abarca desde 0.00 ﴾se responden todas las llamadas﴿ a 1.00 ﴾cuelgantodos los que han llamado). En este conjunto de datos, los valores tienen la siguiente distribución:

Como resultado, al procesar el modelo los resultados pueden aparecer de forma diferente a la que se espera. Por ejemplo, si usa la agrupación en clústeres paraidentificar los mejores grupos de valores, el algoritmo divide los valores de ServiceGrade en intervalos como éste: 0,0748051948 ‐ 0,09716216215. Aunque esta

agrupación es matemáticamente precisa, tales intervalos podrían no ser significativos para los usuarios empresariales.

En este paso, para que el resultado sea más intuitivo, agrupará los valores numéricos de forma diferente, creando copias de la columna de datos numéricos.

Cómo funciona la discretizaciónAnalysis Services proporciona varios métodos para discretizar o procesar los datos numéricos. En la tabla siguiente se muestran las diferencias entre los resultados

cuando el atributo ServiceGrade de salida se ha procesado de tres maneras diferentes:

Se trata como un número continuo.

Se hace que el algoritmo use la agrupación en clústeres para identificar la mejor organización de valores.

Se especifica que los números se discreticen mediante el método de áreas iguales.

Modelo predeterminado (continuo) Discretizado mediante agrupación en clústeres Discretizado mediante áreas iguales

VALUE SUPPORT

Missing 0

0.09875 120

VALUE SUPPORT

< 0.0748051948 34

0.0748051948 - 0.09716216215 27

0.09716216215 - 0.13297297295 39

0.13297297295 - 0.167499999975 10

>= 0.167499999975 10

VALUE SUPPORT

< 0.07 26

0.07 - 0.00 22

0.09 - 0.11 36

>= 0.12 36

Nota

Puede obtener estas estadísticas a partir del nodo de estadísticas marginales del modelo una vez que se hayan procesado todos los datos. Para obtener másinformación acerca del nodo de estadísticas marginales, vea Contenido del modelo de minería de datos para los modelos de red neuronal ﴾Analysis Services ‐Minería de datos﴿.

En esta tabla, la columna VALUE muestra cómo se ha controlado el número para ServiceGrade. La columna SUPPORT muestra cuántos casos tenían ese valor opertenecían a ese rango.

Usar números continuos ﴾predeterminado﴿

Si usa el método predeterminado, el algoritmo calcula los resultados de 120 valores distintos, cuyo valor medio es 0,09875. También puede ver el número devalores que faltan.

Discretizar mediante agrupación en clústeres

Cuando permite que el algoritmo de clústeres de Microsoft determine la agrupación opcional de valores, el algoritmo agrupa los valores de ServiceGrade encinco (5) rangos. El número de escenarios de cada rango no se distribuye por igual, como puede ver en la columna.

Discretizar mediante áreas iguales

Si elige este método, el algoritmo exige que los valores de los cubos sean del mismo tamaño, lo que a su vez cambia los límites superior e inferior de cadarango. Puede especificar el número de cubos, pero es conveniente evitar que haya muy pocos valores en un cubo.

Para obtener más información acerca de las opciones de discretización, vea Métodos de discretización ﴾minería de datos﴿.

De forma alternativa, en lugar de usar valores numéricos, podría agregar una columna derivada independiente que clasifique las calificaciones del servicio en rangos de



destino predefinidos, como Excelente (ServiceGrade <= 0,05), Aceptable (0,10 > ServiceGrade > 0,05) y Deficiente (ServiceGrade >= 0,10).

Crear una copia de una columna y cambiar el método de discretizaciónRealizará una copia de la columna de minería de datos que contiene el atributo de destino, ServiceGrade, y cambiará la manera en que se agrupan los números. Puede

crear varias copias de cualquier columna de una estructura de minería de datos, incluido el atributo de predicción.

En este tutorial utilizará el método de discretización de áreas iguales y especificará cuatro cubos. Las agrupaciones que resultan de este método están bastante cercade los valores objetivo que interesan a los usuarios empresariales.

Para crear una copia personalizada de una columna de la estructura de minería de datos

1. En el Explorador de soluciones, haga doble clic en la estructura de minería de datos recién creada.

2. En la pestaña Estructura de minería de datos, haga clic en Agregar una columna de estructura de minería de datos.

3. En el cuadro de diálogo Seleccionar columna, seleccione ServiceGrade en la lista Columna de origen y, a continuación, haga clic en Aceptar.

Se agrega una columna nueva a la lista de columnas de la estructura de minería de datos. De forma predeterminada, la nueva columna de minería de datos tieneel mismo nombre que la columna existente, con un sufijo numérico: por ejemplo, ServiceGrade 1. Puede cambiar el nombre de esta columna para que sea másdescriptivo.

También especificará el método de discretización.

4. Haga clic con el botón secundario en ServiceGrade 1 y seleccione Propiedades.

5. En la ventana Propiedades, localice la propiedad Nombre y cambie el nombre a Service Grade Binned.

6. Aparece un cuadro de diálogo en el que se pregunta si desea realizar el mismo cambio en el nombre de todas las columnas del modelo de minería de datosrelacionadas. Haga clic en No.

7. En la ventana Propiedades, localice la sección Tipo de datos y expándala si es necesario.

8. Cambie el valor de la propiedad Content de Continuous a Discretized.

Ahora están disponibles las propiedades siguientes. Cambie los valores de las propiedades tal como se muestra en la tabla siguiente:

Propiedad Valor predeterminado Valor nuevo

DiscretizationMethod Continuous EqualAreas

DiscretizationBucketCount Sin valor 4

Nota

El valor predeterminado de DiscretizationBucketCount es 0, que indica que el algoritmo determina automáticamente el número óptimo de cubos. Por tanto, si

desea restablecer el valor predeterminado de esta propiedad, escriba 0.

9. En el Diseñador de minería de datos, haga clic en la pestaña Modelos de minería de datos.

Observe que al agregar una copia de una columna de la estructura de minería de datos, la marca de uso de la copia se establece automáticamente en Ignore.

Normalmente, al agregar una copia de una columna a una estructura de minería de datos, no utilizaría la copia para el análisis junto con la columna original o elalgoritmo encontrará una correlación fuerte entre las dos columnas que podrían disimular otras relaciones.

Agregar un nuevo modelo de minería de datos a la estructura de minería de datos

Ahora que ha creado una nueva agrupación para el atributo de destino, necesita agregar un nuevo modelo de minería de datos que use la columna de datos discretos.Cuando lo haya hecho, la estructura de minería de datos CallCenter tendrá dos modelos de minería de datos:

El modelo de minería de datos, Call Center Default NN, controla los valores de ServiceGrade como un rango continuo.

Creará un nuevo modelo de minería de datos, Call Center Binned NN, que usa como resultados de destino los valores de la columna ServiceGrade, distribuidosen cuatro cubos del mismo tamaño.

Para agregar un modelo de minería de datos basado en la nueva columna de datos discretos

1. En el Explorador de soluciones, haga clic con el botón secundario en la estructura de minería de datos recién creada y seleccione Abrir.

2. Haga clic en la pestaña Modelos de minería de datos.

3. Haga clic en Crear un modelo de minería de datos relacionado.

4. En el cuadro de diálogo Nuevo modelo de minería de datos, en Nombre del modelo, escriba Call Center Binned NN. En la lista desplegable Nombre del

algoritmo, seleccione Red neuronal de Microsoft.

5. En la lista de columnas contenida en el nuevo modelo de minería de datos, busque ServiceGrade y cambie el uso de Predict a Ignore.

6. De igual forma, busque ServiceGrade Binned y cambie el uso de Ignore a Predict.

http://msdn.microsoft.com/es-es/library/microsoft.analysisservices.scalarminingstructurecolumn.discretizationbucketcount.aspx

Crear un alias para la columna de destino

Normalmente, no puede comparar modelos de minería de datos que usen atributos de predicción diferentes. Sin embargo, puede crear un alias para una columna del

modelo de minería de datos. Es decir, puede cambiar el nombre de la columna, ServiceGrade Binned, en el modelo de minería de datos de modo que tenga el mismonombre que la columna original. A continuación, puede comparar directamente estos dos modelos en un gráfico de precisión, aunque los datos se discreticen demanera diferente.

Para agregar un alias para una columna de una estructura de minería de datos de un modelo de minería de datos

1. En la pestaña Modelos de minería de datos, en Estructura, seleccione ServiceGrade Binned.

Observe que la ventana Propiedades muestra las propiedades del objeto, columna ScalarMiningStructure.

2. En la columna del modelo de minería de datos, ServiceGrade Binned NN, haga clic en la celda correspondiente a la columna ServiceGrade Binned.

Observe que ahora la ventana Propiedades muestra las propiedades del objeto MiningModelColumn.

3. Busque la propiedad Name y cambie el valor por ServiceGrade.

4. Busque la propiedad Description y escriba Alias de columna temporal.

La ventana Propiedades debería contener la información siguiente:

Propiedad Valor

Descripción Alias de columna temporal

Identificador ServiceGrade Binned

Marcas de modelado

Nombre Service Grade

SourceColumn ID Service Grade 1

Uso Predicción

5. Haga clic en cualquier parte de la pestaña Modelo de minería de datos.

La cuadrícula se actualiza para mostrar el nuevo alias de la columna temporal, ServiceGrade, al lado del uso de la columna. La cuadrícula que contiene laestructura de minería de datos y dos modelos de minería de datos debería tener una apariencia similar a la siguiente:

Estructura Call Center Default NN Call Center Binned NN

Red neuronal de Microsoft Red neuronal de Microsoft

AutomaticResponses Entrada Entrada

AverageTimePerIssue Predicción Predicción

Calls Entrada Entrada

DayOfWeek Entrada Entrada

FactCallCenterID Clave Clave

IssuesRaised Entrada Entrada

LevelOneOperators Entrada Entrada

LevelTwoOperators Entrada Entrada

Orders Entrada Entrada

ServiceGrade Binned Omitir Predicción ﴾ServiceGrade﴿

ServiceGrade Predicción Omitir

Mayús Entrada Entrada

Total Operators Entrada Entrada

WageType Entrada Entrada

Procesar todos los modelos

Finalmente, para asegurarse de que los modelos que ha creado se pueden comparar fácilmente, establecerá el parámetro de inicialización del modelo discretizado ydel predeterminado. Al establecer un valor de inicialización se garantiza que cada modelo comienza el procesamiento de los datos desde el mismo punto.

Nota

Si no se especifica un valor numérico para el parámetro de inicialización, SQL Server Analysis Services lo generará a partir del nombre del modelo. Dado que los

modelos siempre tienen nombres diferentes, debe establecer un valor de inicialización para asegurarse de que procesan los datos en el mismo orden.

Para especificar el valor de inicialización y procesar los modelos

1. En la pestaña Modelo de minería de datos, haga clic con el botón secundario en la columna del modelo denominado Call Center ‐ LR y seleccione Establecer

parámetros de algoritmo.

2. En la fila correspondiente al parámetro HOLDOUT_SEED, haga clic en la celda vacía que está situada bajo Valor y escriba 1. Haga clic en Aceptar. Repita este

paso para cada modelo asociado a la estructura.

Nota

El valor de inicialización que elija no es importante siempre y cuando use el mismo para todos los modelos relacionados.

3. En el menú Modelos de minería de datos, seleccione Procesar estructura de minería de datos y todos los modelos. Haga clic en Sí para implementar el

proyecto de minería de datos actualizado en el servidor.




Ahora que ha creado los dos modelos de minería de datos relacionados, explorará los datos para detectar relaciones.


Explorar el modelo de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Vea también

ConceptosEstructuras de minería de datos ﴾Analysis Services ‐ Minería de datos﴿




Explorar el modelo de centro de llamadas (Tutorial intermediode minería de datos﴿

Ahora que ha creado el modelo de exploración, puede usarlo para obtener más información sobre los datos mediante las herramientas siguientes que se proporcionanen SQL Server Data Tools (SSDT).

Visor de redes neuronales de Microsoft : este visor está disponible en la pestaña Visor de modelos de minería de datos del Diseñador de minería de datos y seha diseñado para servir de ayuda al experimentar con las interacciones de los datos.

Visor de árbol de contenido genérico de Microsoft : este visor estándar proporciona detalles precisos sobre los patrones y estadísticas que detecta el algoritmo algenerar el modelo.

Visor de redes neuronales de Microsoft

El visor tiene tres paneles: Entrada, Salida y Variables.

En el panel Salida, puede seleccionar valores diferentes para el atributo de predicción o la variable dependiente. Si el modelo contiene varios atributos de predicción,puede seleccionar el que desee en la lista Atributo de salida.

El panel Variables compara los dos resultados que elija en lo que respecta a los atributos participantes, o variables. Las barras coloreadas representan visualmente en

qué grado afecta la variable a los resultados buscados. También puede ver las puntuaciones de mejora respecto al modelo predictivo para las variables. Una

puntuación de mejora respecto al modelo predictivo se calcula de forma diferente en función de qué tipo de modelo de minería de datos se usa, pero en generalindica la mejora en el modelo cuando se usa este atributo para la predicción.

El panel Entrada permite agregar influenciadores al modelo para probar varios escenarios condicionales.

Usar el panel Salida

En este modelo inicial, le interesa ver cómo afectan varios factores al grado de servicio. Para ello, puede seleccionar Service Grade en la lista de atributos de salida, y

comparar después niveles diferentes de servicio seleccionando intervalos en las listas desplegables correspondientes a Valor 1 y Valor 2.

Para comparar los grados de servicio inferior y superior

1. En Valor 1, seleccione el intervalo con los valores menores. Por ejemplo, el intervalo 0-0-0.7 representa las tasas menores de abandono y, por lo tanto, el mejor

grado de servicio.

Nota

Los valores exactos de este intervalo pueden variar según la configuración del modelo.

2. En Valor 2, seleccione el intervalo con los valores mayores. Por ejemplo, el intervalo con el valor >=0,12 representa las tasas mayores de abandono y, por lo

tanto, el peor grado de servicio. En otras palabras, el 12% de los clientes que llamaron durante este turno colgaron antes de hablar con un agente.

El contenido del panel Variables se actualiza para comparar los atributos que participan en los resultados. Por lo tanto, la columna de la izquierda muestra los

atributos asociados al mejor grado de servicio y la columna de la derecha los atributos asociados al peor grado de servicio.

Usar el panel Variables

En este modelo, parece que Average Time Per Issue es un factor importante. Esta variable indica el tiempo promedio que se tarda en responder una llamada, con

independencia de su tipo.

Para ver y copiar las puntuaciones de mejora respecto al modelo predictivo y la probabilidad de un atributo

1. En el panel Variables, pause el mouse sobre la barra coloreada de la primera fila.

Esta barra coloreada muestra en qué grado contribuye Average Time Per Issue en el grado de servicio. La información sobre herramientas muestra unapuntuación general, las probabilidades y las puntuaciones de mejora con respecto al modelo predictivo para cada combinación de variable y resultado dedestino.

2. En el panel Variables, haga clic con el botón secundario en una barra coloreada y seleccione Copiar.

3. En una hoja de cálculo de Excel, haga clic con el botón secundario en una celda y seleccione Pegar.

El informe se pega como una tabla HTML y solo muestra las puntuaciones de cada barra.

4. En otra hoja de cálculo de Excel, haga clic con el botón secundario en una celda y seleccione Pegado especial.

El informe se pega en formato de texto e incluye las estadísticas relacionadas descritas en la sección siguiente.

Usar el panel Entrada

Suponga que le interesa observar el efecto de un factor determinado, como el turno o el número de operadores. Puede seleccionar una variable concreta usando el

panel Entrada y el panel Variables se actualizará automáticamente para comparar los dos grupos seleccionados anteriormente dada la variable especificada.

Para revisar el efecto en el grado de servicio cambiando los atributos de entrada

1. En el panel Entrada, seleccione Shift como atributo.

SQL Server 2014

2. En Valor, seleccione AM.

El panel Variables se actualiza para mostrar el efecto en el modelo cuando el turno es de mañana ﴾AM﴿. Las demás selecciones siguen siendo las mismas, siguecomparando los grados de servicio menor y mayor.

3. En Valor, seleccione PM1.

El panel Variables se actualiza para mostrar el efecto en el modelo cuando el turno cambia.

4. En el panel Entrada, haga clic en la siguiente fila en blanco debajo de Atributo y seleccione Calls. En Valor, seleccione el intervalo que indica el mayor númerode llamadas.

Se agrega una condición de entrada nueva a la lista. El panel Variables se actualiza para mostrar el efecto en el modelo para un turno en particular cuando el

volumen de llamadas es elevado.

5. Continúe cambiando los valores de Shift y Calls para encontrar correlaciones interesantes entre el turno, el volumen de llamadas y el grado de servicio.

Nota

Para borrar el panel Entrada para que pueda utilizar diferentes atributos, haga clic en Actualizar el contenido del visor.

Interpretar las estadísticas que se proporcionan en el visorLos tiempos de espera más prolongados son un factor de predicción muy eficaz de una tasa de abandono elevada, lo que significa que el grado de servicio esdeficiente. Esto puede parecer una conclusión obvia; sin embargo, el modelo de minería de datos proporciona datos estadísticos adicionales para ayudarle ainterpretar estas tendencias.

Puntuación: valor que indica la importancia global de esta variable para discriminar entre los resultados. Cuanto más alta es la puntuación, más intenso es elefecto que la variable tiene en el resultado.

Probabilidad del valor 1: porcentaje que representa la probabilidad de este valor para este resultado.

Probabilidad del valor 2: porcentaje que representa la probabilidad de este valor para este resultado.

Elevación del valor 1 y Elevación del valor 2: puntuaciones que representan el efecto que tiene usar esta variable concreta para predecir los resultados de

Valor 1 y Valor 2. Cuanto más alta es la puntuación, mejor es la variable prediciendo los resultados.

La tabla siguiente contiene algunos valores de ejemplo para los influenciadores más importantes. Por ejemplo, la Probabilidad del valor 1 es del 60,6% y la

Probabilidad del valor 2 es del 8,30%, lo que significa que cuando el valor de Average Time Per Issue estaba dentro del intervalo 44-70 minutos, el 60,6% de los casos

estaban en el turno con los grados de servicio mayores (Valor 1) y el 8,30% de los casos estaban en el turno con los peores grados de servicio (Valor 2).

A partir de esta información puede sacar algunas conclusiones. Un menor tiempo de respuesta de las llamadas (el intervalo 44-70) influye en gran medida en un mejor

grado de servicio (el intervalo 0.00-0.07). La puntuación ﴾92,35﴿ le indica que esta variable es muy importante.

