Sistemas de apoyo de toma de decisisones

Tema 6: Sistemas de Apoyo a la
Toma de Decisiones
1. Revisión de los Sistemas de Información en
la empresa
2. Sistemas de Datawarehousing
3. Análisis Multidimensional (OLAP)
4. Herramientas de Datamining
5. Beneficios obtenidos
6. Tecnología necesaria
16/10/2015
1
6.1. Revisión de los Sistemas de
Información en la empresa
• Sistema Transaccional
– Da soporte y automatiza los procesos de
negocio.
– Orientación a captura rápida y eficaz de datos
(transacciones).
– Escaso soporte al proceso de toma de
decisiones. Acumular datos y analizar
16/10/2015
2
6.1. Revisión de los Sistemas de
Información en la empresa
• Proceso de toma de decisiones
– Ambiente de incertidumbre
– Se asume riesgo
– Requiere información exacta y completa en la
fase de análisis del problema y de las
alternativas posibles, para minimizar riesgo
Decisión : Información + Riesgo
16/10/2015
3
6.1. Revisión de los Sistemas de
Información en la empresa
• Sistema Informacional
– Utiliza datos del sistema transaccional para
generar información útil para el proceso de
toma de decisiones
– Pueden incorporar datos de fuentes externas
– Orientados al registro de eventos del negocio,
con todo nivel de detalle
16/10/2015
4
6.1 Revisión de los sistemas de
información en la empresa
Insertar
Archivo datos
históricos
Modificar
Captura de
datos
Consultar
16/10/2015
Eliminar
Generación de
listados y
documentos
5
6.1 Revisión de los sistemas de
información en la empresa
• Sistemas transaccionales
– Procesamiento de datos
– Orientados al registro de
los eventos de negocio, con
todo el nivel de detalle
– Poca atención a los datos
acumulados
– Proporcionan información
básica de gestión
– Énfasis en la consistencia,
la seguridad y los tiempos
de respuesta
– Usuarios con perfil mediobajo de responsabilidad
16/10/2015
• Sistemas informacionales
– Ayuda a la toma de
decisiones
– Orientados al análisis de los
datos y a la simulación de
alternativas
• Trabaja con grandes
volúmenes de datos
• Especializados en la
consulta no en la
actualización
– Enfoque hacia el presente y
el futuro
– Énfasis en la flexibilidad y la
utilización ad hoc.
– Usuarios con perfil alto de
6
responsabilidad
6.2. Sistemas de Datawarehousing.
Introducción
•
Núcleo de las aplicaciones Business
Intelligence (3 elementos):
1. Recogida y gestión de grandes volúmenes de
datos
2. Análisis de los datos: OLAP y datamining
3. Sofware de consulta para el usuario final:
Amigable e intuitivo
16/10/2015
7
6.2. Sistemas de Datawarehousing.
Introducción
• Evolución Sistemas de Información:
– 70’s  Informes: Información predefinida y
estática
– 80’s  Queries flexibles: Informes dinámicos
y ad-hoc
– 90’s  DDS, EIS, OLAP
– Datawarehouses, Datamining
Análisis multidimensional, identificación de
tendencias, detectar oportunidades de negocio
16/10/2015
8
6.2. Sistemas de Datawarehousing.
Definición
• Datawarehouse: Gran almacén de datos, en
el que se integran datos provenientes de
varias fuentes:
– Del sistema transaccional
– De fuentes externas
• Datos de solo lectura (no volátiles)
• Gran capacidad de almacenamiento
(TeraBytes). Varios ejercicios
16/10/2015
9
6.2. Sistemas de Datawarehousing.
Definición
• Metadato: Información que se guarda sobre los
propios datos (catálogo, descripción y
procedencia; transformaciones realizadas,
periodicidad de actualización, etc.).
• Premisa: Separar entorno transaccional del
decisional para no interferir en el procesamiento
y registro de nuevas transacciones.
• Información almacenada con formato unificado,
homogéneo y accesible, con diferentes grados de
agrupamiento.
16/10/2015
10
6.2. Sistemas de Datawarehousing.
Definición
• Los datos se organizan por temas (clientes,
vendedores, etc.) no por funciones
• DataMart: Almacén de datos de menor
tamaño restringido a un área o
departamento.
16/10/2015
11
6.2. Sistemas de Datawarehousing.
Etapas en la construcción de un DW
1. Extracción: Captura de datos de las fuentes
seleccionadas ( distintos formatos de Base de Datos,
Excel, tablas de texto, etc.)
