1 INTELIGENCIA DE NEGOCIO 2018 - 2019 Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales Tema 4. Preparación de Datos Tema 5. Modelos de Agrupamiento o Segmentación Tema 6. Modelos de Asociación Tema 7. Modelos Avanzados de Minería de Datos. Tema 8. Big Data
26
Embed
INTELIGENCIA DE NEGOCIO - UGR · Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
INTELIGENCIA DE NEGOCIO 2018 - 2019
Tema 1. Introducción a la Inteligencia de Negocio
Tema 2. Minería de Datos. Ciencia de Datos
Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales
Tema 4. Preparación de Datos
Tema 5. Modelos de Agrupamiento o Segmentación
Tema 6. Modelos de Asociación
Tema 7. Modelos Avanzados de Minería de Datos.
Tema 8. Big Data
Objetivos
Entender el concepto de Inteligencia de Negocio
Conocer los elementos más importantes en el diseño de una sistema de Inteligencia de Negocio
Conocer los retos importantes en el área de la Inteligencia de Negocio.
Identificar tecnologías informáticas que son necesarias para el desarrollo de herramientas de Inteligencia de Negocio.
3
1. Introducción. Inteligencia de Negocio
2. Arquitectura de un Sistema
3. Su aporte. Su importancia. Los retos
4. Comentarios Finales
Inteligencia de Negocio
TEMA 1. Introducción a la Inteligencia de Negocio
4
Se necesita información y conocimiento a partir de los datos de la empresa.
1. Introducción. Inteligencia de Negocio
“ Inteligencia de Negocio se refiere al proceso de convertir datos en conocimiento y conocimiento en
acciones para crear la ventaja competitiva del negocio “
The Data Warehousing Institute
5
Nace así el concepto de Inteligencia de Negocio (Business Intelligence):
No es una tecnología
Es un conjunto de sistemas de información que trabajan de forma coordinada.
Sistemas de almacenamiento de datos (data warehouse)
Sistemas de minería de datos (data mining)
Herramientas de procesamiento analítico de datos (OLAP)
Sistemas de administración de conocimiento (KBS)
Herramientas de consulta y reporte de datos
Tableros de información (Dashboards)
1. Introducción. Inteligencia de Negocio
6
“ Inteligencia de Negocio se refiere al proceso de convertir datos en conocimiento y conocimiento en
acciones para crear la ventaja competitiva del negocio “
The Data Warehousing Institute
Datos Información ConocimientoVentajaCompetitiva
1. Introducción. Inteligencia de NegocioDefinición
7
Agregar Datos
Database, Data Mart, Data Warehouse, ETL
Tools, Integration Tools
Presentar Datos
Conocimientosobre los
datos
Toma de decisiones
Reporting Tools, Dashboards,
Static Reports, Mobile Reporting,
OLAP Cubes
Add Context to Create Information, Descriptive Statistics, data mining
Decisions are Fact-based and
Data-driven
“ Inteligencia de Negocio se refiere al proceso de convertir datos en conocimiento y conocimiento en
acciones para crear la ventaja competitiva del negocio “
The Data Warehousing Institute
1. Introducción. Inteligencia de NegocioDefinición
8
What is Business Intelligence? (AVITAS video)
http://www.youtube.com/watch?v=0aHtHl-jcAs
(1’27’’)
1. Introducción. Inteligencia de Negocio
9
1. Introducción. Inteligencia de Negocio
10
What is Business Intelligence?
Business Intelligence gives you the hearing now
Business analytics arms you with the information necessary totake a proactive stance in managing the future of your business
Business analytics is the subset of BI based on statistics, prediction, and optimization.
1. Introducción. Inteligencia de Negocio
11
1. Introducción. Inteligencia de Negocio
Business analytics is the subset of BI based on statistics, prediction, and optimization.
El resumen
12
1. Introducción. Inteligencia de Negocio
2. Arquitectura de un Sistema
3. Su aporte. Su importancia. Los retos
4. Comentarios Finales
Inteligencia de Negocio
TEMA 1. Introducción a la Inteligencia de Negocio
Procesos de Extracción, Transformación y Carga
Data Mining(Business Analytics)
• Estadísticas
• Análisis de Tendencias y Comportamientos
• Proyecciones
• Análisis de FCE• Análisis de Datos
Sumarizados
OLAP (On-Line Analytical
Processing)Análisis Multidimensional
Reportes y Consultas
• Análisis del Detalle
de Información
Data Warehouse(Data Mart)
• Modelo del Negocio
Integrado• Repositorio de Información
• MetadataDatos
Externos
Dashboards(Tableros)
2. Arquitectura de un Sistema
Data Warehouse. Proceso ETL
14
Procesos de Extracción, Transformación y Carga
Data Warehouse(Data Mart)
• Modelo del Negocio Integrado
• Repositorio de Información• Metadata
Datos Externos
2. Arquitectura de un Sistema
Asignatura: Sistemas Multidimensionales,
3º Grado Informática
Business analytics (minería de datos)
15
Data Mining(Business Analytics)
• Estadísticas
• Análisis de Tendencias y Comportamientos• Proyecciones
Data Warehouse(Data Mart)
2. Arquitectura de un Sistema
Herramientas software
16
2. Arquitectura de un Sistema
17
1. Introducción. Inteligencia de Negocio
2. Arquitectura de un Sistema
3. Su aporte. Su importancia. Los retos
4. Los retos en la Inteligencia de Negocio
5. Comentarios Finales
Inteligencia de Negocio
TEMA 1. Introducción a la Inteligencia de Negocio
18
Cualquier organización grande o pequeña,
necesita integrar la información de su
cadena de valor, con el objetivo de analizarla,
para poder tomar decisiones y diseñar
estrategias de negocio
eficientes.
Sistemas Operacionales y Datos Externos
Análisis de Información
Valor para el Negocio
3. Inteligencia de Negocio. Su aporte. Su importancia. Los retos
Herramienta de análisis para el conocimiento del negocio
19
CONOC.
DEL
NEGOCIO
Servidor
Base de Datos
Red
Carga
Limpieza
Transformación
Extracción Diseño
3. Inteligencia de Negocio. Su aporte. Su importancia. Los retos
20
3. Inteligencia de Negocio. Su aporte. Su importancia. Los retos
Data mining: Data Preprocessing, Supervised learning, unsupervised learning, forecastingContemporary Analytics: text mining, network analytics, social analytics, customer analytics, web analytics, risk analytics, information retrieval and recommendationsStatistical Analysis: Estimation and inference; and regression modelsOperations: Simulation and optimization