Sin embargo, según se sigue mirando la lista de factores que influyen, se ven algunos otros factores con efectos que son más sutiles y más difíciles de interpretar. Por

ejemplo, el turno parece influir en el servicio, pero las puntuaciones de mejora con respecto al modelo predictivo y las probabilidades relativas indican que no es un

factor importante.

Atributo Valor Favorece < 0,07 Favorece >= 0,12

Average Time Per Issue 89.087 - 120.000 Puntuación: 100

Probabilidad de valor 1: 4,45 %


Elevación de valor 1: 0,19


Average Time Per Issue 44.000 - 70.597Puntuación: 92,35





Volver al principio

Visor de árbol de contenido genérico de Microsoft

Este visor se puede usar para ver información incluso más detallada creada por el algoritmo cuando se procesa el modelo. El Visor de árbol de contenido genéricode Microsoft representa el modelo de minería de datos como una serie de nodos, donde cada nodo representa el conocimiento adquirido acerca de los datos deentrenamiento. Este visor se puede utilizar con todos los modelos, pero el contenido de los nodos es diferente según el tipo de modelo.

En los modelos de red neuronal o de regresión logística, podría encontrar que el marginal statistics node es particularmente útil. Este nodo contiene estadísticasderivadas acerca de la distribución de los valores de los datos. Esta información puede ser de utilidad si desea obtener un resumen de los datos sin tener que escribirmuchas consultas de T-SQL. El gráfico de los valores del tema anterior se derivó del nodo de estadísticas marginal.

Para obtener un resumen de los valores de datos del modelo de minería de datos

1. En el Diseñador de minería de datos en la pestaña Visor de modelos de minería de datos, seleccione <nombre del modelo de minería de datos>.

2. En la lista Visor, seleccione Visor de árbol de contenido genérico de Microsoft.

La vista del modelo de minería de datos se actualiza para mostrar una jerarquía de nodos en el panel izquierdo y una tabla HTML en el panel derecho.

3. En el panel Título de nodo, haga clic en el nodo que tenga el nombre 10000000000000000.

El nodo superior de cualquier modelo siempre es el nodo raíz. En un modelo de red neuronal o de regresión logística, el nodo que está inmediatamente pordebajo es el nodo de estadísticas marginal.

4. En el panel Detalles de nodo, desplácese hasta que encuentre la fila NODE_DISTRIBUTION.

5. Desplácese hacia abajo por la tabla NODE_DISTRIBUTION para ver la distribución de valores calculados por el algoritmo de red neuronal.

Para usar estos datos en un informe, podría seleccionar información de filas específicas y copiarla después, o puede usar la siguiente consulta de Extensiones deminería de datos ﴾DMX﴿ para extraer el contenido completo del nodo.

También puede usar la jerarquía de nodos y los detalles de la tabla NODE_DISTRIBUTION para recorrer rutas individuales de la red neuronal y ver estadísticas del niveloculto. Para obtener más información, vea Ejemplos de consultas de modelos de red neuronal.

Volver al principio


Agregar un modelo de regresión logística a la estructura de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Vea también

TasksCambiar la discretización de una columna en un modelo de minería de datosReferenciaContenido del modelo de minería de datos para los modelos de red neuronal ﴾Analysis Services ‐ Minería de datos﴿Referencia técnica del algoritmo de red neuronal de MicrosoftConceptosEjemplos de consultas de modelos de red neuronal


SELECT *

FROM [Call Center EQ4].CONTENT

WHERE NODE_NAME = '10000000000000000'







Agregar un modelo de regresión logística a la estructura decentro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Además de analizar los factores que pueden influir en las operaciones del centro de llamadas, se le pidió que proporcionara recomendaciones concretas sobre la maneraen que el personal puede mejorar la calidad de servicio. En esta tarea usará la misma estructura de minería de datos con la que creó el modelo de exploración yagregará un modelo de minería de datos que después se usará para crear predicciones.

En Analysis Services, un modelo de regresión logística se basa en el algoritmo de redes neuronales, lo que ofrece la misma flexibilidad y eficacia que un modelo de redneuronal. Sin embargo, la regresión logística es especialmente adecuada para predecir resultados binarios.

En este escenario, usará la misma estructura de minería de datos que utilizó para el modelo de red neuronal. Sin embargo, personalizará el nuevo modelo para abordarlas cuestiones empresariales. Le interesa la mejora de la calidad de servicio y determinar cuántos operadores experimentados necesita; para ello, configurará el modelopara predecir esos valores.

Para asegurarse de que todos los modelos basados en los datos del centro de llamadas se parecen lo más posible, usará el mismo valor de inicialización que antes. Al

establecer el parámetro de inicialización se garantiza que el modelo procesa los datos a partir del mismo punto inicial, y se minimizan las variaciones causadas por lasanomalías en los datos.

Para agregar un nuevo modelo de minería de datos a la estructura de minería de datos del centro de llamadas

1. En SQL Server Data Tools ﴾SSDT﴿, en el Explorador de soluciones, haga clic con el botón secundario en la estructura de minería de datos, Call Center Binned, yseleccione Abrir el diseñador.

2. En el Diseñador de minería de datos, haga clic en la pestaña Modelos de minería de datos.

3. Haga clic en Crear un modelo de minería de datos relacionado.

4. En el cuadro de diálogo Nuevo modelo de minería de datos, en Nombre del modelo, escriba Call Center - LR. Como Nombre del algoritmo seleccione

Regresión logística de Microsoft.


El nuevo modelo de minería de datos aparece en la pestaña Modelos de minería de datos.

Para personalizar el modelo de regresión logística

1. En la columna correspondiente al nuevo modelo de minería de datos,Call Center ‐ LR, deje Fact CallCenter ID como clave.

2. Cambie el valor de ServiceGrade y Level Two Operators a Predict.

Ambas columnas se usarán como entrada y para la predicción. Básicamente, crea dos modelos independientes en los mismos datos: uno que predice el número deoperadores y otro que predice la calificación del servicio.

3. Cambie las demás columnas a Entrada.

Para especificar el valor de inicialización y procesar los modelos

1. En la pestaña Modelo de minería de datos, haga clic con el botón secundario en la columna del modelo denominado Call Center ‐ LR y seleccione Establecer

parámetros de algoritmo.

2. En la fila correspondiente al parámetro HOLDOUT_SEED, haga clic en la celda vacía que está situada bajo Valor y escriba 1. Haga clic en Aceptar.

Nota

El valor de inicialización que elija no es importante siempre y cuando use el mismo para todos los modelos relacionados.

3. En el menú Modelos de minería de datos, seleccione Procesar estructura de minería de datos y todos los modelos. Haga clic en Sí para implementar el

proyecto de minería de datos actualizado en el servidor.





Crear predicciones para los modelos de centro de llamadas ﴾Tutorial intermedio de minería de datos﴿

Vea también



SQL Server 2014



Crear predicciones para los modelos de centro de llamadas﴾Tutorial intermedio de minería de datos﴿

Ahora que ha aprendido algo acerca de las interacciones entre los turnos, el número de operadores, las llamadas y el grado de servicio, está en disposición de crearalgunas consultas de predicción que se puedan usar en el análisis y el planeamiento empresarial. Primero, creará algunas predicciones en el modelo de exploración paraprobar varias suposiciones. Después, creará predicciones masivas usando el modelo de regresión logística.

En esta lección se presupone que ya está familiarizado con el concepto de consultas de predicción.

Crear predicciones utilizando el modelo de red neuronal

En el ejemplo siguiente se demuestra cómo crear una predicción singleton usando el modelo de red neuronal que se creó para la exploración. Las predicciones

singleton constituyen un buen modo de probar valores diferentes para comprobar el efecto en el modelo. En este escenario, predecirá el grado de servicio para elturno de medianoche ﴾no se especifica el día de la semana﴿ si hay seis operadores experimentados de servicio.

Para crear una consulta singleton con el modelo de red neuronal

1. En SQL Server Data Tools ﴾SSDT﴿, abra la solución que contiene el modelo que desea usar.

2. En el Diseñador de minería de datos, haga clic en la pestaña Predicción de modelo de minería de datos.

3. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo.

4. El cuadro de diálogo Seleccionar modelo de minería de datos muestra una lista de estructuras de minería de datos. Expanda la estructura de minería de datospara ver una lista de modelos de minería de datos asociados con esa estructura.

5. Expanda la estructura de minería de datos Call Center Default y seleccione el modelo de red neuronal Call Center ‐ LR.

6. En el menú Modelo de minería de datos, seleccione Consulta singleton.

Se abre el cuadro de diálogo Entrada de consulta singleton con columnas asignadas a las columnas del modelo de minería de datos.

7. En el cuadro de diálogo Entrada de consulta singleton, haga clic en la fila correspondiente a Shift y seleccione midnight.

8. Haga clic en la fila correspondiente a Lvl 2 Operators y escriba 6.

9. En la mitad inferior de la pestaña Predicción de modelo de minería de datos, haga clic en la primera fila de la cuadrícula.

10. En la columna Origen, haga clic en la flecha abajo y seleccione Función de predicción. En la columna Campo, seleccione PredictHistogram.

En el cuadro Criterios o argumentos, aparece automáticamente una lista de los argumentos que puede usar con esta función de predicción.

11. Arrastre la columna ServiceGrade desde la lista de columnas del panel Modelo de minería de datos al cuadro Criterios o argumentos.

El nombre de la columna se inserta automáticamente como argumento. Puede elegir cualquier columna de atributo de predicción para arrastrarla a este cuadrode texto.

12. Haga clic en el botón Cambiar a vista de resultado de consulta situado en la esquina superior del Generador de consultas de predicción.

Los resultados esperados contienen los posibles valores de predicción de cada grado de servicio, dadas estas entradas, junto con los valores de compatibilidad yprobabilidad de cada predicción. Puede volver a la vista de diseño en cualquier momento y cambiar las entradas o agregar más.

Crear predicciones con un modelo de regresión logística

Si ya conoce los atributos que son pertinentes para el problema empresarial, puede usar un modelo de regresión logística con el fin de predecir el efecto de realizarcambios en ciertos atributos. La regresión logística es un método estadístico que se utiliza normalmente para realizar predicciones en función de cambios en variablesindependiente. Se usa, por ejemplo, en la evaluación financiera, para predecir el comportamiento de los clientes en función de datos estadísticos.

En esta tarea aprenderá a crear un origen de datos que se usará en las predicciones y hará que estas sirvan de ayuda para responder varias cuestiones empresariales.

Generar datos usados para la predicción masivaHay muchas formas de proporcionar datos de entrada: por ejemplo, podría importar niveles que proveían de personal de una hoja de cálculo y ejecutar los datos através del modelo para predecir la calidad de servicio del mes próximo.

En esta lección, usará el diseñador de vista del origen de datos para crear una consulta con nombre. Esta consulta es una instrucción Transact‐SQL personalizada quecalcula, para cada turno de la programación, el número máximo de operadores del personal, el mínimo de llamadas recibidas y el número promedio de problemasque se generan. A continuación combinará esos datos en un modelo de minería de datos para realizar predicciones acerca de una serie de fechas próximas.

Para generar datos de entrada de una consulta de predicción masiva


2. En el Asistente para vistas del origen de datos, seleccione Adventure Works DW Multidimensional 2012 como origen de datos y, a continuación, haga clic enSiguiente.

3. En la página, Seleccionar tablas y vistas, haga clic en Siguiente sin seleccionar ninguna tabla.

SQL Server 2014

4. En la página Finalización del asistente, escriba el nombre, Shifts.

Este nombre aparecerá en el Explorador de soluciones como nombre de la vista del origen de datos.

5. Haga clic con el botón secundario en el panel de diseño y seleccione Nueva consulta con nombre.

6. En el cuadro de diálogo Crear consulta con nombre, en Nombre, escriba Shifts for Call Center.

Este nombre aparecerá en el diseñador de vistas del origen de datos como nombre de la consulta con nombre.

7. Pegue la instrucción de consulta siguiente en el panel de texto SQL en la mitad inferior del cuadro de diálogo.

8. En el panel de diseño, haga clic con el botón secundario en la tabla Shifts for Call Center y seleccione Explorar datos para obtener una vista previa de los datos

tal y como se devuelven en la consulta de T-SQL.

9. Haga clic con el botón secundario en la pestaña Shifts.dsv ﴾Diseño﴿ y haga clic en Guardar para guardar la definición de la nueva vista del origen de datos.

Predecir la métrica de servicio de cada turnoAhora que ha generado algunos valores para cada turno, los usará como entrada del modelo de regresión logística que ha creado, con el fin de generar algunaspredicciones que se puedan usar en la planificación empresarial.

Para utilizar el nuevo DSV como entrada de una consulta de predicción

1. En el Diseñador de minería de datos, haga clic en la pestaña Predicción de modelo de minería de datos.

2. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo y elija Call Center - LR en la lista de modelos disponibles.

3. En el menú Modelo de minería de datos, anule la selección de la opción Consulta singleton. Una advertencia indica que se perderán las entradas de laconsulta singleton. Haga clic en Aceptar.

El cuadro de diálogo Entrada de consulta singleton se sustituye con el cuadro de diálogo Seleccionar tabla(s) de entrada.

4. Haga clic en Seleccionar tabla de casos.

5. En el cuadro de diálogo Seleccionar tabla, seleccioneShifts en la lista de orígenes de datos. En la lista Nombre de tabla o vista, seleccione Shifts for Call Center

﴾puede que esté seleccionado automáticamente﴿ y haga clic en Aceptar.

La superficie de diseño de Predicción de modelo de minería de datos se actualiza para mostrar las asignaciones creadas según los nombres y tipos de datosde las columnas de los datos de entrada y del modelo.

6. Haga clic con el botón secundario en una de las líneas de unión y luego seleccione Modificar conexiones.

En este cuadro de diálogo puede ver exactamente qué columnas se asignan y cuáles no. El modelo de minería de datos contiene las columnas Calls, Orders,IssuesRaised y LvlTwoOperators, que puede asignar a cualquiera de los agregados que creó basándose en estas columnas en el origen de datos. En este

escenario, asignará los promedios.

7. Haga clic en la celda vacía situada junto a LevelTwoOperators y seleccione Shifts for Call Center.AvgOperators.

8. Haga clic en la celda vacía situada junto a Calls y seleccione Shifts for Call Center.AvgCalls. y, a continuación, haga clic en Aceptar.

Para crear las predicciones de cada turno

1. En la cuadrícula de la mitad inferior del Generador de consultas de predicción, haga clic en la celda vacía situada debajo de Origen y seleccione Shifts for Call

Center.

2. En la celda vacía debajo de Campo, seleccione Shift.

3. Haga clic en la siguiente línea vacía de la cuadrícula y repita el procedimiento descrito para agregar otra fila para WageType.

4. Haga clic en la siguiente línea vacía de la cuadrícula. En la columna Origen, seleccione Prediction Function. En la columna Campo, seleccione Predict.

5. Arrastre la columna ServiceGrade desde el panel Modelo de minería de datos hacia abajo a la cuadrícula y colóquela en la celda Criterios o argumento. En el

campo Alias, escriba Predicted Service Grade.

6. Haga clic en la siguiente línea vacía de la cuadrícula. En la columna Origen, seleccione Prediction Function. En la columna Campo, seleccione

PredictProbability.

7. Arrastre la columna ServiceGrade desde el panel Modelo de minería de datos hacia abajo a la cuadrícula y colóquela en la celda Criterios o argumento. En el

campo Alias, escriba Probability.

8. Haga clic en Cambiar a vista de resultado de consulta para ver las predicciones.

La siguiente tabla muestra los resultados de ejemplo de cada turno.

SELECT DISTINCT WageType, Shift,

AVG(Orders) as AvgOrders, MIN(Orders) as MinOrders, MAX(Orders) as MaxOrders,

AVG(Calls) as AvgCalls, MIN(Calls) as MinCalls, MAX(Calls) as MaxCalls,

AVG(LevelTwoOperators) as AvgOperators, MIN(LevelTwoOperators) as MinOperators, MAX(LevelTwoOperators) as MaxOperators,

AVG(IssuesRaised) as AvgIssues, MIN(IssuesRaised) as MinIssues, MAX(IssuesRaised) as MaxIssues

FROM dbo.FactCallCenter

GROUP BY Shift, WageType

Shift WageType Predicted Service Grade Probability

AM holiday 0.165 0.377520666

midnight holiday 0.105 0.364105573

PM1 holiday 0.165 0.40056055

PM2 holiday 0.165 0.338532973

AM weekday 0.165 0.370847617

midnight weekday 0.08 0.352999173

PM1 weekday 0.165 0.317419177

PM2 weekday 0.105 0.311672027

Predecir el efecto del tiempo de respuesta reducido en la calificación del servicioHa generado algunos valores de promedio para cada turno y los ha usado como entrada del modelo de regresión logística. Sin embargo, dado que el objetivo de la

empresa es mantener la tasa de abandonos dentro del intervalo 0,00-0,05, los resultados no son esperanzadores.

Por lo tanto, según el modelo original, que mostraba una gran influencia del tiempo de respuesta en la calificación del servicio, el equipo de operaciones deciderealizar algunas predicciones para valorar si la reducción del tiempo promedio de respuesta a las llamadas podría mejorar la calificación del servicio. Por ejemplo,

¿qué ocurriría si se recorta el tiempo de respuesta en un 90% o incluso un 80% del tiempo actual de respuesta de las llamadas?, ¿qué ocurriría con los valores decalificación del servicio?

Es fácil crear una vista del origen de datos ﴾DSV﴿ que calcule el tiempo de respuesta promedio de cada turno y, a continuación, agregar columnas que calculen el 80%o 90% del tiempo de respuesta promedio. A continuación, puede utilizar la vista del origen de datos para el modelo.

Aunque los pasos exactos no se muestran aquí, en la tabla siguiente se comparan los efectos en la calificación del servicio cuando se reduce el tiempo de respuesta enun 80% o 90% de los tiempos de respuesta actuales.

A partir de estos resultados, podría concluir que, en los turnos de destino, debe reducir el tiempo de respuesta en un 90 por ciento de la tasa actual para mejorar lacalidad del servicio.

Turno,

salario y

día

Calidad prevista del servicio con el tiempo

de respuesta promedio actual

Calidad prevista del servicio con reducción enun 90 del tiempo de respuesta

Calidad prevista del servicio con reducción enun 80 del tiempo de respuesta

Holiday AM 0.165 0.05 0.05

Holiday

PM1

0.05 0.05 0.05

Holiday

Midnight

0.165 0.05 0.05

Hay varias consultas de predicción diferentes que puede crear en este modelo. Por ejemplo, podría predecir cuántos operadores se necesitan para cumplir un ciertonivel de servicio o para responder a un cierto número de llamadas entrantes. Dado que puede incluir varias salidas en un modelo de regresión logística, es fácilexperimentar con variables independientes y resultados diferentes sin tener que crear varios modelos distintos.