2. Detectar y corregir errores:
•
•
Eliminar duplicados
Anular valores sin sentido
3. Analizar la consistencia en el uso de valores
•
•
•
Codificación de campos. P.e. Seco (H/M, H/D, 1/0, …)
Unificación de unidades de medida (euros, miles de euros, etc.)
Formato de las fechas
4. Tratamiento de la ausencia de valores
•
16/10/2015
Asignación de valores por defecto
12
6.2. Sistemas de Datawarehousing.
Etapas en la construcción de un DW
5.
Eliminar campos no significativos
•
6.
Los que no aportan nada al análisis, por ejemplo los de estado
de transacción
Reestructurar y añadir nuevos campos
•
7.
Enriquecer datos, recabando más información sobre las
entidades objeto de análisis.
Codificar datos para facilitar tratamiento estadístico
•
•
8.
Codificar direcciones a zonas geográficas
Agrupar valores, p.e. Grupos de edad
Cálculo de campos derivados
•
16/10/2015
Cálculo de subtotales y datos consolidados que producen un
nuevo nivel de detalle: venta por región, por producto, …
13
MOLAP
Procesos de
sumarización
ROLAP
Metadatos
Información
fuente
(BD relacional)
Programas de
extracción,
transformación
y carga
ROLAP
Archivos
(planos,
delimitados,
dbf, etc.)
Sistemas
Operacionales
16/10/2015
14
6.2. Sistemas de Datawarehousing.
Sistema gestor de datos en un DW
•
3 tipos de sistemas:
1. Base de Datos Relacional tradicional
2. Base de Datos Relacional, con un diseño en
estrella y desnormalización de tablas
3. Base de Datos Multidimensional
16/10/2015
15
6.2. Sistemas de Datawarehousing.
Bases de Datos Relacionales
• Access, SQL Server, Oracle, Sybase, dB2…
• No son válidos los principios del modelo
relacional
• Especial atención a la consistencia e integración
de las estructuras de datos (normalización).
• Tiempo de respuesta elevado si se accede a
múltiples tablas
• En DWH pierde sentido la normalización.
16/10/2015
16
6.2. Sistemas de Datawarehousing.
Bases de Datos Relacionales con
diseño en estrella
• Ralph Kimball lo propuso en su libro “The
Datawarehouse Toolkit”
• Estructuras no normalizadas que
incorporan redundancias para agilizar las
consultas y operaciones del análisis de
datos.
16/10/2015
17
6.2. Sistemas de Datawarehousing.
Bases de Datos Multidimensionales
• Los datos se almacenan en cubos diseñados para
agilizar consultas y el análisis multidimensional
• Proceso de cálculo de subtotales durante la carga
de datos con varios niveles de agrupamiento
• Problemas de escalabilidad, para agregar nuevos
datos recalcular todos los subtotales.
• Ocupan mucho espacio, crece exponencialmente
con el número de dimensiones.
16/10/2015
18
6.2. Sistemas de Datawarehousing.
Explotación del DataWarehouse
• Las herramientas de explotación del DWH
facilitan el análisis de datos acumulados para
generar gráficos e informes útiles para la toma de
decisiones. 3 grupos de herramientas:
– Query & Reporting: Herramientas para hacer
consultas e informes
– Análisis Multidimensional (OLAP): Análisis de datos
a través de dimensiones y jerarquías (agrupamiento de
las dimensiones). Consultas predefinidas y subtotales
calculados
– Herramientas de Datamining: Para detectar y
modelizar relaciones entre los datos (patrones de
consumo, predecir comportamiento, asociaciones de
16/10/2015productos, etc.)
19
6.3. Análisis Multidimensional
(OLAP)
• 3 componentes en el modelo
multidimensional:
– Dimensiones: Grupos conceptuales para
analizar o consolidar datos (productos,
clientes, etc.)
