SISTEMAS DE APOYO A LA TOMA

DE DECISIONES

Lic. Yamileth García

DATAWAREHOUSING Y DATAMINING
REVISION DE LOS SISTEMAS DE INFORMACION EN LA
EMPRESA
La información y la toma de decisiones
Las empresas han desarrollado los sistemas de
información operacionales, también conocidos como
sistemas transaccionales, para poder dar soporte y
automatizar sus procesos de negocio. Estos sistemas
están orientados a la captura rápida y eficaz de los datos
correspondientes a los distintos eventos del negocio
(transacciones).
Estos sistemas han prestado escaso soporte al proceso de
toma de decisiones, el cual, en muchos casos, requiere
explotar la información generada a partir de los datos
acumulados en el desarrollo de las actividades del
negocio.
• Conviene en primer lugar distinguir
claramente que entendemos por datos y
que entendemos por información. Los
datos reflejan los hechos recogidos en la
organización y que están todavía sin
procesar, mientras que la información se
obtiene una vez que estos hechos se
procesan, agregan y presentan de la
manera adecuada para que puedan ser
útiles a alguien dentro de la organización,
por lo que, de este modo, estos datos
organizados y procesados presentan un
mayor valor que en su estado original.
• Hay que tener en cuenta
que el proceso de toma
de decisiones tiene lugar
en un ambiente de
incertidumbre y que,
generalmente, se tiene
que asumir un cierto Información Riesgo Decisión
riesgo. Por este motivo,
se debería disponer de
información lo más
exacta y completa
posible en la fase de
análisis del problema y
de las alternativas
posibles, para minimizar
el riesgo inherente al
proceso de toma de
decisiones.
 Sistemas transaccionales y Sistemas
Informacionales
• Los sistemas transaccionales surgen con las primeras
aplicaciones empresariales de los equipo informáticos,
para realizar de forma automatizada tareas
administrativas repetitivas e intensivas en mano de
obra; la gestión de nóminas, la facturación a clientes, el
control de inventarios, la contabilidad, etc.
• Sistemas Informacionales utilizan los datos
almacenados en los sistemas informáticos de la
empresa (capturados y almacenados por el sistema
transaccional) para generar información útil para el
proceso de la toma de decisiones. Asimismo, estos
sistemas pueden incorporar datos procedentes de
fuentes externas para su análisis.
• Los sistemas transaccionales pueden
proporcionar alguna información básica para
la gestión, a partir de consultas e informes
predefinidos, pero generalmente prestan
poca atención a los datos acumulados sobre
el negocio, debido sobre todo a razones de
Insertar

eficiencia. Modificar

Eliminar

Base de Datos
 El día a día de un sistema
transaccional

Captura de Datos

Archivo de datos históricos

Generación de reportes
• Los sistemas Informacionales están orientados al
análisis de los datos acumulados y a la simulación de
alternativas, como soporte al proceso de toma de
decisiones. Por ello, están especializados en la
CONSULTA y no en la actualización, trabajando con
grandes volúmenes de datos no volátiles (estos datos
son “HISTORIA”, se corresponden con transacciones ya
completadas y que, por lo tanto, no se tienen que
actualizar.
• Sus usuarios tiene perfiles altos en cuanto a su
responsabilidad y capacidad para tomar decisiones, ya
que la información obtenida se va a utilizar para la
planificación estratégica dentro de la organización.
• Los sistemas informacionales se parte de los
datos acumulados por el negocio para poder
llevar a cabo un análisis de ellos mediante
consultas y procesos masivos, con una
proyección de los resultados hacia el presente
y el futuro.
Insertar BD Consultar
 Comparación

Sistemas Transaccionales Sistemas Informacionales

Procesamiento de Datos Ayuda a la toma de decisiones
Registro de eventos del negocio con Analisis de datos acumulados y
nivel de detalle simulación de alternativas
Poca atención a los datos acumulados Trabaja con grandes volúmenes de
(eficiencia) datos
Especializados en consulta no en
actualización
Proporciona información básica de Enfoque al presente y futuro
gestión
Énfasis en la consistencia y seguridad , Énfasis en la flexibilidad y utilización ad
y los tiempos de respuesta hoc.
SISTEMAS DE DATAWAREHOUSING
Estos constituyen el núcleo de las aplicaciones de Business
Intelligence (BI). Constan de 3 elementos principales:
Recogida y gestión de grandes volúmenes de datos :
Tecnología DATAWAREHOUSING
• Análisis de Datos: Tecnología OLAP (On-Line Analytical
Processing) y herramientas de Datamining
• Software de consulta amigable e intuitivo, asequible al
usuario final.