Comentarios

Los complementos de minería de datos para Excel 2007 ofrecen asistentes de regresión logística que facilitan el poder responder a cuestiones complejas, comocuántos operadores de nivel dos se necesitarían para mejorar el grado de servicio a un nivel determinado para un turno concreto. Los complementos de minería dedatos se pueden descargar de forma gratuita e incluyen asistentes que se basan en los algoritmos de red neuronal o de regresión logística. Para obtener másinformación, vea los siguientes vínculos:

Complementos de minería de datos de SQL Server 2005 para Office 2007: análisis de escenario Buscar objetivo y análisis de escenario Y si

Complementos de minería de datos de SQL Server 2008 para Office 2007: análisis de escenario Buscar objetivo, análisis de escenario Y si y Cálculo de predicción

Conclusión

Ha aprendido a crear, personalizar e interpretar los modelos de minería de datos que se basan en los algoritmos de red neuronal y/o de regresión logística deMicrosoft. Estos tipos de modelos son sofisticados y permiten una variedad casi infinita de análisis, y, por tanto, pueden ser complejos y difíciles de dominar.

Sin embargo, estos algoritmos pueden recorrer muchas combinaciones de factores e identificar automáticamente las correlaciones más marcadas, lo que proporcionadatos estadísticos para obtener una idea clara que sería muy difícil de detectar con la exploración manual de datos mediante Transact‐SQL o incluso PowerPivot.

Vea también

http://www.microsoft.com/sql/technologies/dm/addins.mspx


ConceptosEjemplos de consultas de modelos de regresión logísticaAlgoritmo de regresión logística de MicrosoftAlgoritmo de red neuronal de Microsoft

Ejemplos de consultas de modelos de red neuronal






Crear y consultar modelos de minería de datos con DMX:tutoriales ﴾Analysis Services ‐ minería de datos﴿

Después de crear una solución de minería de datos mediante Microsoft SQL Server Analysis Services, puede crear consultas en los modelos de minería de datos parapredecir tendencias, recuperar patrones en los datos y medir la precisión de los modelos de minería de datos.

Los tutoriales paso a paso de la lista siguiente le enseñarán a generar y ejecutar consultas de minería de datos mediante Analysis Services de forma que pueda sacar elmáximo partido de los datos.

En esta sección

Tutorial DMX de Bike Buyer

Este tutorial le guía por la creación de una nueva estructura de minería de datos y nuevos modelos de minería datos usando el lenguaje DMX ﴾Extensiones deminería de datos﴿ y explica cómo crear consultas de predicción DMX.


Este tutorial usa un escenario típico de cesta de compras, en el que se buscan asociaciones entre los productos que los clientes adquieren juntos. En este tutorial

también se muestra cómo usar las tablas anidadas al crear una estructura de minería de datos. Generará y entrenará un modelo basado en esta estructura y, acontinuación, creará predicciones mediante DMX.

Tutorial DMX de predicción de series temporales

Este tutorial crea un modelo de pronóstico para mostrar el uso de la instrucción CREATE MODEL ﴾DMX﴿. A continuación, agregará modelos relacionados ypersonalizará el comportamiento de cada uno de ellos cambiando los parámetros del algoritmo de serie temporal de Microsoft. Por último, creará prediccionesy las actualizará con nuevos datos. La capacidad de actualizar una serie temporal al realizar predicciones se agregó en SQL Server 2008.

Referencia

Algoritmos de minería de datos ﴾Analysis Services: Minería de datos﴿

Referencia de Extensiones de minería de datos ﴾DMX﴿

Secciones relacionadas


En este tutorial se presentan conceptos básicos, como por ejemplo, cómo crear un proyecto y cómo generar estructuras y modelos de minería de datos.


Este tutorial contiene varias lecciones independientes y en cada una de ellas se presenta un tipo de modelo diferente. Cada lección le guía por el proceso decreación de un modelo, exploración y personalización del modelo y creación de consultas de predicción.

Vea también

ConceptosSoluciones de minería de datosHerramientas de minería de datosProyectos de minería de datos


SQL Server 2014











Tutorial DMX de Bike Buyer

En este tutorial aprenderá a crear, entrenar y explorar modelos de minería de datos utilizando el lenguaje de consulta Extensiones de minería de datos ﴾DMX﴿. Acontinuación, estos modelos de minería de datos se utilizarán para crear predicciones que determinan si un cliente adquirirá una bicicleta.

Los modelos de minería de datos se crearán a partir de los datos incluidos en la base de datos de ejemplo AdventureWorksDW2012 , que almacena datos de la empresa

ficticia Adventure Works Cycles. Adventure Works Cycles es una gran empresa multinacional de fabricación. La empresa fabrica y vende bicicletas de metal y de materiales

compuestos en los mercados de Norteamérica, Europa y Asia. Su sede central de operaciones se encuentra en Bothell, Washington, con 290 empleados, y tiene

distribuidos varios equipos regionales de ventas en toda su base de mercado internacional. Para obtener más información acerca de la base de datos de ejemploAdventureWorksDW2012 , vea Data Mining Concepts.


Adventure Works Cycles ha decidido ampliar su análisis de datos mediante la creación de una aplicación personalizada que use la funcionalidad de minería de datos. El

objetivo de la aplicación personalizada es poder:

Tomar como datos de entrada características concretas acerca de un cliente potencial y predecir si adquirirá una bicicleta.

Tomar como datos de entrada una lista de clientes potenciales, así como características acerca de los clientes, y predecir qué clientes adquirirán una bicicleta.

En el primer caso, los datos del cliente provienen de una página de registro de clientes y, en el segundo caso, el departamento de marketing de Adventure WorksCycles proporciona una lista de clientes potenciales.

Además, el departamento de marketing ha solicitado la capacidad de agrupar clientes existentes en categorías basadas en características como, por ejemplo, su lugarde residencia, el número de hijos que tienen y la distancia que tienen que recorrer para llegar al trabajo. Desean ver si estos clústeres se pueden usar para ayudar adirigir campañas a tipos concretos de clientes. Esto requerirá un modelo de minería de datos adicional.

Microsoft SQL Server Analysis Services proporciona varias herramientas que se pueden utilizar para realizar estas tareas:

El lenguaje de consulta DMX

El Algoritmo de árboles de decisión de Microsoft y el Algoritmo de clústeres de Microsoft

El Editor de consultas de SQL Server Management Studio

Extensiones de minería de datos ﴾DMX﴿ es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear y trabajar con modelos de minería dedatos. El algoritmo de árboles de decisión de Microsoft crea modelos que se pueden utilizar para predecir si alguien adquirirá una bicicleta. El modelo resultante

puede tomar un cliente individual o una tabla de clientes como entrada. El algoritmo de clústeres de Microsoft puede crear agrupaciones de clientes basadas encaracterísticas compartidas. El objetivo de este tutorial es proporcionar los scripts DMX que se utilizarán en la aplicación personalizada.

Para obtener más información: Soluciones de minería de datos

Estructura de minería de datos y modelos de minería de datos

Antes de empezar a crear instrucciones DMX, es importante comprender los objetos principales utilizados por Analysis Services para crear modelos de minería dedatos. La estructura de minería de datos es una estructura de datos que define el dominio de datos a partir del cual se generan los modelos de minería de datos. Una

estructura de minería de datos sencilla puede contener varios modelos de minería de datos que comparten el mismo dominio. Un modelo de minería de datos aplicaun algoritmo de modelo de minería a los datos, que se representan en una estructura de minería de datos.

Las unidades de creación de la estructura de minería de datos son las columnas de la estructura de minería de datos, que describen los datos que contiene el origende datos. Estas columnas contienen información como el tipo de datos, el tipo de contenido y el modo en que se distribuyen los datos.

Las columnas de los modelos de minería de datos deben incluir la columna de clave descrita en la estructura de minería de datos, así como un subconjunto de lascolumnas restantes. El modelo de minería de datos define el uso de cada columna y el algoritmo utilizado para crearlo. Por ejemplo, en DMX puede especificar que

una columna sea una columna de clave o una columna PREDICT. Si una columna no se especifica, se considera que es una columna de entrada.

En DMX, hay dos formas de crear modelos de minería de datos. Puede crear la estructura de minería de datos y el modelo de minería de datos asociado juntos,utilizando la instrucción CREATE MINING MODEL, o bien, puede crear primero una estructura de minería de datos, utilizando la instrucción CREATE MININGSTRUCTURE, y, a continuación, agregar un modelo de minería de datos a la estructura, utilizando la instrucción ALTER STRUCTURE. Estos métodos se describen en lasiguiente tabla.

CREATE MINING MODEL

Utilice esta instrucción para crear una estructura de minería de datos y el modelo de minería de datos asociado juntos, con el mismo nombre. Se anexa

"Structure" al nombre del modelo de minería de datos para diferenciarlo de la estructura de minería de datos. Esta instrucción resulta útil si crea una estructurade minería de datos que incluirá un único modelo de minería de datos.

Para obtener más información, vea CREATE MINING MODEL (DMX).

ALTER MINING STRUCTURE

Utilice esta instrucción para agregar un modelo de minería de datos a una estructura de minería de datos que ya existe en el servidor. Esta instrucción resulta útilsi desea crear una estructura de minería de datos que incluya varios modelos de minería de datos. Hay varios motivos por los que puede desear agregar másde un modelo de minería de datos en una única estructura de minería de datos. Por ejemplo, podría crear varios modelos de minería de datos que utilizasealgoritmos distintos para ver cuál funciona mejor. Podría crear varios modelos de minería de datos que utilizara el mismo algoritmo, pero con un parámetroestablecido de forma distinta para cada uno de ellos, para encontrar el mejor valor para el parámetro.

SQL Server 2014







Para obtener más información, vea ALTER MINING STRUCTURE (DMX).

Puesto que creará una estructura de minería de datos que contiene varios modelos de minería de datos, utilizará el segundo método en este tutorial.

Para obtener más información

Referencia de Extensiones de minería de datos ﴾DMX﴿ , Descripción de la instrucción Select ﴾DMX﴿, Estructura y uso de las consultas de predicción DMX

Aprendizaje


Lección 1: Crear la estructura de minería de datos de Bike BuyerEn esta lección aprenderá a usar la instrucción CREATE para crear estructuras de minería de datos.

Lección 2: Agregar modelos de minería de datos a la estructura de minería de datos de Bike BuyerEn esta lección aprenderá a usar la instrucción ALTER para agregar modelos de minería de datos a una estructura de minería de datos.

Lección 3: Procesar la estructura de minería de datos de Bike BuyerEn esta lección aprenderá a usar la instrucción INSERT INTO para procesar estructuras de minería de datos y sus modelos de minería de datos asociados.

Lección 4: Examinar los modelos de minería de datos de Bike BuyerEn esta lección aprenderá a utilizar la instrucción SELECT para explorar el contenido de los modelos de minería de datos.

Lección 5: Ejecutar consultas de predicciónEn esta lección aprenderá a usar la instrucción PREDICTION JOIN para crear predicciones basadas en modelos de minería de datos.

Requisitos

Antes de hacer este tutorial, asegúrese de que los siguientes componentes estén instalados:

Microsoft SQL Server

Microsoft SQL Server 2005 Analysis Services (SSAS), SQL Server 2008 Analysis Services (SSAS), SQL Server 2014 Analysis Services (SSAS) o SQL Server Analysis

Services

La base de datos AdventureWorksDW2012 . Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para

instalar las bases de datos de ejemplo oficiales para Microsoft SQL Server, vaya a la página Bases de datos de ejemplo de Microsoft SQL y seleccione las bases

de datos que desea instalar. Para obtener más información acerca de cómo instalar las bases de datos de ejemplo, vea Initial Installation (Analysis Services).

Nota

Para consultar los tutoriales, se recomienda agregar los botones Siguiente y Anterior a la barra de herramientas del visor de documentos. Para obtener másinformación, vea Adding Next and Previous Buttons to Help.

Vea también

TasksTutorial básico de minería de datosConceptosTutorial DMX de Market Basket
















Lección 1: Crear la estructura de minería de datos de BikeBuyer

En esta lección creará una estructura de minería de datos que permita predecir si un cliente potencial de Adventure Works Cycles adquirirá una bicicleta. Si no estáfamiliarizado con las estructuras de minería de datos y su rol en la minería de datos, vea Estructuras de minería de datos ﴾Analysis Services ‐ Minería de datos﴿.

La estructura de minería de datos de Bike Buyer que creará en esta lección admite la adición de modelos de minería de datos basados en el Algoritmo de clústeres deMicrosoftAlgoritmo de árboles de decisión de Microsoft. En lecciones posteriores, utilizará los modelos de minería de datos de agrupación en clústeres para explorar lasdistintas formas en las que los clientes pueden agruparse, y utilizará los modelos de minería de datos del árbol de decisión para predecir si un cliente potencial adquiriráuna bicicleta.

Instrucción CREATE MINING STRUCTURE

Para crear una estructura de minería de datos, se utiliza la instrucción CREATE MINING STRUCTURE (DMX). El código de la instrucción se puede dividir en las partessiguientes:

Asignación de un nombre a la estructura.

Definición de la columna de clave.

Definición de las columnas de minería de datos.

Definición de un conjunto de datos de pruebas opcional.

A continuación, se incluye un ejemplo genérico de la instrucción CREATE MINING STRUCTURE:

En la primera línea del código se define el nombre de la estructura:

Para obtener información sobre cómo denominar un objeto en Extensiones de minería de datos ﴾DMX﴿, vea Identificadores (DMX).

En la siguiente línea del código se define la columna de clave para la estructura de minería de datos, que identifica de forma única una entidad de los datos de origen:

En la estructura de minería de datos que va a crear, el identificador de cliente, CustomerKey, define una entidad en los datos de origen.

La siguiente línea del código se utiliza para definir las columnas de minería de datos que usarán los modelos de minería de datos asociados a la estructura de mineríade datos:

Puede utilizar la función DISCRETIZE en <mining structure columns> para discretizar columnas continuas con la siguiente sintaxis:

DISCRETIZE(<method>,<number of buckets>)

Para obtener más información acerca de la discretización de columnas, vea Métodos de discretización ﴾minería de datos﴿. Para obtener más información acerca de lostipos de columnas de la estructura de minería de datos que puede definir, vea Columnas de la estructura de minería de datos.

La línea final del código define una partición opcional en la estructura de minería de datos:

Se especifica una parte de los datos que se van a utilizar para probar los modelos de minería relacionados con la estructura y los datos restantes se utilizan para elaprendizaje de los modelos. De forma predeterminada, Analysis Services crea un conjunto de datos de pruebas que contiene el 30 por ciento de todos los datos del

caso. Debe agregar la especificación donde se indique que el conjunto de datos de pruebas debería contener el 30 por ciento de los casos hasta un máximo de 1000.

SQL Server 2014

CREATE MINING STRUCTURE [<mining structure name>]

(

<key column>,

<mining structure columns>

)

WITH HOLDOUT (<holdout specifier>)

CREATE MINING STRUCTURE [<mining structure name>]

<key column>,


WITH HOLDOUT (<holdout specifier>)








Si el 30 por ciento de los casos es menor que 1000, el conjunto de datos de pruebas contendrá la cantidad menor.

Tareas de la lección

En esta lección realizará las tareas siguientes:

Crear una consulta en blanco.

Modificar la consulta para crear la estructura de minería de datos.

Ejecutar la consulta.

Crear la consulta

El primer paso es conectarse a una instancia de Analysis Services y crear una consulta DMX en SQL Server Management Studio.

Para crear una consulta DMX mediante SQL Server Management Studio

1. Abra SQL Server Management Studio.

2. En el cuadro de diálogo Conectar al servidor, para Tipo de servidor, seleccione Analysis Services. En Nombre del servidor, escriba LocalHost o el nombre de

la instancia de Analysis Services a la que desee conectarse para esta lección. Haga clic en Conectar.

3. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consultay, a continuación, haga clic enDMX para abrir el Editor de consultas y una nueva consulta en blanco.

Modificar la consulta

El paso siguiente es modificar la instrucción CREATE MINING STRUCTURE descrita anteriormente para crear la estructura de minería de datos de Bike Buyer.

Para personalizar la instrucción CREATE MINING STRUCTURE

1. En el Editor de consultas, copie el ejemplo genérico de la instrucción CREATE MINING STRUCTURE en la consulta en blanco.

2. Reemplace lo siguiente:

por:


por:


por:

[<mining structure>]

[Bike Buyer]

<key column>

CustomerKey LONG KEY


[Age] LONG DISCRETIZED(Automatic,10),

[Bike Buyer] LONG DISCRETE,

[Commute Distance] TEXT DISCRETE,

[Education] TEXT DISCRETE,


por:

Ahora, la instrucción completa de la estructura de minería de datos debería ser como sigue:

6. En el menú Archivo, haga clic en Guardar DMXQuery1.dmx como.

7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Bike Buyer Structure.dmx al archivo.

Ejecutar la consulta

El último paso es ejecutar la consulta. Una vez creada y guardada una consulta, tiene que ejecutarse. Es decir, la instrucción tiene que ejecutarse para crear la estructurade minería de datos en el servidor. Para obtener más información acerca de la ejecución de consultas en el Editor de consultas, vea Editor de consultas del motor de

base de datos (SQL Server Management Studio).

Para ejecutar la consulta

En la barra de herramientas del Editor de consultas, haga clic en Ejecutar.

El estado de la consulta aparece en la pestaña Mensajes, en la parte inferior del Editor de consultas, después de finalizar la ejecución de la instrucción. En

Mensajes, debe aparecer lo siguiente:

Ahora hay una nueva estructura denominada Bike Buyer en el servidor.

En la siguiente lección agregará modelos de minería de datos a la estructura que acaba de crear.