– Medidas o indicadores: Valores numéricos
– Jerarquías de dimensiones: Niveles de
agregación
16/10/2015
20
6.3. Análisis Multidimensional
(OLAP)
Producto:
• Id_Prod
•Nombre
•Gama
•Coste
•Precio
Tabla de hechos
Zona geog.:
Ventas:
•Id_zona
•Id_Prod
•Ciudad
•Id_zona
•Provincia
•Fecha
•Región
•Id_cliente
•País
•Cantidad
Perído:
•Precio venta
Cliente:
•Día semana
•Descuento
•Id_cliente
•Semana
•Nombre
•Mes
•…
•Trimestre
16/10/2015
Dimensiones de
análisis
21
6.3. Análisis Multidimensional
(OLAP)
16/10/2015
22
6.3. Análisis Multidimensional
(OLAP)
• Operaciones básicas del análisis
multidimensional:
–
–
–
–
Drill across: Cambiar la dimensión del análisis
Swap: Permutar 2 dimensiones del análisis
Up & Down: Subir o bajar en el nivel de agregación
Drill down: Profundizar para alcanzar datos de un
nivel inferior
– Expand: Expandir un determinado nivel de
información
– Collapse: Anular la expansión de un nivel de
información
16/10/2015
23
6.3. Análisis Multidimensional
(OLAP)
• Hyperion, lider del mercado de
herramientas OLAP
• La plataforma es Business Intelligence
ESSBASE.
16/10/2015
24
6.4. Herramientas de Datamining
• Minería de datos: Métodos avanzados para
explorar y modelizar relaciones en grandes
volúmenes de datos y obtener información
implícita (patrones de compra,
asociaciones de productos, etc.)
16/10/2015
25
6.4. Herramientas de Datamining.
3 grupos
– Estadísticas
• Cálculo de parámetros estadísticos (medias, varianzas,
correlaciones, etc.)
• Técnicas bayesanas
• Tests de hipótesis
• Regresión lineal
• Análisis multivariante
• Análisis clúster (agrupar datos para segmentar)
– Simbólicas
• Arboles de decisión
• Reglas
– De inteligencia artificial
• Redes neuronales
• Algoritmos genéticos
16/10/2015
26
6.4. Herramientas de Datamining
•
•
Herramientas comerciales: SPSS, S-Plus de
MathSoft, Cognos Scenario
Metodología de datamining:
1.
Muestreo: Selección de una muestra para reducir
coste de análisis e incrementar velocidad.
2. Exploración: Determinar tendencias, rango de las
variables clave, frecuencia de valores, correlación…
3. Modificación: transformado y filtrado de variables
para adecuarse al problema
4. Modelizar el comportamiento mediante redes
neuronales, árboles de decisión, regresión, etc.
5. Evaluación: Comprobar la validez del modelo
6. Presentación gráfica de resultados
16/10/2015
27
6.4. Herramientas de Datamining.
Aplicaciones
1. Asociación de productos
•
•
Análisis de la cesta de la compra.
Utilizar información para definir catálogo de
productos, organizar almacén, definir políticas de
promoción etc.
2. Clasificación de clientes
•
Identificar a que grupo pertenece, por ejemplo para
análisis de riesgo de clientes.
3. Segmentación y agrupación de clientes
(clustering)
•
16/10/2015
Identificar patrones de comportamiento semejantes.
Predecir comportamiento de clientes: Evolución
previsible, respuesta a promociones, etc.
28
6.5. Beneficios obtenidos
• Sistemas datawarehousing/datamining permiten
disponer de la información necesaria en poco
tiempo
• Los directivos pueden dedicar más tiempo al
análisis
• Aplicado al marketing se profundiza en el
comportamiento del cliente
• Detectar tendencias y hacer previsiones gracias a
la acumulación de datos y experiencia
16/10/2015
29
6.5. Beneficios obtenidos
• Facilitan, pues, la toma de decisiones
estratégicas:
– Configurar canales de distribución a partir de análisis
de ventas
– Política de precios: análisis y simulación de tarifas,
descuentos, comisiones, etc.
– Planes de promoción: simulación de campañas
comerciales, control de resultados, análisis de
respuesta de clientes
– Lanzamiento de nuevos productos
– Análisis y prevención del fraude
16/10/2015
30
6.6. Tecnología necesaria
• Equipos de altas prestaciones (Servidores
multiprocesador):
– SMP: Simétrico. Varios procesadores comparten bus de datos y
memoria
– MPP: Paralelo: Cada procesador tiene su bus de datos y su
memoria
• Gran capacidad RAM y de disco
• Herramientas ETL: Extracción y Transformación de datos
• Software gestor del DWH y aplicaciones de análisis de
datos
• Mercado: SAS, Cognos, Business Objects, Oracle, etc.
16/10/2015
31
6.7. Ejemplos
• Banca: Segmentación de clientes para optimizar
envío de mailings y campañas comerciales
• Unión Fenosa: Sistema para predecir el potencial
de compra de “calor económico”
• Telefónica Móviles: Informació de destino de
llamadas y duración para lanzar nuevos servicios
• Wall Mart: Banderitas
16/10/2015
32