Datawarehouse y
Queries Flexibles (80´s)
Informes (70´s) DSS, EIS, OLAP (90´s) Datamining
Informes dinámicos
 DATAWAREHOUSE
• Un datawarehouse constituye el elemento
fundamental de un sistema informacional de apoyo a la
toma de decisiones en la empresa.
• Es un GRAN ALMACEN de datos en el que se integran
datos procedentes de varias fuentes:
– Datos de distintos sistemas transaccionales de la empresa
diseminados en distintos departamentos:administración,
producción, marketing, etc.
– Datos de fuentes externas

Todos estos datos son no volátiles, es decir , no se van a

modificar , son “sólo de lectura”
• Un datawarehouse debe disponer de una gran
capacidad de almacenamiento (de varios decenas de
Gigabytes o TeraBytes en grandes empresas) ya que los
datos pertenecen a largos períodos de tiempo (varios
ejercicios económicos de la empresa)
• Por otra parte se emplea el concepto de METADATOS
para hacer referencia a la información que se guarda
en el sistema sobre los propios datos, entre la que
podemos incluir el catálogo, descripción y procedencia
de datos, las transformaciones que han experimentado
y la periodicidad de su actualización, etc.
• Un Datawarehouse cumple un principio arquitectural fundamental: la
separación de los sistemas transaccionales de los informacionales en dos
entornos tecnológicos diferente, para que el análisis de los datos
acumulados del negocio no interfiera con el procesamiento y registro de
nuevas transacciones.
• Estos datos se guardan de forma unificada, homogénea y accesible, con
distintos niveles de agrupación.
• Los datos en un datawarehouse se encuentran organizados por TEMAS
(clientes, vendedores, etc) y NO por funciones, como en los sistemas
transaccionales, es decir todo lo relativo a los clientes se encuentra
dentro de la misma estructura del datawarehouse.
• También se utiliza el concepto de DATAMART para un almacen de datos
más pequeño, restringido a una temática o un departamento de la
empresa
 Estructura de un sistema de
Datawarehouse

DataMart
Terminal
es

Captura
Transformaci Datamart
ón y carga Datawarehouse

Explotación
Herramientas
de acceso

METADATOS
ETAPAS EN LA CONSTRUCCION DE UN DATAWAREHOUSE

A. Captura de Datos de las fuentes seleccionadas

Extracción de los datos de multiples formatos
de base de datos, de tablas, hojas de cálculo, etc. e
incorporarlos al datawarehouse
B. Tratamiento de la conversión y transformación de
los datos
Una vez cargado hay que realizar operaciones
de limpieza, homogenización, mezclado y
enriquecimiento de los datos entre lo que podemos
destacar:
 ….B….
1) Detectar y corregir errores
Ejemplo:eliminar duplicados, como clientes duplicados)
Detectar y Anular valores sin sentido (ejemplo: fechas innecesarias)

2) Analizar las inconsistencias en el uso de valores: dado que provienen de distintas

fuentes y departamentos, es muy probable que se hayan utilizado distintos esquemas
de codificación de valores, por lo que se hace necesario la homogeneización:
codificación del sexo: M / F y no H/M
Unidades de medida: libras y no kilos
Fechas: dd/mm/aaaa y no mm/dd/aa etc.

3) Tratamiento de la ausencia de valores:Asignar valores por defecto

 ….B….
4)Eliminar campos no significativos
Ejemplo:eliminar campos que no van a portar nada al análisis posterior, aquellos utilziados en el
sistema transaccional (numero de factura , etc)

5)Reestructurar y añadir nuevos campos

Enriquecimiento de los datos, recabando si es posible, mas información sobre las entidades objeto del
análisis.