Lección siguiente

Lección 2: Agregar modelos de minería de datos a la estructura de minería de datos de Bike Buyer

[Gender] TEXT DISCRETE,

[House Owner Flag] TEXT DISCRETE,

[Marital Status] TEXT DISCRETE,

[Number Cars Owned] LONG DISCRETE,

[Number Children At Home] LONG DISCRETE,

[Occupation] TEXT DISCRETE,

[Region] TEXT DISCRETE,

[Total Children]LONG DISCRETE,

[Yearly Income] DOUBLE CONTINUOUS

WITH HOLDOUT (holdout specifier>)

WITH HOLDOUT (30 PERCENT or 1000 CASES)

CREATE MINING STRUCTURE [Bike Buyer]

(

[Customer Key] LONG KEY,

[Age]LONG DISCRETIZED(Automatic,10),

[Bike Buyer] LONG DISCRETE,

[Commute Distance] TEXT DISCRETE,

[Education] TEXT DISCRETE,

[Gender] TEXT DISCRETE,

[House Owner Flag] TEXT DISCRETE,

[Marital Status] TEXT DISCRETE,

[Number Cars Owned]LONG DISCRETE,

[Number Children At Home]LONG DISCRETE,

[Occupation] TEXT DISCRETE,

[Region] TEXT DISCRETE,

[Total Children]LONG DISCRETE,

[Yearly Income] DOUBLE CONTINUOUS

)

WITH HOLDOUT (30 PERCENT or 1000 CASES)

Executing the query

Execution complete




Lección 2: Agregar modelos de minería de datos a laestructura de minería de datos de Bike Buyer

En esta lección se agregarán dos modelos de minería de datos a la estructura de minería de datos Bike Buyer creada en Lección 1: Crear la estructura de minería de datosde Bike Buyer. Estos modelos de minería de datos le permitirán explorar los datos usando un modelo y crear predicciones usando otro modelo.

Para explorar cómo se puede clasificar en categorías a los clientes potenciales según sus características, creará un modelo de minería de datos basado en el Algoritmo

de clústeres de Microsoft. En una lección posterior, explorará cómo este algoritmo encuentra clústeres de clientes que comparten características parecidas. Por ejemplo,

podría averiguar que ciertos clientes tienden a vivir cerca unos de otros, van al trabajo en bicicleta y tienen una formación parecida. Puede utilizar estos clústeres paracomprender mejor cómo están relacionados distintos clientes y para utilizar la información para crear una estrategia de marketing dirigida a clientes concretos.

Para predecir si es probable que un cliente potencial adquiera una bicicleta, creará un modelo de minería de datos basado en el Algoritmo de árboles de decisión deMicrosoft. Este algoritmo examina la información asociada a cada cliente potencial y encuentra características útiles para predecir si adquirirá una bicicleta. A continuación,compara los valores de las características de compradores de bicicletas anteriores con los nuevos clientes potenciales para determinar si es probable que éstosadquieran una bicicleta.

Instrucción ALTER MINING STRUCTURE

Para agregar un modelo de minería de datos a la estructura de minería de datos, se utiliza la instrucción ALTER MINING STRUCTURE (DMX). El código de la instrucciónse puede dividir en las partes siguientes:

Identificación de la estructura de minería de datos

Asignación de un nombre al modelo de minería de datos

Definición de la columna de clave

Definición de las columnas de entrada y de predicción

Identificación de los cambios de parámetros y el algoritmo

A continuación, se incluye un ejemplo genérico de la instrucción ALTER MINING MODEL:

La primera línea de código identifica la estructura de minería de datos existente a la que se agregarán los modelos de minería de datos:

La siguiente línea de código asigna un nombre al modelo de minería de datos que se agregará a la estructura de minería de datos:

Para obtener información acerca de cómo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).

Las líneas siguientes del código definen columnas de la estructura de minería de datos que utilizará el modelo de minería de datos:

Solo puede utilizar columnas que ya existan en la estructura de minería de datos, y la primera columna de la lista debe ser la columna de clave de la estructura deminería de datos.

La siguiente línea de código define el algoritmo de minería de datos que genera el modelo de minería de datos y los parámetros de algoritmo que puedenestablecerse:

SQL Server 2014

ALTER MINING STRUCTURE [<mining structure name>]

ADD MINING MODEL [<mining model name>]

(

[<key column>],

<mining model columns>,

) USING <algorithm name>( <algorithm parameters> )

WITH FILTER (<expression>)



[<key column>],

<mining model columns>

) USING <algorithm name>( <algorithm parameters> )








Para obtener más información acerca de los parámetros del algoritmo que puede ajustar, vea Algoritmo de árboles de decisión de Microsoft y Algoritmo de clústeresde Microsoft.

Puede especificar que una columna del modelo de minería de datos se utilice para la predicción mediante la sintaxis siguiente:

La última línea de código, que es opcional, define un filtro que se aplica durante el aprendizaje y prueba del modelo. Para obtener información sobre la forma deaplicar filtros a los modelos de minería de datos, vea Filtros para modelos de minería ﴾Analysis Services ‐ Minería de datos﴿.



Agregar un modelo de minería de datos del árbol de decisión a la estructura Bike Buyer mediante el algoritmo Árboles de decisión de Microsoft.

Agregar un modelo de minería de datos de agrupación en clústeres a la estructura Bike Buyer mediante el algoritmo de clústeres de Microsoft.

Dado que desean verse los resultados para todos los casos, todavía no se agrega un filtro a ningún modelo.

Agregar un modelo de minería de datos del árbol de decisión a la estructura

El primer paso es agregar un modelo de minería de datos basado en el algoritmo Árboles de decisión de Microsoft.

Para agregar un modelo de minería de datos del árbol de decisión

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consultay, a continuación, haga clic enDMX para abrir el Editor de consultas y una nueva consulta en blanco.

2. Copie el ejemplo genérico de la instrucción ALTER MINING STRUCTURE en la consulta en blanco.


por:


por:


por:

<mining model column> PREDICT

<mining structure name>

[Bike Buyer]

<mining model name>

Decision Tree


(

CustomerKey,

[Age],

[Bike Buyer] PREDICT,

[Commute Distance],

[Education],

[Gender],

[House Owner Flag],




En este caso, la columna [Bike Buyer] se ha designado como columna PREDICT.


por:

La instrucción WITH DRILLTHROUGH permite explorar los casos utilizados para generar el modelo de minería de datos.

Ahora, la instrucción resultante debería ser como sigue:


8. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre DT_Model.dmx al archivo.

9. En la barra de herramientas, haga clic en el botón Ejecutar.

Agregar un modelo de minería de datos de agrupación en clústeres a la estructura

A continuación, podrá agregar un modelo de minería de datos a la estructura de minería de datos Bike Buyer basado en el algoritmo de clústeres de Microsoft. Puesto

que el modelo de minería de datos de agrupación en clústeres utilizará todas las columnas definidas en la estructura de minería de datos, puede utilizar un accesodirecto para agregar el modelo a la estructura sin incluir la definición de las columnas de minería de datos.

Para agregar un modelo de minería de datos de agrupación en clústeres

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consulta y, a continuación, haga clic enDMX para abrir el Editor de consultas y una nueva consulta en blanco.



por:

[Marital Status],

[Number Cars Owned],

[Number Children At Home],

[Occupation],

[Region],

[Total Children],

[Yearly Income]

USING <algorithm name>( <algorithm parameters> )

Using Microsoft_Decision_Trees

WITH DRILLTHROUGH

ALTER MINING STRUCTURE [Bike Buyer]

ADD MINING MODEL [Decision Tree]

(

CustomerKey,

[Age],

[Bike Buyer] PREDICT,

[Commute Distance],

[Education],

[Gender],

[House Owner Flag],

[Marital Status],



[Occupation],

[Region],

[Total Children],

[Yearly Income]

) USING Microsoft_Decision_Trees

WITH DRILLTHROUGH


[Bike Buyer]


por:

5. Elimine lo siguiente:


por:

Ahora la apariencia de la instrucción completa debe ser como la siguiente:


8. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Clustering_Model.dmx al archivo.


En la siguiente lección procesará los modelos y la estructura de minería de datos.

Lección siguiente

Lección 3: Procesar la estructura de minería de datos de Bike Buyer


<mining model>

Clustering Model

(

[<key column>],


)

USING <algorithm name>( <algorithm parameters> )

USING Microsoft_Clustering

ALTER MINING STRUCTURE [Bike Buyer]

ADD MINING MODEL [Clustering]

USING Microsoft_Clustering


Lección 3: Procesar la estructura de minería de datos de BikeBuyer

En esta lección usará la instrucción INSERT INTO y la vista vTargetMail de la base de datos de muestra AdventureWorksDW2012 para procesar las estructuras y los

modelos de minería de datos creados en la Lección 1: Crear la estructura de minería de datos de Bike Buyer y en la Lección 2: Agregar modelos de minería de datos a laestructura de minería de datos de Bike Buyer.

Al procesar una estructura de minería de datos, Analysis Services lee los datos de origen y genera las estructuras que admiten los modelos de minería de datos. Al

procesar un modelo de minería de datos, los datos definidos por la estructura de minería de datos se pasan por el algoritmo de minería de datos que elija. El algoritmo

busca tendencias y patrones y, a continuación, almacena esta información en el modelo de minería de datos. Por consiguiente, el modelo de minería de datos no contienelos datos de origen reales, sino la información descubierta por el algoritmo. Para obtener más información sobre cómo procesar modelos de minería de datos, veaRequisitos y consideraciones de procesamiento ﴾minería de datos﴿.

Solamente necesita volver a procesar una estructura de minería de datos si cambia una columna de la estructura o los datos de origen. Si agrega un modelo de mineríade datos a una estructura de minería de datos que ya se ha procesado, puede usar la instrucción INSERT INTO MINING MODEL para entrenar el nuevo modelo deminería de datos.

Entrenar la plantilla de la estructura

Para entrenar la estructura de minería de datos y los modelos de minería de datos asociados, use la instrucción INSERT INTO (DMX). El código de la instrucción sepuede dividir en las partes siguientes:


Visualización en una lista de las columnas de la estructura de minería de datos

Definición de los datos de entrenamiento

A continuación, se incluye un ejemplo genérico de la instrucción INSERT INTO:

La primera línea del código identifica la estructura de minería de datos que se entrenará:

La línea siguiente del código especifica las columnas definidas por la estructura de minería de datos. Debe incluir en la lista cada una de las columnas de la estructura

de minería de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen:

La última línea del código define los datos que se usarán para entrenar la estructura de minería de datos:

En esta lección usará OPENQUERY para definir los datos de origen. Para obtener información acerca de otros métodos para definir la consulta de origen, vea <source

data query>.


En esta lección realizará la tarea siguiente:

Procesar la estructura de minería de datos de Bike Buyer

Procesar la estructura de minería de datos de predicción

SQL Server 2014

INSERT INTO MINING STRUCTURE [<mining structure name>]

(


)

OPENQUERY([<datasource>],'<SELECT statement>')


(


)







Para procesar la estructura de minería de datos con INSERT INTO

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consulta y haga clic en DMX.

Se abre el Editor de consultas, que contiene una consulta nueva en blanco.

2. Copie el ejemplo genérico de la instrucción INSERT INTO en la consulta en blanco.


por:


por:


por:

La instrucción OPENQUERY hace referencia al origen de datos de Adventure Works DW Multidimensional 2012 para obtener acceso a la vista vTargetMail. La

vista contiene los datos de origen que se usarán para entrenar los modelos de minería de datos.

Ahora la apariencia de la instrucción completa debe ser como la siguiente:

[<mining structure name>]

Bike Buyer


[Customer Key],

[Age],

[Bike Buyer],

[Commute Distance],

[Education],

[Gender],

[House Owner Flag],

[Marital Status],



[Occupation],

[Region],

[Total Children],

[Yearly Income]


OPENQUERY([Adventure Works DW],

'SELECT CustomerKey, Age, BikeBuyer,

CommuteDistance,EnglishEducation,

Gender,HouseOwnerFlag,MaritalStatus,

NumberCarsOwned,NumberChildrenAtHome,

EnglishOccupation,Region,TotalChildren,

YearlyIncome

FROM dbo.vTargetMail')

INSERT INTO MINING STRUCTURE [Bike Buyer]

(

[Customer Key],

[Age],

[Bike Buyer],

[Commute Distance],

[Education],

[Gender],

[House Owner Flag],

[Marital Status],


7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Process Bike Buyer Structure.dmx al archivo.


En la siguiente lección explorará el contenido de los modelos de minería de datos que ha agregado a la estructura de minería de datos en esta lección.

Lección siguiente

Lección 4: Examinar los modelos de minería de datos de Bike Buyer




[Occupation],

[Region],

[Total Children],

[Yearly Income]

)

OPENQUERY([Adventure Works DW],

'SELECT CustomerKey, Age, BikeBuyer,

CommuteDistance,EnglishEducation,

Gender,HouseOwnerFlag,MaritalStatus,

NumberCarsOwned,NumberChildrenAtHome,

EnglishOccupation,Region,TotalChildren,

YearlyIncome

FROM dbo.vTargetMail')


Lección 4: Examinar los modelos de minería de datos de BikeBuyer

En esta lección utilizará la instrucción SELECT (DMX) para explorar el contenido de los modelos de minería de datos del árbol de decisión y de la agrupación en clústerescreada en Lección 2: Agregar modelos de minería de datos a la estructura de minería de datos Bike Buyer.

Las columnas incluidas en un modelo de minería de datos no son las columnas definidas por la estructura de minería de datos, sino un conjunto específico de columnasque describen las tendencias y los patrones encontrados por el algoritmo. Estas columnas del modelo de minería de datos se describen en el conjunto de filas delesquema DMSCHEMA_MINING_MODEL_CONTENT. Por ejemplo, la columna MODEL_NAME del conjunto de filas del esquema de contenido incluye el nombre del modelo

de minería de datos. Para un modelo de minería de datos de agrupación en clústeres, la columna NODE_CAPTION contiene el nombre de cada clúster y la columnaNODE_DESCRIPTION, una descripción de las características de cada clúster. Puede examinar estas columnas si utiliza la instrucción SELECT FROM <model>.CONTENT enDMX. También puede utilizar esta instrucción para explorar los datos utilizados para crear el modelo de minería de datos. La obtención de detalles debe estar habilitadaen la estructura de minería de datos para poder usar esta instrucción. Para obtener más información acerca de la instrucción, vea SELECT FROM <model>.CASES (DMX).

También se pueden devolver todos los estados de una columna discreta mediante la instrucción SELECT DISTINCT. Por ejemplo, si realiza esta operación en una columnaque contiene géneros, la consulta devolverá male y female.



Explorar el contenido incluido en los modelos de minería de datos

Devolver los casos de los datos de origen utilizados para entrenar los modelos de minería de datos

Explorar los distintos estados disponibles para una columna discreta específica

Devolver el contenido de un modelo de minería de datos

En esta lección utilizará la instrucción SELECT FROM <model>.CONTENT (DMX) para devolver el contenido del modelo de agrupación en clústeres.

A continuación, se incluye un ejemplo genérico de la instrucción SELECT FROM <model>.CONTENT:

En la primera línea del código se definen las columnas que deben devolverse a partir del contenido del modelo de minería de datos y el modelo de minería de datosal que están asociadas:

La cláusula .CONTENT junto al nombre del modelo de minería de datos especifica que se devuelve el contenido del modelo de minería de datos. Para obtener másinformación acerca de las columnas incluidas en el modelo de minería de datos, vea Conjunto de filas DMSCHEMA_MINING_MODEL_CONTENT.

Opcionalmente, puede utilizar la última línea del código para filtrar los resultados devueltos por la instrucción:

Por ejemplo, si desea restringir los resultados de la consulta a solo los clústeres que contengan un gran número de casos, puede agregar la siguiente cláusula WHEREa la instrucción SELECT:

Para obtener más información acerca de cómo utilizar la instrucción WHERE, vea SELECT (DMX).

Para devolver el contenido del modelo de minería de datos de agrupación en clústeres



2. Copie el ejemplo genérico de la instrucción SELECT FROM <model>.CONTENT en la consulta en blanco.


SQL Server 2014

SELECT <select list> FROM [<mining model>].CONTENT

WHERE <where clause>

SELECT <select list> FROM [<mining model].CONTENT

WHERE <where clause>

WHERE NODE_SUPPORT > 100








por:

También puede reemplazar * por una lista de cualquiera de las columnas incluidas en el conjunto de filas DMSCHEMA_MINING_MODEL_CONTENT.


por:

Ahora, la instrucción completa debería ser como sigue:


6. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre SELECT_CONTENT.dmx al archivo.


La consulta devuelve el contenido del modelo de minería de datos.

Usar la obtención de detalles

El paso siguiente es usar la instrucción de obtención de detalles para devolver el muestreo de los casos utilizados para entrenar el modelo de minería de datos delárbol de decisión. En esta lección utilizará la instrucción SELECT FROM <model>.CASES (DMX) para devolver el contenido del modelo del árbol de decisión.

A continuación, se incluye un ejemplo genérico de la instrucción SELECT FROM <model>.CASES:

En la primera línea del código se definen las columnas que deben devolverse a partir de los datos de origen y el modelo de minería de datos en el que se incluyen:

La cláusula .CASES especifica que se está realizando una consulta de obtención de detalles. Para poder utilizar la obtención de detalles, debe habilitarla al crear elmodelo de minería de datos.

La última línea del código es opcional y especifica el nodo del modelo de minería de datos del que se solicitan casos:

Para obtener más información acerca de cómo utilizar la instrucción WHERE con IsInNode, vea SELECT FROM <model>.CASES (DMX).

Para devolver los casos utilizados para entrenar el modelo de minería de datos



2. Copie el ejemplo genérico de la instrucción SELECT FROM <model>.CASES en la consulta en blanco.


<select list>

*

[<mining model>]

[Clustering]

SELECT * FROM [Clustering].CONTENT

SELECT <select list>

FROM [<mining model>].CASES

WHERE IsInNode('<node id>')

SELECT <select list> FROM [<mining model>].CASES

WHERE IsInNode('<node id>')




por:

También puede reemplazar * por una lista de las columnas incluidas dentro de los datos de origen ﴾como [Bike Buyer]﴿.


por:



6. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre SELECT_DRILLTHROUGH.dmx al archivo.


La consulta devuelve los datos de origen utilizados para entrenar el modelo de minería de datos del árbol de decisión.

Devolver los estados de una columna discreta del modelo de minería de datos

El paso siguiente es utilizar la instrucción SELECT DISTINCT para devolver los distintos estados posibles en la columna del modelo de minería de datos que se haespecificado.

A continuación, se incluye un ejemplo genérico de la instrucción SELECT DISTINCT:

En la primera línea del código se definen las columnas del modelo de minería de datos para las que se devolverán estados:

Debe incluir DISTINCT para devolver todos los estados de la columna. Si no incluye DISTINCT, la instrucción completa se convierte en un acceso directo para unapredicción y devuelve el estado más probable de la columna especificada. Para obtener más información, vea SELECT (DMX).

Para devolver los estados de una columna discreta



2. Copie el ejemplo genérico de la instrucción SELECT DISTINCT en la consulta en blanco.


por:

<select list>

*

[<mining model>]

[Decision Tree]

SELECT *

FROM [Decision Tree].CASES

SELECT DISTINCT [<column>]

FROM [<mining model>]

SELECT DISTINCT [<column>]

[<column,name>



por:



6. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre SELECT_DISCRETE.dmx al archivo.