6)Codificar los campos para facilitar su tratamiento estadístico

Pasar las direcciones a códigos de zonas geográficas por ejemplo
Pasar atributos a valores booleanos (1 o 0)

7) Cálculo de campos derivados

Calculo de subtotales y datos consolidados que reduzcan el nivel de detalle (ventas por región , por
producto, etc)
 DATAWAREHOUSE
Administracion
Clientes
Pedidos
Ventas
Producción
Unidades producidas Marketing
Stock Clientes
Costos Historial

DATAWAREHOUSE
CLIENTES
VENTAS
PRODUCTOS
PRECIOS
INVENTARIOS
 Gestor de Datawarehouse
• En las bases de Datos relacionales tenemos
herramientas como:
– Acces
– SQL Server
– Oracle
– Sybase
– DB2
– MySql

Aquí no aplican estas relaciones pues estos eliminan

redundancias, etc. Por eso se utilizan base de datos
MUTIDIMENSIONALES
Base de Datos Multidimensional

Análisis de datos:
Por tiempo Inconvenientes:
Por Producto • recalcular los
Por País subtotales
• Gran espacio de
almacenamiento en
disco
• Crecen
Exponencialmente
• Tiempos de consulta
elevados
EXPLOTACION DEL DATAWAREHOUSE
Herramientas: QUERIES AND REPORTING
Son las clásicas herramientas de generación de consultas e informes
de los sistemas de bases de datos relacinales, que permiten generar
informes predefinidos a partir de los campos calculados, asi como
preparar consultas ad hoc de forma gráfica o mediante lenguaje SQL
(Structured Query Language)
ANALISIS MULTIDIMENSIONAL (OLAP Online Analytical Processing)
Son herramientas que facilitan el analisis de los datos a través de
dimensiones y de jerarquías (niveles de agrupamiento dentro de las
dimensiones) utilizando consultas rápidas predefinidas y subtotales
previamente calculados.
DATAMINING (Mineria de Datos)
• Son técnicas avanzadas que permiten detectar y
modelizar relaciones entre los datos y jerarquías
(niveles de agrupamiento no evidente: patrones
de consumo, predicción del comportamiento de
los clientes, asociaciones de productos, etc.
Ejemplo de usos:
• Los casos de la pandemia, zonas de contagio
• Redes de criminales o corrupción
• Lavado de activos
ANALISIS MULTIDIMENSIONAL OLAP
• Esta técnica de análisis incluye 3 componentes:

– Dimensiones: grupos conceptuales que permiten

analizar o consolidar los datos, por ejemplo:productos,
clientes, zonas, tiempo

– Medidas o indicadores: valores numéricos que se

guardan en la base de datos, ejemplo: facturación,
productos vendidos, etc.

– Jerarquias de dimensiones: distintos niveles de

agregación de una dimensión.
Ejemplo MODELO DIMENSIONAL
PRODUCTOS
Id.Prod
ZONAS
Nombre.prod VENTAS Id.zona
Gama Id.prod Ciudad
Costo id-.zona Estado
precio Fecha país
Id.cliente
Precio.vta
Descuento
cantidad
CLIENTES
Id.cliente
nombre
dirección
Id.zona
telefono
Dimensiones de análisis
• Las operaciones básicas del análisis multidimensional
permiten agregar los datos almacenados en el
DATAWAREHOUSE. Seguidamente se presentan algunas
de las operaciones básicas:
– Cambiar la dimensión del análisis (drill across)
– Permutar dos dimensiones de análisis (swap)
– Subir (up) o descender (down) en el nivel de agregación
– Profundizar para alcanzar los datos de un nivel inferior
(drill down)
– Expandir un determinado nivel de información (expand)
– Anular la expansión de un nivel de información (collapse)
 Algunas Herramientas OLAP en el
mercado
• Azure analysis Services
• Azure Data Factory
• MDX de Microsoft
• SQL Server Analysis Services
• Oracle OLAP
Herramientas de Datamining
• Herramientas estadísticas
– Cálculo de parámteros (medias, varianzas, etc)
– Test de hipótesis
– Tecnicas de regresión lineal
– Analisis multivariante
– Analisis de cluster (agrupación de datos para poder llevar a cabo la
segmentación)
• Herramientas simbólicas
– Arboles de decisión
– Reglas
• Técnicas de inteligencia artificial
– Redes neuronales
– Algoritmos genéticos
Podemos citar SPSS plus por ejemplo para las herramientas estadísticas
Metodología en un proceso de Datamining tiene las
siguientes etapas:

• Muestreo: selección de una muestra de datos, que permite

reducir el costo de análisis e incrementar su velocidad. Se trata
de una etapa aconsejable para ficheros muy grandes de datos
• Exploración: determinación de las tendencias principales, rango
de variables clave, frecuencia de los valores, correlación entre
variables…etc.
• Modificación: transformación y filtrado de variables, para
adecuarse a los requisitos del problema o cuestión que se
pretende analizar.
• Modelización del comportamiento: empleando redes
neuronales, arboles de decisión, regresión, análisis estadístico
multivariable.
• Evaluación: comprobación de la validez del modelo
• Presentación gráfica de los resultados.
 Aplicaciones de Datamining

1.-Asociación de productos:
análisis de la cesta de compra y de
asociaciones de productos, por
ejemplo: una pareja de productos
en supermercados son pañales y
cerveza.
La información obtenida se suele
utilizar en el diseño de catálogos
de productos, en la organización
de líneas de un almacén, definición
de políticas de promoción de
ciertos productos, etc.
 Aplicaciones de Datamining

2.-Clasificación de clientes:
Identificación del grupo al
que pertenece un
determinado cliente. En este
caso resulta de interés por
ejemplo: el análisis de riesgo
en operaciones de crédito.

*La central de riesgos utiliza

este tipo de herramientas.
 Aplicaciones de Datamining

3.-Segmentación y agrupamiento
de clientes: Identificación de
grupode patrnes de
comportamiento similares. Con
esta información es posible llegar
a predecir el comportamiento de
los clientes: cual va a ser su
evolución previsible en el tiempo,
como puede reaccionar frente a
determinadas campañas
comerciales.etc.
 BENEFICIOS OBTENIDOS
• Con los sistemas datawarehousing /Datamining los
directivos pueden disponer de la información necesaria
en muy poco tiempo y con el mínimo esfuerzo.
• Con estas herramientas aplicadas al marketing se
profundiza en el conocimiento del comportamiento de
los clientes, lo cual permite personalizar la oferta y
conseguir una mayor eficacia de las acciones
comerciales.
• Por otra parte, dado que la información se encuentra
disponible en series temporales, a partir de la
acumulación de los datos del negocio y de la
experiencia de la organización, es posible detectar
tendencias y realizar previsiones de cara al futuro.
• De este modo podemos concluir que los Sistemas de
datawarehousing / datamining facilitan la toma de
decisiones estratégicas de la empresa:
– Configuración de canales de distribución, a partir del análisis de
las ventas por canal, ventas por regios, etc.
– Política de precios: análisis y simulación de tarifas, descuentos,
comisiones…
– Planes de promoción: simulación de campañas comerciales,
control de resultados , análisis de respuesta de los clientes, etc.
– Lanzamiento de nuevos productos: análisis de la cartera de
productos, ciclo de vida , cesta de compra, venta cruzada.
– Analisis y prevención de fraudes.
 TECNOLOGIA NECESARIA
• Requieren equipos de altas prestaciones para poder
manejar grandes volúmenes de datos con rapidez y
eficacia. Por ello suelen emplear servidores
multiprocesadores, con plataformas fácilmente escalables
que permitan siportar crecimientos en el volumen de
datos procesados.
• Gran capacidad de memoria RAM, almacenamiento
secundario y SW con herramientas de extracción y
transformación de los datos.
• En la actualidad hay un número de fabricantes en el
mercado que ofrecen soluciones de Business Intelligence
para dar respuesta a necesidades relacionadas con los
sistemas de Datawarehousing/Datamining.
 Ejemplos de aplicación
• Banca: segmentar clientes, tipo de operaciones
realizadas. Perfilar clientes para ciertas campañas y
promociones o desarrollo de productos y servicios
• Empresas de energía: Consumo eléctrico según el
clima, potencia generada, consumo según época del
año o meses, tipos de ciudad o zonas rurales.
• Telecomunicaciones: Predecir comportamiento de los
clientes, duración de llamadas, destinos de las
llamadas, horarios de las llamadas, etc. Asi diseñar
ofertas y tarifas especiales. Reducir la perdida de
clientes por la competencia.
Lo que el 9/11 provocó …