La consulta devuelve los estados posibles de la columna Bike Buyer.

En la siguiente lección predecirá si los clientes potenciales serán compradores de bicicletas, utilizando el modelo de minería de datos del árbol de decisión.

Lección siguiente

Lección 5: Ejecutar consultas de predicción


[Bike Buyer]

[<mining model>]

[Decision Tree]

SELECT DISTINCT [Bike Buyer]

FROM [Decision Tree]


Lección 5: Ejecutar consultas de predicción

En esta lección utilizará el formato SELECT FROM <model> PREDICTION JOIN (DMX) de la instrucción SELECT para crear dos tipos distintos de predicciones basados en elmodelo del árbol de decisión creado en Lección 2: agregar modelos de minería de datos a la estructura de minería de datos. Estos tipos de predicciones se definen a

continuación.

Consulta singleton

Use una consulta singleton para proporcionar valores ad hoc al realizar predicciones. Por ejemplo, puede determinar si es probable que un cliente sea un

comprador de bicicletas pasando entradas a la consulta, como la distancia al lugar de trabajo, el prefijo telefónico o el número de hijos del cliente. La consulta

singleton devuelve un valor que indica la probabilidad de que la persona compre una bicicleta basándose en esas entradas.

Consulta por lotes

Utilice una consulta por lotes para determinar qué clientes potenciales incluidos en una tabla es probable que adquieran una bicicleta. Por ejemplo, si el

departamento de marketing le proporciona una lista de clientes y atributos de clientes, puede utilizar una predicción por lotes para determinar qué clientes de latabla es probable que adquieran una bicicleta.

El formato SELECT FROM <model> PREDICTION JOIN (DMX) de la instrucción SELECT consta de tres partes:

Una lista de las funciones de predicción y las columnas del modelo de minería de datos devueltas en los resultados. Los resultados también pueden incluircolumnas de entrada de los datos de origen.

La consulta de origen que define los datos que se utilizan para crear una predicción. Por ejemplo, en una consulta por lotes, podría ser una lista de clientes.

Una asignación entre las columnas del modelo de minería de datos y los datos de origen. Si los nombres coinciden, puede utilizar la sintaxis NATURAL y no incluir

las asignaciones de columnas.

La consulta se puede mejorar aún más si se utilizan funciones de predicción. Las funciones de predicción proporcionan información adicional como, por ejemplo, laprobabilidad de que se produzca una predicción, y ofrecen compatibilidad con la predicción en el conjunto de datos de entrenamiento. Para obtener más informaciónacerca de las funciones de predicción, vea Funciones (DMX).

Las predicciones de este tutorial se basan en la tabla ProspectiveBuyer de la base de datos de ejemplo AdventureWorksDW2012 . La tabla ProspectiveBuyer contiene una

lista de clientes potenciales y de sus características asociadas. Los clientes de esta tabla son independientes de los clientes utilizados para crear el modelo de minería dedatos del árbol de decisión.

También se pueden crear predicciones usando el generador de consultas de predicción de SQL Server Data Tools ﴾SSDT﴿.



Crear una consulta singleton para determinar si es probable que un cliente específico adquiera una bicicleta.

Crear una consulta por lotes para determinar qué clientes de los incluidos en una tabla es probable que adquieran una bicicleta.

Consulta singleton

El primer paso es usar SELECT FROM <modelo> PREDICTION JOIN (DMX) en una consulta de predicción singleton. A continuación, se incluye un ejemplo genérico de lainstrucción singleton:

En la primera línea del código se definen las columnas del modelo de minería de datos que debe devolver la consulta y se especifica el modelo de minería de datosusado para generar la predicción:

En las líneas siguientes del código se definen las características del cliente que se utilizan para crear una predicción:

SQL Server 2014

SELECT <select list> FROM [<mining model name>]


(SELECT '<value>' AS [<column>], ...)

AS [<input alias>]

SELECT <select list> FROM [<mining model name>]


(SELECT '<value>' AS [<column>], ...)

AS [<input alias>]

ORDER BY <expression>






Si especifica NATURAL PREDICTION JOIN, el servidor compara los nombres de cada columna del modelo con los nombres de las columnas de los datos de entrada. Si

los nombres de columna no coinciden, las columnas se omiten.

Para crear una consulta de predicción singleton



2. Copie el ejemplo genérico de la instrucción singleton en la consulta en blanco.


por:

La instrucción AS se utiliza para asignar un alias a las columnas devueltas por la consulta. La función PredictHistogram devuelve estadísticas acerca de lapredicción, incluidas la probabilidad y la compatibilidad. Para obtener más información acerca de las funciones que se pueden utilizar en una instrucción depredicción, vea Funciones (DMX).


por:


por:



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Singleton_Query.dmx al archivo.


La consulta devuelve una predicción acerca de si un cliente con las características especificadas adquirirá una bicicleta, así como estadísticas acerca de lapredicción.

<select list>

[Bike Buyer] AS Buyer, PredictHistogram([Bike Buyer]) AS Statistics

[<mining model>]

[Decision Tree]

(SELECT '<value>' AS [<column name>], ...) AS t

(SELECT 35 AS [Age],

'5-10 Miles' AS [Commute Distance],

'1' AS [House Owner Flag],

2 AS [Number Cars Owned],

2 AS [Total Children]) AS t

SELECT

[Bike Buyer] AS Buyer,

PredictHistogram([Bike Buyer]) AS Statistics

FROM

[Decision Tree]


(SELECT 35 AS [Age],

'5-10 Miles' AS [Commute Distance],

'1' AS [House Owner Flag],

2 AS [Number Cars Owned],

2 AS [Total Children]) AS t



Consulta por lotes

El paso siguiente es utilizar SELECT FROM <modelo> PREDICTION JOIN (DMX) en una consulta de predicción por lotes. A continuación, se incluye un ejemplo genéricode una instrucción por lotes:

Como en la consulta singleton, en las dos primeras líneas del código se definen las columnas del modelo de minería de datos devueltas por la consulta, así como elnombre del modelo de minería de datos utilizado para generar la predicción. La instrucción TOP <number> especifica que la consulta solo devolverá el número o losresultados especificados por <number>.

En las líneas siguientes del código se definen los datos de origen en los que se basan las predicciones:

En cuanto al método utilizado para recuperar los datos de origen, hay varias opciones, pero en este tutorial se usará OPENQUERY. Para obtener más informaciónacerca de las opciones disponibles, vea <source data query>.

En la línea siguiente se definen la asignación entre las columnas de origen del modelo de minería de datos y las columnas de los datos de origen:

La cláusula WHERE filtra los resultados devueltos por la consulta de predicción:

En la última línea del código, que es opcional, se especifica la columna por la cual se ordenarán los resultados:

Utilice ORDER BY en combinación con la instrucción TOP <number> para filtrar los resultados devueltos. Por ejemplo, en esta predicción se devolverán los diezprincipales compradores de bicicletas, ordenados por la probabilidad de que la predicción sea correcta. Puede utilizar la sintaxis [DESC|ASC] para controlar el orden en

el que aparecen los resultados.

Para crear una consulta de predicción por lotes



2. Copie el ejemplo genérico de la instrucción por lotes en la consulta en blanco.


por:

La cláusula TOP 10 especifica que la consulta solo devolverá los diez primeros resultados. La instrucción ORDER BY de esta consulta ordena los resultados segúnla probabilidad de que la predicción sea correcta, por lo que solo se devolverán los diez resultados más probables.

SELECT TOP <number> <select list>

FROM [<mining model name>]

PREDICTION JOIN


AS [<input alias>]

ON <on clause, mapping,>

WHERE <where clause, boolean expression,>



AS [<input alias>]

ON <column mappings>


ORDER BY <expression> [DESC|ASC]

<select list>

SELECT

TOP 10

t.[LastName],

t.[FirstName],

[Decision Tree].[Bike Buyer],

PredictProbability([Bike Buyer])



4. Reemplace el marcador de posición siguiente:

Con el nombre del modelo:

5. Reemplace la instrucción OPENQUERY genérica siguiente:

Con una instrucción que haga referencia al almacenamiento de datos Adventureworks actual, por ejemplo:

6. Reemplace la sintaxis genérica siguiente:

Con las asignaciones de columna necesarias para este modelo y conjunto de datos de entrada:

Especifique DESC para que los resultados con la probabilidad más alta aparezcan primero en la lista.


[<mining model>]

[Decision Tree]


OPENQUERY([Adventure Works DW 2014],

'SELECT

[LastName],

[FirstName],

[MaritalStatus],

[Gender],

[YearlyIncome],

[TotalChildren],

[NumberChildrenAtHome],

[Education],

[Occupation],

[HouseOwnerFlag],

[NumberCarsOwned]

FROM

[dbo].[ProspectiveBuyer]

') AS t

<ON clause, mapping,>



[Decision Tree].[Marital Status] = t.[MaritalStatus] AND

[Decision Tree].[Gender] = t.[Gender] AND

[Decision Tree].[Yearly Income] = t.[YearlyIncome] AND

[Decision Tree].[Total Children] = t.[TotalChildren] AND

[Decision Tree].[Number Children At Home] = t.[NumberChildrenAtHome] AND

[Decision Tree].[Education] = t.[Education] AND

[Decision Tree].[Occupation] = t.[Occupation] AND

[Decision Tree].[House Owner Flag] = t.[HouseOwnerFlag] AND

[Decision Tree].[Number Cars Owned] = t.[NumberCarsOwned]

WHERE [Decision Tree].[Bike Buyer] =1

ORDER BY PredictProbability([Bike Buyer]) DESC

SELECT

TOP 10

t.[LastName],

t.[FirstName],

[Decision Tree].[Bike Buyer],

PredictProbability([Bike Buyer])

FROM

[Decision Tree]

PREDICTION JOIN

OPENQUERY([Adventure Works DW 2014],

'SELECT

[LastName],

[FirstName],


8. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Batch_Prediction.dmx al archivo.


La consulta devuelve una tabla que contiene nombres de cliente, una predicción acerca de si cada cliente adquirirá una bicicleta y la probabilidad de lapredicción.

Éste es el último paso del tutorial de Bike Buyer. Ahora dispone de un conjunto de modelos de minería de datos que puede utilizar para explorar las similitudes entresus clientes y predecir si los clientes potenciales adquirirán una bicicleta.

Para aprender a utilizar DMX en un escenario de Market Basket, vea Tutorial DMX de Market Basket.


[MaritalStatus],

[Gender],

[YearlyIncome],

[TotalChildren],

[NumberChildrenAtHome],

[Education],

[Occupation],

[HouseOwnerFlag],

[NumberCarsOwned]

FROM

[dbo].[ProspectiveBuyer]

') AS t

ON

[Decision Tree].[Marital Status] = t.[MaritalStatus] AND

[Decision Tree].[Gender] = t.[Gender] AND

[Decision Tree].[Yearly Income] = t.[YearlyIncome] AND

[Decision Tree].[Total Children] = t.[TotalChildren] AND

[Decision Tree].[Number Children At Home] = t.[NumberChildrenAtHome] AND

[Decision Tree].[Education] = t.[Education] AND

[Decision Tree].[Occupation] = t.[Occupation] AND

[Decision Tree].[House Owner Flag] = t.[HouseOwnerFlag] AND

[Decision Tree].[Number Cars Owned] = t.[NumberCarsOwned]

WHERE [Decision Tree].[Bike Buyer] =1

ORDER BY PredictProbability([Bike Buyer]) DESC



En este tutorial aprenderá a crear, entrenar y explorar modelos de minería de datos utilizando el lenguaje de consulta Extensiones de minería de datos ﴾DMX﴿. Acontinuación, estos modelos de minería de datos se utilizarán para crear predicciones que describen los productos que tienden a adquirirse simultáneamente.

Los modelos de minería de datos se crearán a partir de los datos incluidos en la base de datos de ejemplo AdventureWorksDW2012 , que almacena datos de la empresa

ficticia Adventure Works Cycles. Adventure Works Cycles es una gran empresa multinacional de fabricación. La empresa fabrica y vende bicicletas de metal y de materiales

compuestos en los mercados de Norteamérica, Europa y Asia. Su sede central de operaciones se encuentra en Bothell, Washington, con 290 empleados, y tiene

distribuidos varios equipos regionales de ventas en toda su base de mercado internacional.


Adventure Works Cycles ha decidido crear una aplicación personalizada que utiliza la funcionalidad de minería de datos para predecir los tipos de productos que losclientes tienden a adquirir simultáneamente. El objetivo de la aplicación personalizada es poder especificar un conjunto de productos y predecir los productosadicionales que se adquirirán con los productos especificados. A continuación, Adventure Works Cycles utilizará esta información para agregar una característica de"sugerencia" a su sitio web y también para organizar mejor la forma en que presenta la información a sus clientes.

Microsoft SQL Server Analysis Services proporciona varias herramientas que se pueden usar para realizar esta tarea:

El lenguaje de consulta DMX

El Algoritmo de asociación de Microsoft


Extensiones de minería de datos ﴾DMX﴿ es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear y trabajar con modelos de minería dedatos. El algoritmo de asociación de Microsoft crea modelos que pueden predecir los productos con probabilidad de adquirirse juntos.

El objetivo de este tutorial es proporcionar las consultas DMX que se utilizarán en la aplicación personalizada.

Para obtener más información: Soluciones de minería de datos

Estructura de minería de datos y modelos de minería de datos

Antes de empezar a crear instrucciones DMX, es importante comprender los objetos principales utilizados por Analysis Services para crear modelos de minería dedatos. La estructura de minería de datos es una estructura de datos que define el dominio de datos a partir del cual se generan los modelos de minería de datos. Una

estructura de minería de datos sencilla puede contener varios modelos de minería de datos que comparten el mismo dominio. Un modelo de minería de datos aplica unalgoritmo de modelo de minería a los datos, que se representan en una estructura de minería de datos.

Las unidades de creación de la estructura de minería de datos son las columnas de la estructura de minería de datos, que describen los datos que contiene el origende datos. Estas columnas contienen información como el tipo de datos, el tipo de contenido y el modo en que se distribuyen los datos.

Las columnas de los modelos de minería de datos deben incluir la columna de clave descrita en la estructura de minería de datos, así como un subconjunto de lascolumnas restantes. El modelo de minería de datos define el uso de cada columna y el algoritmo utilizado para crearlo. Por ejemplo, en DMX puede especificar que

una columna sea una columna de clave o una columna PREDICT. Si una columna no se especifica, se considera que es una columna de entrada.

En DMX, hay dos formas de crear modelos de minería de datos. Puede crear la estructura de minería de datos y el modelo de minería de datos asociado juntosusando la instrucción CREATE MINING MODEL o bien, puede crear primero una estructura de minería de datos usando la instrucción CREATE MINING STRUCTURE y,

a continuación, agregar un modelo de minería de datos a la estructura usando la instrucción ALTER STRUCTURE. Estos métodos se describen a continuación.

CREATE MINING MODEL

Utilice esta instrucción para crear una estructura de minería de datos y el modelo de minería de datos asociado juntos, con el mismo nombre. Se anexa

"Structure" al nombre del modelo de minería de datos para diferenciarlo de la estructura de minería de datos.

Esta instrucción resulta útil si crea una estructura de minería de datos que incluirá un único modelo de minería de datos.

Para obtener más información, vea CREATE MINING MODEL (DMX).

CREATE MINING STRUCTURE

Utilice esta instrucción para crear una nueva estructura de minería de datos sin ningún modelo.

Cuando usa la instrucción CREATE MINING STRUCTURE, también puede crear un conjunto de datos de exclusiones que se puede utilizar para probar cualquiermodelo que esté basado en la misma estructura de minería de datos.

Para obtener más información, vea CREATE MINING STRUCTURE (DMX).

ALTER MINING STRUCTURE

Utilice esta instrucción para agregar un modelo de minería de datos a una estructura de minería de datos que ya existe en el servidor.

Hay varios motivos por los que puede desear agregar más de un modelo de minería de datos en una única estructura de minería de datos. Por ejemplo, podríacrear varios modelos de minería de datos utilizando algoritmos distintos para ver cuál funciona mejor. O bien, podría crear varios modelos de minería de datosusando el mismo algoritmo, pero con un parámetro establecido de forma distinta para cada uno de ellos, con el fin de encontrar el mejor valor para elparámetro.

Para obtener más información, vea ALTER MINING STRUCTURE (DMX).

SQL Server 2014






Puesto que creará una estructura de minería de datos que contiene varios modelos de minería de datos, utilizará el segundo método en este tutorial.

Para obtener más información

Referencia de Extensiones de minería de datos ﴾DMX﴿ , Descripción de la instrucción Select ﴾DMX﴿, Estructura y uso de las consultas de predicción DMX

Aprendizaje


Lección 1: Crear la estructura de minería de la cesta de la compraEn esta lección aprenderá a usar la instrucción CREATE para crear estructuras de minería de datos.

Lección 2: Agregar modelos de minería a la estructura de minería cesta de la compraEn esta lección aprenderá a usar la instrucción ALTER para agregar modelos de minería de datos a una estructura de minería de datos.

Lección 3: Procesar la estructura de minería de datos de la cesta de la compraEn esta lección aprenderá a usar la instrucción INSERT INTO para procesar estructuras de minería de datos y sus modelos de minería de datos asociados.

Lección 4: Ejecutar predicciones de cesta de la compraEn esta lección aprenderá a usar la instrucción PREDICTION JOIN para crear predicciones basadas en modelos de minería de datos.

Requisitos




La base de datos AdventureWorksDW2012

Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos de ejemplo oficiales para

Microsoft SQL Server, vaya a http://www.CodePlex.com/MSFTDBProdSamples o a la sección Microsoft SQL Server Product Samples de la página de inicio de MicrosoftSQL Server Samples and Community Projects. Haga clic en Databases y, a continuación, en la pestaña Releases, y seleccione las bases de datos que desee.

Nota


Vea también

TasksTutorial básico de minería de datosConceptosTutorial DMX de Bike Buyer















Lección 1: Crear la estructura de minería de la cesta de lacompra

En esta lección creará una estructura de minería de datos que permita predecir qué productos de Adventure Works Cycles tiende a adquirir un cliente simultáneamente. Si

no está familiarizado con las estructuras de minería de datos y su rol en la minería de datos, vea Estructuras de minería de datos ﴾Analysis Services ‐ Minería de datos﴿.

La estructura de minería de datos de asociación que creará en esta lección admite la adición de modelos de minería de datos basados en el Algoritmo de asociación deMicrosoft. En lecciones posteriores utilizará los modelos de minería de datos para predecir el tipo de productos que un cliente tiende a adquirir simultáneamente, lo quese denomina análisis de cesta de mercado ﴾Market Basket﴿. Por ejemplo, es posible que averigüe que los clientes tienden a comprar bicicletas de montaña, ruedas ycascos simultáneamente.

En esta lección se define la estructura de minería de datos utilizando tablas anidadas. Se utilizan tablas anidadas porque el dominio de datos que definirá la estructura seincluye en dos tablas de origen distintas. Para obtener más información acerca de las tablas anidadas, vea Tablas anidadas ﴾Analysis Services ‐ Minería de datos﴿.

Instrucción CREATE MINING STRUCTURE

Para crear una estructura de minería de datos que incluya una tabla anidada, se utiliza la instrucción CREATE MINING STRUCTURE (DMX). El código de la instrucción sepuede dividir en las partes siguientes:

Asignación de un nombre a la estructura


Definición de las columnas de minería de datos

Definición de las columnas de la tabla anidada

A continuación, se incluye un ejemplo genérico de la instrucción CREATE MINING STRUCTURE:

En la primera línea del código se define el nombre de la estructura:


En la siguiente línea del código se define la columna de clave para la estructura de minería de datos, que identifica de forma única una entidad de los datos de origen:

La siguiente línea del código se utiliza para definir las columnas de minería de datos que usarán los modelos de minería de datos asociados a la estructura de mineríade datos:

En las siguientes líneas de código se definen las columnas de la tabla anidada:

Para obtener información acerca de los tipos de columnas de estructura de minería de datos que puede definir, vea Columnas de la estructura de minería de datos.

Nota

De forma predeterminada, SQL Server Data Tools ﴾SSDT﴿ crea un conjunto de datos de exclusión del 30 por ciento para cada estructura de minería de datos; sin

SQL Server 2014

CREATE MINING STRUCTURE [<Mining Structure Name>]

(

<key column>,

<mining structure columns>,

<table columns>

( <nested key column>,

<nested mining structure columns> )

)

CREATE MINING STRUCTURE [Mining Structure Name]

<key column>


<table columns>









embargo, al utilizar DMX para crear una estructura de minería de datos, debe agregar el conjunto de datos de exclusiones manualmente, si así se desea.



Crear una consulta en blanco

Modificar la consulta para crear la estructura de minería de datos


Crear la consulta









El paso siguiente es modificar la instrucción CREATE MINING STRUCTURE descrita anteriormente para crear la estructura de minería de datos Market Basket.

Para personalizar la instrucción CREATE MINING STRUCTURE

1. En el Editor de consultas, copie el ejemplo genérico de la instrucción CREATE MINING STRUCTURE en la consulta en blanco.


por:


por:


por:

[mining structure name]

[Market Basket]

<key column>

OrderNumber TEXT KEY

<table columns>



[Products] TABLE (

[Model] TEXT KEY

El lenguaje TEXT KEY especifica que la columna Model es la columna de clave de la tabla anidada.

Ahora, la instrucción completa de la estructura de minería de datos debería ser como sigue:


6. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Market Basket Structure.dmx al archivo.


El último paso es ejecutar la consulta. Después de crear y guardar una consulta, debe ejecutarse ﴾es decir, debe ejecutarse la instrucción﴿ para crear la estructura deminería de datos en el servidor. Para obtener más información acerca de la ejecución de consultas en el Editor de consultas, vea Editor de consultas del motor de base

de datos (SQL Server Management Studio).





Ahora hay una nueva estructura denominada Market Basket en el servidor.

En la siguiente lección agregará modelos de minería de datos a la estructura de minería de datos Market Basket que acaba de crear.

Lección siguiente

Lección 2: Agregar modelos de minería a la estructura de minería cesta de la compra


)

CREATE MINING STRUCTURE [Market Basket] (

OrderNumber TEXT KEY,

[Products] TABLE (

[Model] TEXT KEY

)

)

Executing the query

Execution complete



Lección 2: Agregar modelos de minería a la estructura deminería cesta de la compra

En esta lección agregará dos modelos de minería de datos a la estructura Market Basket que creó en Lección 1: Crear la estructura de minería de la cesta de la compra.

Estos modelos de minería de datos le permitirán crear predicciones.

Para predecir los tipos de artículos que los clientes suelen adquirir simultáneamente, creará dos modelos de minería de datos usando el Algoritmo de asociación deMicrosoft y dos valores distintos para el parámetro MINIMUM_PROBABILTY.

MINIMUM_PROBABILTY es un parámetro del algoritmo de asociación de Microsoft importante que ayuda a determinar el número de reglas que contendrá un modelo deminería de datos, al especificar la probabilidad mínima que debe tener una regla. Por ejemplo, al establecer este valor en 0,4 se especifica que se puede generar una

regla solo si la combinación de productos que la regla describe tiene al menos una probabilidad del 40 por ciento de que esto ocurra.

Verá el efecto de cambiar el parámetro MINIMUM_PROBABILTY en una lección posterior.


Para agregar un modelo de minería de datos que incluya una tabla anidada a una estructura de minería de datos, se usa la instrucción ALTER MINING STRUCTURE

(DMX). El código de la instrucción se puede dividir en las partes siguientes:




Definición de las columnas de entrada y de predicción

Definición de las columnas de la tabla anidada

Identificación de los cambios de parámetros y el algoritmo

El siguiente es un ejemplo genérico de la instrucción ALTER MINING STRUCTURE que agrega un modelo de minería de datos a una estructura que incluye columnas detabla anidada:

La primera línea del código identifica la estructura de minería de datos existente a la que se agregará el modelo de minería de datos:


Para obtener información sobre cómo denominar un objeto en Extensiones de minería de datos ﴾DMX﴿, vea Identificadores (DMX).

Las líneas siguientes del código definen las columnas de la estructura de minería de datos que usará el modelo de minería de datos:

Solo puede usar columnas que ya existen en la estructura de minería de datos.

La primera columna de la lista de columnas del modelo de minería de datos debe ser la columna de clave en la estructura de minería de datos. Sin embargo, no tiene

que escribir KEY después de la columna de clave para especificar el uso. Eso se debe a que ya ha definido la columna como una clave cuando creó la estructura deminería de datos.

Las líneas restantes especifican el uso de las columnas en el nuevo modelo de minería de datos. Puede especificar que una columna del modelo de minería de datos seutilice para la predicción mediante la sintaxis siguiente:

SQL Server 2014

ALTER MINING STRUCTURE [<Mining Structure Name>]

ADD MINING MODEL [<Mining Model Name>]

(

[<key column>],

<mining model column> <usage>,

<table columns>

( [<nested key column>],

<nested mining model columns> )

) USING <algorithm>( <algorithm parameters> )



[<key column>],

<mining model columns> <usage>,





Si no especifica el uso, no tiene que incluir una columna de la estructura de minería de datos en la lista. Todas las columnas que se usan por la estructura de minería dedatos a la que se hace referencia están disponibles automáticamente para su uso por parte de los modelos de minería de datos que se basan en dicha estructura. Sin

embargo, el modelo no usará las columnas para entrenamiento a menos que especifique el uso.

En la última línea del código se define el algoritmo y los parámetros del algoritmo que se utilizarán para generar el modelo de minería de datos.



Agregar un modelo de minería de datos de asociación a la estructura con la probabilidad predeterminada

Agregar un modelo de minería de datos de asociación a la estructura con una probabilidad modificada

Agregar un modelo de minería de datos de asociación a la estructura con el valorpredeterminado de MINIMUM_PROBABILITY

La primera tarea es agregar un nuevo modelo de minería de datos a la estructura de minería de datos Market Basket basado en el algoritmo de asociación deMicrosoft usando el valor predeterminado de MINIMUM_PROBABILITY.

Agregar un modelo de minería de datos de asociación



Nota

Para crear una consulta de DMX frente a una base de datos de Analysis Services concreta, haga clic con el botón secundario en la base de datos en lugar dela instancia.



por:


por:


<column name> PREDICT,

) USING <algorithm>( <algorithm parameters> )


[Market Basket]

<mining model name>

[Default Association]

[<key column>],


<table columns>


por:

En este caso, la tabla [Products] se ha designado como la columna de predicción. Además, la columna [Model] está incluida en la lista de columnas de tablaanidada porque es la columna de clave de la tabla anidada.

Nota

Recuerde que una clave anidada es diferente de una clave de caso. Una clave de caso es un identificador único del caso, mientras que la clave anidada es unatributo que desea usar como modelo.


por:



8. En el cuadro de diálogo Guardar como, busque la carpeta correspondiente y asigne el nombre Default_Association_Model.dmx al archivo.


Agregar un modelo de minería de datos de asociación a la estructura cambiando el valorpredeterminado de MINIMUM_PROBABILITY

La siguiente tarea es agregar un nuevo modelo de minería de datos a la estructura de minería de datos Market Basket basado en el algoritmo de asociación deMicrosoft y, después, cambiar el valor predeterminado de MINIMUM_PROBABILITY a 0,01. Al cambiar el parámetro, el algoritmo de asociación de Microsoft creará másreglas.

Agregar un modelo de minería de datos de asociación





por:


OrderNumber,

[Products] PREDICT (

[Model]

)

USING <algorithm>( <algorithm parameters> )

Using Microsoft_Association_Rules

ALTER MINING STRUCTURE [Market Basket]

ADD MINING MODEL [Default Association]

(

OrderNumber,


[Model]

)

)

Using Microsoft_Association_Rules


Market Basket


por:


por:

En este caso, la tabla [Products] se ha designado como la columna de predicción. Además, la columna [MODEL] está incluida en la lista porque es la columnade clave de la tabla anidada.


por:



8. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Modified Association_Model.dmx al archivo.


En esta siguiente lección procesará la estructura de minería de datos Market Basket junto con sus modelos de minería de datos asociados.

Lección siguiente

Lección 3: Procesar la estructura de minería de datos de la cesta de la compra


<mining model name>

[Modified Association]


<table columns>



OrderNumber,


[Model]

)

USING <algorithm>( <algorithm parameters> )

USING Microsoft_Association_Rules (Minimum_Probability = 0.1)

ALTER MINING STRUCTURE [Market Basket]

ADD MINING MODEL [Modified Assocation]

(

OrderNumber,


[Model]

)

)

USING Microsoft_Association_Rules (Minimum_Probability = 0.1)


Lección 3: Procesar la estructura de minería de datos de lacesta de la compra

En esta lección utilizará la instrucción INSERT INTO (DMX) y las vistas vAssocSeqLineItems y vAssocSeqOrders de la base de datos de ejemplo AdventureWorksDW2012

para procesar las estructuras de minería de datos y los modelos de minería de datos creados en Lección 1: Crear la estructura de minería de la cesta de la compra y

Lección 2: Agregar modelos de minería a la estructura de minería cesta de la compra.

Al procesar una estructura de minería de datos, Analysis Services lee los datos de origen y genera las estructuras que admiten los modelos de minería de datos. Al

procesar un modelo de minería de datos, los datos definidos por la estructura de minería de datos se pasan por el algoritmo de minería de datos que haya elegido. El

algoritmo busca tendencias y patrones y, a continuación, almacena esta información en el modelo de minería de datos. Por consiguiente, el modelo de minería de datosno contiene los datos de origen reales, sino la información descubierta por el algoritmo. Para obtener más información acerca de cómo procesar modelos de minería dedatos, vea Requisitos y consideraciones de procesamiento ﴾minería de datos﴿.

Solo debe volver a procesar una estructura de minería de datos si cambia una columna de la estructura o los datos de origen. Si agrega un modelo de minería de datosa una estructura de minería de datos que ya se ha procesado, puede usar la instrucción INSERT INTO MINING MODEL para entrenar el nuevo modelo de minería dedatos en los datos existentes.

La estructura de minería de datos Market Basket contiene una tabla anidada, por lo que deberá definir las columnas de minería de datos que deben entrenarse usando laestructura de tablas anidadas y usar el comando SHAPE para definir las consultas que extraen los datos de aprendizaje de las tablas de origen.

Instrucción INSERT INTO

Para entrenar la estructura de minería de datos Market Basket y los modelos de minería de datos asociados, utilice la instrucción INSERT INTO (DMX). El código de lainstrucción se puede dividir en las partes siguientes.


Visualización en una lista de las columnas de la estructura de minería de datos

Definición de los datos de aprendizaje con SHAPE


La primera línea del código identifica la estructura de minería de datos que se entrenará:

Las líneas siguientes del código especifican las columnas definidas por la estructura de minería de datos. Debe incluir en la lista cada una de las columnas de la

estructura de minería de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen. Puede usar SKIP para omitir

columnas de los datos de origen que no existen en la estructura de minería de datos. Para obtener más información sobre cómo usar SKIP, vea INSERT INTO (DMX).

Las líneas finales del código definen los datos que se utilizarán para entrenar la estructura de minería de datos. Los datos de origen se incluyen en dos tablas, por lo

que usará SHAPE para relacionar estas tablas.

SQL Server 2014


(


[<nested table>]

( SKIP, <skipped column> )

)

SHAPE {

OPENQUERY([<datasource>],'<SELECT statement>') }

APPEND

(

{OPENQUERY([<datasource>],'<nested SELECT statement>')

}

RELATE [<case key>] TO [<foreign key>]

) AS [<nested table>]


(


[<nested table>]


)

SHAPE {


APPEND







En esta lección usará OPENQUERY para definir los datos de origen. Para obtener información acerca de otros métodos para definir una consulta sobre los datos deorigen, vea <source data query>.



Procesar la estructura de minería de datos Market Basket

Procesar la estructura de minería de datos Market Basket

Para procesar la estructura de minería de datos con INSERT INTO





por:


por:

En la instrucción, Products hace referencia a la tabla Products definida por la instrucción SHAPE. SKIP se usa para omitir la columna Model, que se encuentra en

el origen de datos como clave, pero no la usa la estructura de minería de datos.


por:

(

{OPENQUERY([<datasource>],''<nested SELECT statement>'')

}




Market Basket


[<nested table>]


[OrderNumber],

[Products]

(SKIP, [Model])

SHAPE {


APPEND

(

{OPENQUERY([<datasource>],'<nested SELECT statement>')

}



SHAPE {

OPENQUERY([Adventure Works DW],'SELECT OrderNumber

FROM vAssocSeqOrders ORDER BY OrderNumber')}


La consulta de origen hace referencia al origen de datos AdventureWorksDW2012 definido en el proyecto de ejemplo AdventureWorksDW2012 . Usa este origen

de datos para tener acceso a las vistas vAssocSeqLineItems y vAssocSeqOrders. Estas vistas contienen los datos de origen que se utilizarán para entrenar elmodelo de minería de datos. Si no ha creado este proyecto o estas vistas, vea Tutorial básico de minería de datos.

En el comando SHAPE, usará OPENQUERY para definir dos consultas. La primera consulta define la tabla primaria y la segunda, la tabla anidada. Las dos tablas

se relacionan mediante la columna OrderNumber, que existe en ambas tablas.



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Process Market Basket.dmx al archivo.


Después de que la consulta haya terminado de ejecutarse, puede ver los modelos y los conjuntos de elementos encontrados, ver asociaciones o filtrar por conjunto deelementos, probabilidad o importancia. Para ver esta información, en SQL Server Management Studio, haga clic con el botón secundario en el nombre del modelo dedatos y, a continuación, hace clic en Examinar.

En la siguiente lección creará varias predicciones basadas en los modelos de minería de datos que ha agregado a la estructura Market Basket.

Lección siguiente

Lección 4: Ejecutar predicciones de cesta de la compra


APPEND

(

{OPENQUERY([Adventure Works DW],'SELECT OrderNumber, Model FROM

dbo.vAssocSeqLineItems ORDER BY OrderNumber, Model')

}

RELATE OrderNumber to OrderNumber

) AS [Products]

INSERT INTO MINING STRUCTURE [Market Basket]

(

[OrderNumber],[Products] (SKIP, [Model])

)

SHAPE {

OPENQUERY([Adventure Works DW],'SELECT OrderNumber

FROM vAssocSeqOrders ORDER BY OrderNumber')}

APPEND

(

{OPENQUERY([Adventure Works DW],'SELECT OrderNumber, Model FROM

dbo.vAssocSeqLineItems ORDER BY OrderNumber, Model')

}

RELATE OrderNumber to OrderNumber

) AS [Products]



Lección 4: Ejecutar predicciones de cesta de la compra

En esta lección usará la instrucción SELECT de DMX para crear predicciones basadas en los modelos de asociación que creó en Lección 2: Agregar modelos de minería ala estructura de minería cesta de la compra. Para crear una consulta de predicción se usa la instrucción SELECT de DMX y se agrega una cláusula PREDICTION JOIN. Para

obtener más información acerca de la sintaxis de una combinación de predicción, vea SELECT FROM <modelo> PREDICTION JOIN (DMX).

El formato SELECT FROM <model> PREDICTION JOIN de la instrucción SELECT consta de tres partes:

Una lista de las funciones de predicción y las columnas del modelo de minería de datos devueltas en el conjunto de resultados. Esta lista también puede incluircolumnas de entrada de los datos de origen.

Una consulta de origen que define los datos que se usan para crear una predicción. Por ejemplo, si está creando muchas predicciones en un lote, la consulta deorigen podría recuperar una lista de clientes.

Una asignación entre las columnas del modelo de minería de datos y los datos de origen. Si los nombres de las columnas coinciden, puede usar la sintaxis

NATURAL PREDICTION JOIN y omitir las asignaciones de columna.

La consulta se puede mejorar si se usan funciones de predicción. Las funciones de predicción proporcionan información adicional, como la probabilidad de que seproduzca una predicción o la existencia de compatibilidad con una predicción en el conjunto de datos de entrenamiento. Para obtener más información acerca de lasfunciones de predicción, vea Funciones (DMX).

También puede usar el generador de consultas de predicción de SQL Server Data Tools ﴾SSDT﴿ para crear consultas de predicción.

Instrucción singleton PREDICTION JOIN

El primer paso es crear una consulta singleton, para lo cual se usa la sintaxis SELECT FROM <model> PREDICTION JOIN y se ofrece un conjunto único de valorescomo entrada. A continuación, se incluye un ejemplo genérico de la instrucción singleton:

En la primera línea del código se definen las columnas del modelo de minería de datos que devuelve la consulta y se especifica el nombre del modelo de minería dedatos usado para generar la predicción:

La línea del código siguiente indica la operación que se va a realizar. Dado que se especificarán valores para cada una de las columnas y se escribirán los nombres decolumna exactamente de manera que coincidan con el modelo, puede usar la sintaxis NATURAL PREDICTION JOIN. Sin embargo, si los nombres de columna fueran

diferentes, tendría que especificar las asignaciones entre las columnas del modelo y las columnas de los nuevos datos agregando una cláusula ON.

En las líneas siguientes del código se definen los artículos del carro de la compra que se utilizarán para predecir artículos adicionales que un cliente agregará:



Crear una consulta que prediga qué otros artículos podría adquirir un cliente en función de los artículos que ya se están en su carro de la compra. Para crear

esta consulta usará el modelo de minería de datos con el valor de MINIMUM_PROBABILITY predeterminado.

Crear una consulta que prediga qué otros artículos podría adquirir un cliente en función de los artículos que ya se están en su carro de la compra. Esta consulta

se basa en un modelo diferente, en el que MINIMUM_PROBABILITY ha quedado establecido en 0,01. Dado que el valor predeterminado para

MINIMUM_PROBABILITY en modelos de asociación es 0,3, la consulta en este modelo debería devolver más elementos posibles que la consulta en el modelo

SQL Server 2014


FROM [<mining model>]

[NATURAL] PREDICTION JOIN

(SELECT '<value>' AS [<column>],

(SELECT 'value' AS [<nested column>] UNION

SELECT 'value' AS [<nested column>] ...)

AS [<nested table>])

AS [<input alias>]

SELECT <select list> FROM [<mining model>]

[NATURAL] PREDICTION JOIN








predeterminado.

Crear una predicción usando un modelo con el valor de MINIMUM_PROBABILITYpredeterminado

Para crear una consulta de asociación

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consulta y, a continuación, haga clic enDMX para abrir el Editor de consultas.

2. Copie el ejemplo genérico de la instrucción PREDICTION JOIN en la consulta en blanco.


por:

Podría incluir solamente el nombre de columna [Products], pero si utiliza la función Predict (DMX), puede limitar el número de artículos devueltos por elalgoritmo a tres. También puede usar INCLUDE_STATISTICS, que devuelve la compatibilidad, la probabilidad y la probabilidad ajustada para cada producto.

Estas estadísticas ayudan a valorar la precisión de la predicción.


por:


por:

Esta instrucción utiliza la instrucción UNION para especificar tres productos que se deben incluir en el carro de la compra junto con los artículos previstos. La

columna Model de la instrucción SELECT corresponde a la columna de modelo incluida en la tabla de productos anidada.



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Association Prediction.dmx al archivo.

<select list>

PREDICT([Default Association].[Products],INCLUDE_STATISTICS,3)

[<mining model>]






(SELECT (SELECT 'Mountain Bottle Cage' AS [Model]

UNION SELECT 'Mountain Tire Tube' AS [Model]

UNION SELECT 'Mountain-200' AS [Model]) AS [Products]) AS t

SELECT

PREDICT([Default Association].[Products],INCLUDE_STATISTICS,3)

From








La consulta devuelve una tabla que contiene tres productos: HL Mountain Tire, Fender Set - Mountain y ML Mountain Tire. En la tabla se enumeran estos

productos devueltos por orden de probabilidad. En la parte superior de la tabla aparece el producto devuelto con mayor probabilidad de estar incluido en el

mismo carro de la compra que los tres productos especificados en la consulta. Los dos productos siguientes son los de mayor probabilidad de estar incluidos

en el carro de la compra. La tabla también contiene estadísticas que describen la precisión de la predicción.

Crear una predicción usando un modelo con el valor 0,01 para MINIMUM_PROBABILITY

Para crear una consulta de asociación

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consulta y, a continuación, haga clic enDMX para abrir el Editor de consultas.

2. Copie el ejemplo genérico de la instrucción PREDICTION JOIN en la consulta en blanco.


por:


por:


por:

Esta instrucción utiliza la instrucción UNION para especificar tres productos que se deben incluir en el carro de la compra junto con los artículos previstos. La

columna [Model] de la instrucción SELECT corresponde a la columna incluida en la tabla de artículos anidada.



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre Modified Association Prediction.dmx al archivo.


<select list>

PREDICT([Modified Association].[Products],INCLUDE_STATISTICS,3)

[<mining model>]









SELECT

PREDICT([Modified Association].[Products],INCLUDE_STATISTICS,3)

From






La consulta devuelve una tabla que contiene tres artículos: HL Mountain Tire, Water Bottle y Fender Set ‐ Mountain. En la tabla se enumeran estos productos por

orden de probabilidad. El producto que aparece al principio de la tabla es el producto con mayor probabilidad de estar incluido en el mismo carro de la

compra que los tres artículos especificados en la consulta. Los productos restantes son los siguientes con mayor probabilidad de estar incluidos en el carro de

la compra. La tabla también contiene estadísticas que describen la precisión de la predicción.

A partir de los resultados de esta consulta, se puede ver que el valor del parámetro MINIMUM_PROBABILITY afecta a los resultados devueltos por la consulta.

Éste es el último paso del tutorial de Market Basket. Ahora dispone de un conjunto de modelos que puede usar para predecir los artículos que los clientes puedenadquirir simultáneamente.

Para aprender a utilizar DMX en otro escenario de predicción, vea Tutorial DMX de Bike Buyer.

Vea también

ConceptosEjemplos de consultas del modelo de asociaciónInterfaces de consultas de minería de datos





Tutorial DMX de predicción de series temporales

En este tutorial aprenderá a crear una estructura de minería de datos de serie temporal, creará tres series temporales personalizadas y, a continuación, realizarápredicciones utilizando esos modelos.

Los modelos de minería de datos se basan en los datos incluidos en la base de datos de ejemplo AdventureWorksDW2012 , que almacena datos de la empresa ficticia

Adventure Works Cycles. Adventure Works Cycles es una gran empresa multinacional de fabricación.


Adventure Works Cycles ha decidido utilizar la minería de datos para generar previsiones de ventas. La empresa ya ha creado algunos modelos de previsiónregionales; para obtener más información, vea Lección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿. Sin embargo, el departamento

de ventas necesita poder actualizar periódicamente el modelo de minería de datos con nuevos datos de ventas. El departamento desea también personalizar losmodelos para proporcionar previsiones diferentes.

Microsoft SQL Server Analysis Services proporciona varias herramientas que se pueden usar para realizar esta tarea:

El lenguaje de consulta Extensiones de minería de datos ﴾DMX﴿

El algoritmo de serie temporal de Microsoft


El algoritmo de serie temporal de Microsoft crea modelos que se pueden utilizar para predecir datos relacionados con el tiempo. Extensiones de minería de datos﴾DMX﴿ es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear modelos de minería de datos y consultas de predicción.

Aprendizaje

En este tutorial se presupone que ya está familiarizado con los objetos que Analysis Services utiliza para crear modelos de minería de datos. Si aún no ha creado unaestructura o modelo de minería de datos mediante DMX, vea Tutorial DMX de Bike Buyer.


Lección 1: Crear un modelo de minería de datos de serie temporal y una estructura de minería de datosEn esta lección aprenderá a usar la instrucción CREATE MINING MODEL para agregar un nuevo modelo previsión y un modelo de minería de datos relacionado.

Lección 2: Agregar modelos de minería de datos a la estructura de minería de datos de serie temporalEn esta lección aprenderá a usar la instrucción ALTER MINING STRUCTURE para agregar nuevos modelos de minería de datos a la estructura de serie temporal.Aprenderá también a personalizar el algoritmo utilizado para analizar una serie temporal.

Lección 3: Procesar la estructura de serie temporal y los modelosEn esta lección aprenderá a entrenar los modelos utilizando la instrucción INSERT INTO y rellenando la estructura con datos de la base de datos

AdventureWorksDW2012 .

Lección 4: Crear predicciones de serie temporal con DMXEn esta lección aprenderá a crear predicciones de serie temporal.

Lección 5: Extender el modelo de serie temporalEn esta lección aprenderá a utilizar el parámetro EXTEND_MODEL_CASES para actualizar el modelo con nuevos datos al realizar las predicciones.

Requisitos




La base de datos AdventureWorksDW2012

Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos de ejemplos oficiales para

Microsoft SQL Server, vaya a http://www.CodePlex.com/MSFTDBProdSamples o en la sección Microsoft SQL Server Product Samples de la página principal de MicrosoftSQL Server Samples and Community Projects. Haga clic en Databases y, a continuación en la pestaña Releases y seleccione las bases de datos que desee.

Nota


Vea también

SQL Server 2014














Lección 1: Crear un modelo de minería de datos de serietemporal y una estructura de minería de datos

En esta lección, creará un modelo de minería de datos que le permita predecir valores a lo largo del tiempo, según datos históricos. Al crear el modelo, la estructura

subyacente se generará automáticamente y se utilizará como base para otros modelos de minería de datos.

En esta lección se supone que conoce los modelos de predicción y los requisitos del algoritmo de serie temporal de Microsoft. Para obtener más información, veaAlgoritmo de serie temporal de Microsoft.

Instrucción CREATE MINING MODEL

Para crear un modelo de minería de datos directamente y generar de forma automática la estructura de minería de datos subyacente, utiliza la instrucción CREATE

MINING MODEL (DMX). El código de la instrucción se puede dividir en las partes siguientes:

Asignación de un nombre al modelo

Definición de la marca de tiempo

Definición de la columna de clave de la serie opcional

Definición del atributo o atributos de predicción

A continuación, se incluye un ejemplo genérico de la instrucción CREATE MINING MODEL:

En la primera línea del código se define el nombre del modelo de minería de datos:

Analysis Services genera un nombre para la estructura subyacente anexando "_structure" al nombre del modelo, con lo que se asegura de que el nombre de la

estructura sea distinto del nombre del modelo. Para obtener información acerca de cómo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).

La línea siguiente de código define la columna de clave para el modelo de minería de datos, que en el caso de un modelo de serie temporal identifica singularmente unincremento de tiempo en los datos del origen. El incremento de tiempo se identifica con las palabras clave KEY TIME después de los tipos de datos y nombre decolumna. Si el modelo de serie temporal tiene una clave de serie independiente, se identifica con la palabra clave KEY.

La línea siguiente del código se utiliza para definir las columnas del modelo que se predecirá. Puede tener varios atributos de predicción en un único modelo deminería de datos. Cuando hay varios atributos de predicción, el algoritmo de serie temporal de Microsoft genera un análisis independiente para cada serie:



Crear una consulta en blanco

Modificar la consulta para crear la el modelo de minería de datos


Crear la consulta

SQL Server 2014

CREATE MINING MODEL [<Mining Structure Name>]

(

<key columns>,

<predictable attribute columns>

)

USING <algorithm name>([parameter list])

WITH DRILLTHROUGH

CREATE MINING MODEL [Mining Model Name]

<key columns>

<predictable attribute columns>












El paso siguiente es modificar la instrucción CREATE MINING MODEL para crear el modelo de minería de datos que se usa para la predicción, junto con su estructurade minería de datos subyacente.

Para personalizar la instrucción CREATE MINING MODEL

1. En el Editor de consultas, copie el ejemplo genérico de la instrucción CREATE MINING MODEL en la consulta en blanco.


por:


por:

La palabra clave TIME KEY indica que la columna ReportingDate contiene los valores de incremento de tiempo utilizados para ordenar los valores. Los

incrementos de tiempo pueden ser fechas y horas, números enteros o cualquier tipo de datos ordenado, siempre que los valores sean únicos y los datos esténordenados.

Las palabras clave TEXT y KEY indican que la columna ModelRegion contiene una clave de serie adicional. Puede tener únicamente una clave de serie y losvalores de la columna deben ser distintos.


por:


por:

[mining model name]

[Forecasting_MIXED]

<key columns>

[Reporting Date] DATE KEY TIME,

[Model Region] TEXT KEY

< predictable attribute columns> )

[Quantity] LONG CONTINUOUS PREDICT,

[Amount] DOUBLE CONTINUOUS PREDICT

)

USING <algorithm name>([parameter list])

WITH DRILLTHROUGH

El parámetro de algoritmo, AUTO_DETECT_PERIODICITY = 0.8, indica que desea que el algoritmo detecte los ciclos en los datos. Si se establece este valor máspróximo a 1, se favorece la detección de muchos patrones pero puede desacelerar el procesamiento.

El parámetro de algoritmo, FORECAST_METHOD, indica si desea analizar los datos utilizando ARTXP, ARIMA o una combinación de ambos.

La palabra clave, WITH DRILLTHROUGH, especifica que desea poder ver estadísticas detalladas de los datos de origen cuando el modelo se complete. Debe

agregar esta cláusula si desea examinar el modelo utilizando el Visor de series temporales de Microsoft. No se requiere para la predicción.



7. En el cuadro de diálogo Guardar como, busque la carpeta correspondiente y asigne el nombre Forecasting_MIXED.dmx al archivo.


El último paso es ejecutar la consulta. Después de crear y guardar una consulta, debe ejecutarse para crear el modelo y su estructura de minería de datos en elservidor. Para obtener más información acerca de la ejecución de consultas en el Editor de consultas, vea Editor de consultas del motor de base de datos (SQL Server

Management Studio).





Una estructura nueva denominada Forecasting_MIXED_Structure existe ahora en el servidor, junto con el modelo de minería de datos Forecasting_MIXED

relacionado.

En la lección siguiente agregará un modelo de minería de datos a la estructura de minería de datos Forecasting_MIXED recién creada.

Lección siguiente

Lección 2: Agregar modelos de minería de datos a la estructura de minería de datos de serie temporal

Vea también

ReferenciaContenido del modelo de minería de datos para los modelos de serie temporal ﴾Analysis Services ‐ Minería de datos﴿Referencia técnica del algoritmo de serie temporal de Microsoft


USING Microsoft_Time_Series(AUTO_DETECT_PERIODICITY = 0.8, FORECAST_METHOD = 'MIXED')

WITH DRILLTHROUGH

CREATE MINING MODEL [Forecasting_MIXED]

(

[Reporting Date] DATE KEY TIME,

[Model Region] TEXT KEY,

[Quantity] LONG CONTINUOUS PREDICT,

[Amount] DOUBLE CONTINUOUS PREDICT

)

USING Microsoft_Time_Series (AUTO_DETECT_PERIODICITY = 0.8, FORECAST_METHOD = 'MIXED')

WITH DRILLTHROUGH

Executing the query

Execution complete





Lección 2: Agregar modelos de minería de datos a laestructura de minería de datos de serie temporal

En esta lección agregará un modelo de minería de datos nuevo a la estructura de minería de datos recién creada en Lección 1: Crear un modelo de minería de datos deserie temporal y una estructura de minería de datos.


Para agregar un modelo de minería de datos nuevo a una estructura de minería de datos existente, se utiliza la instrucción ALTER MINING STRUCTURE (DMX). El códigode la instrucción se puede dividir en las partes siguientes:




Definición de las columnas de predicción

Especificación de los cambios de parámetros y el algoritmo

A continuación, se incluye un ejemplo genérico de la instrucción ALTER MINING STRUCTURE:

La primera línea de código identifica la estructura de minería de datos existente a la que se agregarán los modelos de minería de datos:



Las líneas siguientes del código definen columnas de la estructura de minería de datos que utilizará el modelo de minería de datos:

Solo puede utilizar columnas que ya existan en la estructura de minería de datos, y la primera columna de la lista debe ser la columna de clave de la estructura.

La siguiente línea de código define el algoritmo de minería de datos que genera el modelo de minería de datos y los parámetros del algoritmo que puede estableceren el algoritmo, y especifica si puede obtener detalles a partir del modelo en la vista detallada de los datos en los casos de entrenamiento:

Para obtener más información acerca de los parámetros del algoritmo que puede ajustar, vea Referencia técnica del algoritmo de serie temporal de Microsoft.

Puede especificar que una columna del modelo de minería de datos se utilice para la predicción mediante la sintaxis siguiente:

SQL Server 2014



([<key columns>],


)

USING <algorithm name>([<algorithm parameters>])

[WITH DRILLTHROUGH]



[<key columns>],



WITH DRILLTHROUGH

<mining model column> PREDICT







Agregar un modelo de minería de datos de serie temporal nuevo a la estructura.

Cambiar los parámetros del algoritmo para utilizar un método de análisis y predicción diferente

Agregar un modelo de serie temporal ARIMA a la estructura

El primer paso es agregar un nuevo modelo de minería de datos de pronóstico a la estructura existente. De forma predeterminada, el algoritmo de serie temporal de

Microsoft crea los modelos de minería de datos de serie temporal utilizando dos algoritmos, ARIMA y ARTXP, y mezclando los resultados. Sin embargo, puede

especificar un solo algoritmo o puede especificar la combinación exacta de algoritmos. En este paso, agregará un modelo nuevo que usa solo el algoritmo ARIMA. Este

algoritmo está optimizado para la predicción a largo plazo.

Para agregar un modelo de minería de datos de serie temporal ARIMA

1. En el Explorador de objetos, haga clic con el botón secundario en la instancia de Analysis Services, seleccione Nueva consulta y, a continuación, haga clic enDMX para abrir el Editor de consultas y una nueva consulta en blanco.



por:


por:


por:

Observe que no necesita repetir ninguna información del tipo de contenido o tipo de datos que proporcionó en la instrucción CREATE MINING MODEL, porqueesta información ya está almacenada en la estructura de minería de datos.


por:


[Forecasting_MIXED_Structure]

<mining model name>

Forecasting_ARIMA

<key columns>,

[ReportingDate],

[ModelRegion]


([Quantity] PREDICT,

[Amount] PREDICT

)


por:



9. En el cuadro de diálogo Guardar como, busque la carpeta correspondiente y asigne el nombre Forecasting_ARIMA.dmx al archivo.


Agregar un modelo de serie temporal ARTXP a la estructura

El algoritmo ARTXP era el algoritmo de serie temporal predeterminado de SQL Server 2005 y se optimizó para la predicción a corto plazo. Para comparar las

predicciones con los tres algoritmos de serie temporal, agregará un modelo más que se basa en el algoritmo ARTXP.

Para agregar un modelo de minería de datos de serie temporal ARTXP

1. Copie el código siguiente en una ventana de consulta en blanco.

Observe que no necesita cambiar nada excepto el nombre del nuevo modelo de minería de datos y el valor del parámetro FORECAST_METHOD.


3. En el cuadro de diálogo Guardar como, busque la carpeta correspondiente y asigne el nombre Forecasting_ARTXP.dmx al archivo.


En la siguiente lección procesará todos los modelos y la estructura de minería de datos.

Lección siguiente

Lección 3: Procesar la estructura de serie temporal y los modelos

Vea también

Referencia


[WITH DRILLTHROUGH]

USING Microsoft_Time_Series (AUTO_DETECT_PERIODICITY = .08, FORECAST_METHOD = 'ARIMA')

WITH DRILLTHROUGH

ALTER MINING STRUCTURE [Forecasting_MIXED_Structure]

ADD MINING MODEL [Forecasting_ARIMA]

(

([ReportingDate],

[ModelRegion],


[Amount] PREDICT

)

USING Microsoft_Time_Series (AUTO_DETECT_PERIODICITY = .08, FORECAST_METHOD = 'ARIMA')

WITH DRILLTHROUGH

ALTER MINING STRUCTURE [Forecasting_MIXED_Structure]

ADD MINING MODEL [Forecasting_ARTXP]

(

([ReportingDate],

[ModelRegion],


[Amount] PREDICT

)

USING Microsoft_Time_Series (AUTO_DETECT_PERIODICITY = .08, FORECAST_METHOD = 'ARTXP')

WITH DRILLTHROUGH



Referencia técnica del algoritmo de serie temporal de MicrosoftConceptosAlgoritmo de serie temporal de Microsoft




Lección 3: Procesar la estructura de serie temporal y losmodelos

En esta lección utilizará la instrucción INSERT INTO (DMX) para procesar estructuras de minería de datos de serie temporal y los modelos de minería de datos que hacreado.

Al procesar una estructura de minería de datos, Analysis Services lee los datos de origen y genera las estructuras que admiten los modelos de minería de datos. Siempre

tiene que procesar un modelo y estructura de minería de datos después de crearlo. Si especifica una estructura de minería de datos con INSERT INTO, la instrucciónprocesa la estructura de minería de datos y todos sus modelos asociados.

Si agrega un modelo de minería de datos a una estructura de minería de datos que ya se ha procesado, puede usar la instrucción INSERT INTO MINING MODEL para

procesar solo el nuevo modelo de minería de datos con los datos existentes.

Para obtener más información acerca de cómo procesar modelos de minería de datos, vea Requisitos y consideraciones de procesamiento ﴾minería de datos﴿.

Instrucción INSERT INTO

Para entrenar la estructura de minería de datos de serie temporal y todos los modelos de minería de datos asociados, utilice la instrucción INSERT INTO (DMX). El

código de la instrucción se puede dividir en las partes siguientes.


Listado de las columnas de la estructura de minería de datos

Definición de los datos de entrenamiento


La primera línea del código identifica la estructura de minería de datos que se va a entrenar:

Las líneas siguientes del código especifican las columnas definidas por la estructura de minería de datos. Debe incluir en la lista cada una de las columnas de la

estructura de minería de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen:

Las últimas líneas del código definen los datos que se utilizarán para entrenar la estructura de minería de datos.

En esta lección usará OPENQUERY para definir los datos de origen. Para obtener más información acerca de otros métodos para definir una consulta sobre los datosde origen, vea <source data query>.



Procesar la estructura de minería de datos Forecasting_MIXED_Structure

Procesar los modelos de minería de datos relacionados Forecasting_MIXED, Forecasting_ARIMA y Forecasting_ARTXP

Procesar la estructura de minería de datos de serie temporal

SQL Server 2014


(


)

OPENQUERY (<source data definition>)


(


)

OPENQUERY (<source data definition>)





Para procesar la estructura de minería de datos y los modelos relacionados mediante INSERT INTO





por:


por:


por:

La columna de origen hace referencia al origen de datos AdventureWorksDW2012 definido en el proyecto de ejemplo IntermediateTutorial. Utiliza este origen de

datos para tener acceso a la vista vTimeSeries. Esta vista contiene los datos de origen que se utilizarán para entrenar el modelo de minería de datos. Si no estáfamiliarizado con este proyecto o con estas vistas, veaLección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿.



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre ProcessForecastingAll.dmx al archivo.


Cuando la consulta termine de ejecutarse, puede crear las predicciones mediante los modelos de minería de datos procesados. En la lección siguiente, creará variaspredicciones basadas en los modelos de minería de datos que ha creado.

Lección siguiente

Lección 4: Crear predicciones de serie temporal con DMX


Forecasting_MIXED_Structure


[ReportingDate],

[ModelRegion]

OPENQUERY(<source data definition>)

OPENQUERY([Adventure Works DW 2008R2],'SELECT [ReportingDate], [ModelRegion], [Quantity], [Amount]

FROM vTimeSeries ORDER BY [ReportingDate]')

INSERT INTO MINING STRUCTURE [Forecasting_MIXED_Structure]

(

[ReportingDate],[ModelRegion],[Quantity],[Amount])

)

OPENQUERY(

[Adventure Works DW 2008R2],

'SELECT [ReportingDate],[ModelRegion],[Quantity],[Amount] FROM vTimeSeries ORDER BY [ReportingDate]'

)



Vea también

Referencia<source data query>

OPENQUERY (DMX)






Lección 4: Crear predicciones de serie temporal con DMX

En esta lección y en la siguiente, utilizará Extensiones de minería de Datos ﴾DMX﴿ para crear tipos diferentes de predicciones basados en los modelos de serie temporalque creó en Lección 1: Crear un modelo de minería de datos de serie temporal y una estructura de minería de datos y Lección 2: Agregar modelos de minería de datos ala estructura de minería de datos de serie temporal.

Con un modelo de serie temporal, tiene muchas opciones para realizar predicciones:

Usar los patrones y datos existentes en el modelo de minería de datos

Usar los patrones existentes en el modelo de minería de datos pero suministrar datos nuevos

Agregue datos nuevos al modelo o actualice el modelo.

A continuación se resume la sintaxis para realizar estos tipos de predicción:

Predicción de serie temporal predeterminadaUtilice PredictTimeSeries (DMX) para devolver el número especificado de predicciones del modelo de minería de datos entrenado.

Por ejemplo, vea PredictTimeSeries (DMX) o Ejemplos de consultas de modelos de serie temporal.

EXTEND_MODEL_CASES

Utilice PredictTimeSeries (DMX) con el argumento EXTEND_MODEL_CASES para agregar datos nuevos, extender la serie y crear predicciones basadas en el modelo

de minería de datos actualizado.

Este tutorial contiene un ejemplo de cómo utilizar EXTEND_MODEL_CASES.

REPLACE_MODEL_CASES

Utilice PredictTimeSeries (DMX) con el argumento REPLACE_MODEL_CASES para reemplazar los datos originales con una serie de datos nueva y, a continuación,cree predicciones basadas en aplicar los patrones en el modelo de minería de datos a la serie nueva.

Para obtener un ejemplo de cómo se utiliza REPLACE_MODEL_CASES, vea Lección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿.



Crear una consulta para obtener las predicciones predeterminadas según los datos existentes.

En la lección siguiente, realizará las tareas relacionadas siguientes:

Crear una consulta para proporcionar datos nuevos y actualizar las predicciones.

Además de crear consultas manualmente utilizando DMX, también puede crear predicciones con el generador de consultas de predicción de SQL Server Data Tools(SSDT).

Consulta simple de predicción de serie temporal

El primer paso es utilizar la instrucción SELECT FROM junto con la función PredictTimeSeries para crear predicciones de serie temporal. Los modelos de serie

temporal admiten una sintaxis simplificada para crear predicciones: no es necesario proporcionar ninguna entrada, sino que solo tiene que especificar el número depredicciones que crear. A continuación, se incluye un ejemplo genérico de la instrucción:

La lista de selección puede contener columnas del modelo, como el nombre de la línea de producto para la que crea las predicciones, o funciones de predicción, comoLag (DMX) o PredictTimeSeries (DMX), que es específico para los modelos de minería de datos de serie temporal.

Para crear una consulta simple de predicción de serie temporal



2. Copie el ejemplo genérico de la instrucción en la consulta en blanco.


SQL Server 2014


FROM [<mining model name>]

WHERE [<criteria>]











por:

La primera línea recupera un valor del modelo de minería de datos que identifica la serie.

La segunda y tercera líneas utilizan la función PredictTimeSeries. Cada línea predice un atributo diferente, [Quantity] o [Amount]. Los números después de losnombres de los atributos de predicción especifican el número de pasos temporales para realizar la predicción.

La cláusula AS se utiliza con el fin de proporcionar un nombre para la columna que devuelve cada función de predicción. Si no proporciona un alias, de forma

predeterminada ambas columnas se devuelven con la etiqueta Expression.


por:


por:



7. En el cuadro de diálogo Guardar como, desplácese a la carpeta correspondiente y asigne el nombre SimpleTimeSeriesPrediction.dmx al archivo.


La consulta devuelve seis predicciones para cada una de las dos combinaciones de producto y región que se especifican en la cláusula WHERE.

En la lección siguiente, creará una consulta que proporciona los datos nuevos al modelo y comparará los resultados de esa predicción con la recién creada.


Lección 5: Extender el modelo de serie temporal

Vea también


Lag (DMX)

Conceptos

<select list>

[Forecasting_MIXED].[ModelRegion],

PredictTimeSeries([Forecasting_MIXED].[Quantity],6) AS PredictQty,

PredictTimeSeries ([Forecasting_MIXED].[Amount],6) AS PredictAmt

[<mining model>]

[Forecasting_MIXED]

WHERE [criteria>]

WHERE [ModelRegion] = 'M200 Europe' OR

[ModelRegion] = 'M200 Pacific'

SELECT

[Forecasting_MIXED].[ModelRegion],

PredictTimeSeries([Forecasting_MIXED].[Quantity],6) AS PredictQty,

PredictTimeSeries ([Forecasting_MIXED].[Amount],6) AS PredictAmt

FROM

[Forecasting_MIXED]







Ejemplos de consultas de modelos de serie temporal





Lección 5: Extender el modelo de serie temporal

En SQL Server 2014 Enterprise, es posible agregar datos nuevos a un modelo de serie temporal e incorporarlos automáticamente al mismo. Los nuevos datos se agregan

a un modelo de minería de datos de serie temporal de una de estas dos maneras:

Usando una instrucción PREDICTION JOIN para unir los datos de un origen externo a los datos de entrenamiento.

Usando una consulta de predicción singleton para proporcionar los datos segmento a segmento.

Por ejemplo, suponga que entrenó el modelo de minería de datos con los datos de ventas existentes hace algunos meses. Al conseguir ventas nuevas, podría desearactualizar las predicciones de ventas para incorporar los datos nuevos. Puede hacer esto en un paso, proporcionando las nuevas cifras de ventas como datos de entrada

y generando predicciones nuevas basadas en el conjunto de datos compuesto.

Realizar predicciones con EXTEND_MODEL_CASES

A continuación se muestran ejemplos genéricos de una predicción de serie temporal que usa EXTEND_MODEL_CASES. El primer ejemplo permite especificar el númerode predicciones a partir del último estadio temporal del modelo original:

El segundo ejemplo permite especificar el estadio temporal donde las predicciones deberían iniciarse y donde deberían finalizar. Esta opción es importante al extenderlos casos del modelo porque, de forma predeterminada, los estadios temporales que se usan para las consultas de predicción siempre se inician al final de la serieoriginal.

En este tutorial, creará ambos tipos de consultas.

Para crear una consulta de predicción singleton en un modelo de serie temporal



2. Copie el ejemplo genérico de la instrucción singleton en la consulta en blanco.


por:

La primera línea recupera un valor del modelo que identifica la serie.

La segunda línea contiene la función de predicción, que obtiene seis predicciones para Quantity. Se asigna un alias, PredictQty, a la columna del resultado de la

predicción para que los resultados se entiendan más fácilmente.


por:

SQL Server 2014

SELECT [<model columns>,] PredictTimeSeries(<table column reference>, n, EXTEND_MODEL_CASES)

FROM <mining model>

PREDICTION JOIN <source query>

[WHERE <criteria>]

SELECT [<model columns>,] PredictTimeSeries(<table column reference>, n-start, n-end, EXTEND_MODEL_CASES)

FROM <mining model>


[WHERE <criteria>}

SELECT [<model columns>,] PredictTimeSeries(<table column reference>, n, EXTEND_MODEL_CASES)

SELECT [Model Region],

PredictTimeSeries([Quantity],6, EXTEND_MODEL_CASES) AS PredictQty

FROM <mining model>

FROM [Forecasting_MIXED]


por:


por:



8. En el cuadro de diálogo Guardar como, busque la carpeta correspondiente y asigne el nombre Singleton_TimeSeries_Query.dmx al archivo.


La consulta devuelve predicciones de la cantidad de ventas de la bicicleta M200 en las regiones de Europa y Pacífico.

Descripción del inicio de la predicción con EXTEND_MODEL_CASES

Ahora que ha creado predicciones basadas en el modelo original, puede comparar con datos nuevos los resultados para ver cómo afecta a las predicciones laactualización de los datos de ventas. Antes, revise el código recién creado y observe lo siguiente:

Proporcionó datos nuevos solo para la región de Europa.

Proporcionó solo datos nuevos para dos meses.

La tabla siguiente muestra cómo los valores nuevos proporcionados para M200 en Europa afectan a las predicciones. No proporcionó ningún dato nuevo para elproducto M200 en la región de Pacífico, pero esta serie se presenta para poder comparar:

Producto y

regiónModelo existente (PredictTimeSeries)

Modelo con datos de ventas actualizados (PredictTimeSeries con

EXTEND_MODEL_CASES)



(

SELECT 1 AS [Reporting Date],

'10' AS [Quantity],

'M200 Europe' AS [Model Region]

UNION SELECT

2 AS [Reporting Date],

15 AS [Quantity]),

'M200 Europe' AS [Model Region]

) AS t

[WHERE <criteria>]




PredictTimeSeries([Quantity],6, EXTEND_MODEL_CASES) AS PredictQty

FROM

[Forecasting_MIXED]


SELECT 1 AS [ReportingDate],

'10' AS [Quantity],

'M200 Europe' AS [ModelRegion]

UNION SELECT

2 AS [ReportingDate],

15 AS [Quantity]),


) AS t



M200 EuropeM200

Europe

7/25/2008 12:00:00 AM 77

M200

Europe

8/25/2008 12:00:00 AM 64

M200

Europe

9/25/2008 12:00:00 AM 59

M200

Europe

10/25/2008 12:00:00

AM

56

M200

Europe

11/25/2008 12:00:00

AM

56

M200

Europe

12/25/2008 12:00:00

AM

74

M200 Europe 7/25/2008 12:00:00 AM 10

M200 Europe 8/25/2008 12:00:00 AM 15

M200 Europe 9/25/2008 12:00:00 AM 72

M200 Europe 10/25/2008 12:00:00 AM 69

M200 Europe 11/25/2008 12:00:00 AM 68

M200 Europe 12/25/2008 12:00:00 AM 89

M200 PacificM200 Pacific 7/25/2008 12:00:00 AM 41

M200 Pacific 8/25/2008 12:00:00 AM 44

M200 Pacific 9/25/2008 12:00:00 AM 38

M200 Pacific 10/25/2008 12:00:00 AM 41

M200 Pacific 11/25/2008 12:00:00 AM 36

M200 Pacific 12/25/2008 12:00:00 AM 39

M200 Pacific 7/25/2008 12:00:00 AM 41

M200 Pacific 8/25/2008 12:00:00 AM 44

M200 Pacific 9/25/2008 12:00:00 AM 38

M200 Pacific 10/25/2008 12:00:00 AM 41

M200 Pacific 11/25/2008 12:00:00 AM 36

M200 Pacific 12/25/2008 12:00:00 AM 39

A raíz de estos resultados, puede observar dos cuestiones:

Las primeras dos predicciones para la serie M200 Europe son exactamente iguales que los nuevos datos que proporcionó. Por diseño, Analysis Servicesdevuelve los nuevos datos reales en lugar de realizar una predicción. Eso se debe a que al extender los casos del modelo, los pasos temporales utilizados para

las consultas de predicción siempre se inician al final de la serie original. Por tanto, si agrega dos datos nuevos, las dos primeras predicciones devueltas se

superponen a los datos nuevos.

Una vez agotados todos los nuevos datos, Analysis Services realiza predicciones basadas en el modelo actualizado. Por consiguiente, a partir de septiembre de

2005, puede ver la diferencia entre las predicciones para M200 Europe del modelo original, en la columna de la izquierda, y el modelo que utiliza

EXTEND_MODEL_CASES, en la columna de la derecha. Las predicciones son diferentes porque el modelo se ha actualizado con datos nuevos.

Usar pasos temporales de inicio y de fin para controlar las predicciones

Al extender un modelo, los datos nuevos siempre se asocian al final de la serie. Sin embargo, para la predicción, los intervalos de tiempo usados en las consultas depredicción se inician al final de la serie original. Si únicamente desea obtener las predicciones nuevas al agregar datos nuevos, debe especificar el punto inicial como unnúmero de intervalos de tiempo. Por ejemplo, si va a agregar dos datos nuevos y desea realizar cuatro predicciones nuevas, haría lo siguiente:

Cree una instrucción PREDICTION JOIN en un modelo de serie temporal y especifique los datos nuevos correspondientes a dos meses.

Solicite predicciones para cuatro intervalos de tiempo, donde el punto inicial es el intervalo de tiempo 3 y el punto final es el intervalo de tiempo 6.

En otras palabras, si los datos nuevos contienen n intervalos de tiempo y solicita predicciones para los estadios temporales 1 a n, las predicciones coincidirán con elmismo período que los datos nuevos. Para obtener nuevas predicciones de un período de tiempo que no cubren los datos, debe iniciar las predicciones en el intervalode tiempo n+1 tras la nueva serie de datos o asegurarse de que solicita intervalos de tiempo adicionales.

Nota

Si agrega nuevos datos, no puede realizar predicciones históricas.

En el ejemplo siguiente se muestra la instrucción DMX que permite obtener solo las predicciones nuevas para las dos series del ejemplo anterior.


PredictTimeSeries([Quantity],3,6, EXTEND_MODEL_CASES) AS PredictQty

FROM

[Forecasting_MIXED]


SELECT 1 AS [ReportingDate],

'10' AS [Quantity],


UNION SELECT

2 AS [ReportingDate],

15 AS [Quantity]),


) AS t

Los resultados de la predicción se inician en el intervalo de tiempo 3, que está después de los datos nuevos para 2 meses que proporcionó.

Producto y región Modelo con datos actualizados (PredictTimeSeries con EXTEND_MODEL_CASES)

M200 EuropeM200 Europe 9/25/2008 12:00:00 AM 72

M200 Europe 10/25/2008 12:00:00 AM 69

M200 Europe 11/25/2008 12:00:00 AM 68

M200 Europe 12/25/2008 12:00:00 AM 89

Realizar predicciones con REPLACE_MODEL_CASES

La sustitución de los casos del modelo resulta útil si desear entrenar un modelo en un conjunto de casos y, a continuación, aplicar ese modelo a una serie de datosdiferente. Un tutorial detallado de este escenario se presenta en Lección 2: generar un escenario de pronóstico ﴾Tutorial intermedio de minería de datos﴿.

Vea también




WHERE [ModelRegion] = 'M200 Europe'




Analisis Services(Ssas)

Documents