Inteligencia de Negocios

Presentación del tema: "Inteligencia de Negocios"— Transcripción de la presentación:

1 Inteligencia de Negocios
Universidad Católica Andrés Bello Vicerrectorado Académico Dirección General de Estudios de Postgrado Área de Ingeniería Maestría en Sistemas de Información Sistemas de Información Inteligencia de Negocios Javier A. PINO B. Caracas, 10/12/2015

2 Inteligencia de Negocios
Definición La Inteligencia de Negocios o Business Intelligence (BI) es la habilidad corporativa para tomar decisiones ¿Cómo se logra? Al usar metodologías, aplicaciones y tecnologías que permitan reunir, depurar, transformar datos, y aplicar en ellos técnicas analíticas de extracción de conocimiento. Los datos pueden ser estructurados para generar conocimiento sobre: los problemas del negocio las oportunidades del negocio Fuente: Bautista B. et al (2010)

3 Herramientas para BI El software para Inteligencia de Negocios (BI) obtiene información de las fuentes de datos de una compañía, para facilitar la toma de decisiones basadas en hechos. Proporcionan las herramientas para aprovechar los datos transaccionales. Permite utilizar los datos como respaldo a las decisiones. Fuentes: Laudon, K. y Laudon, J. (2012), Bautista B. et al (2010)

4 Algunas herramientas para BI
Necesidad Censar el Ambiente Recordar lo censado Razonar Aprender Herramienta que busca satisfacer la necesidad Bases de Datos Relacionales Data Warehouse y Data Marts Cubos OLAP Minería de Datos

5 Almacenes de Datos (Data Warehouses)
El almacén de datos consolida y estandariza la información de distintas bases de datos operacionales. Es una base de datos que almacena la información actual e histórica de interés potencial para los encargados de tomar decisiones en la compañía. Los datos se originan en muchos sistemas de transacciones operacionales básicos Fuente: Laudon, K. y Laudon, J. (2012)

6 Mercados de Datos (Data Marts)
Es un subconjunto de un almacén de datos, en el cual se coloca una porción con alto grado de enfoque en los datos de la organización. Por lo general, se enfocan en un solo tema o línea de negocios. Por su menor tamaño, es común que se construya con más rapidez y a un menor costo que un almacén de datos a nivel empresarial. Fuente: Laudon, K. y Laudon, J. (2012)

7 Data Warehouse vs Data Mart
Contiene múltiples áreas de estudio Almacena los datos a nivel detallado Trabaja para integrar todas las fuentes de datos de la organización No tiene necesariamente un modelo multidimensional, pero es capaz de alimentarlos Data Mart Una única área de estudio: Finanza o Ventas Puede contener información sumarizada o agregada Integra la información en un subconjunto de las fuentes de datos Su construcción se basa en un modelo multidimensional.

8 Cubos OLAP OLAP (Online Analytical Processing)
Análisis de datos multidimensional, el cual permite a los usuarios ver los mismos datos de distintas formas. Cada aspecto de información —producto, precios, costo, región o periodo de tiempo— representa una dimensión distinta. OLAP permite a los usuarios obtener respuestas sobre información agregada, en un periodo de tiempo bastante corto. Fuente: Chaudhuri S. et al (2013)

9 Cubos OLAP OLTP (Online Transaction Processing) Transacciones cortas
Consultas Simples Actualizan una pequeña parte de los datos Actualizaciones frecuentes “¿Cuántas unidades del producto número 403 se enviaron en febrero de 2010?” OLAP (Online Analytical Processing) Transacciones largas Consultas Complejas Actualizan gran parte de los datos Actualizaciones poco frecuentes ¿Ventas comparadas del producto 403 por trimestre y región de ventas durante los últimos dos años?

10 Minería de Datos (Data Mining)
La minería de datos está orientada al descubrimiento, ya que provee perspectivas hacia los datos corporativos que no se pueden obtener mediante OLTP u OLAP, al: Encontrar patrones y relaciones ocultas en las bases de datos grandes. Inferir reglas para predecir el comportamiento a futuro. Guiar la toma de decisiones y pronosticar el efecto de esas decisiones. Contrario a las bases de datos OLTP y OLAP, los usuarios NO necesitan tener una buena idea sobre la información que están buscando. Fuente: Laudon, K. y Laudon, J. (2012)

11 Minería de Datos - Información
1. Asociaciones: Ocurrencias vinculadas a un solo evento 2. Secuencias: Eventos vinculados en el tiempo. 3. Clasificación: Reconocer patrones que describen el grupo al que pertenece un elemento, al inferir un conjunto de reglas. 4. Agrupamiento o clustering: Funciona de manera similar a la clasificación, aún cuando no se han definido grupos. 5. Predicciones: Se basa en una serie de valores existentes para pronosticar . Fuente: Laudon, K. y Laudon, J. (2012)

12 Inteligencia de Negocios en la literatura
Fuente: Google Books Ngram Viewer

13 Inteligencia de Negocios
ARQUITECTURA TECNOLÓGICA Fuente: Chaudhuri S. et al (2013)

14 Arquitectura Tecnológica para BI
Fuentes de Datos: Bases de datos de la compañía o fuentes externas. Motores ETL y de streaming (Calidad de los datos) Herramientas de extracción, transformación y carga de datos (ETL) a los Almacenes de Datos. Almacenes de Datos o Data Warehouses: Almacenan la data normalizada Servidores de Capa Media Proveen funcionalidades para escenarios y herramientas de BI distintas. Aplicaciones de Front End Aplicaciones de consulta, tableros visuales, hojas de excel, etc. 1 2 3 4 5

15 Arquitectura Tecnológica para BI
1 2 3

16 Arquitectura Tecnológica para BI
3 4 5

17 Inteligencia de Negocios
Casos de éxito

18 Nro 1: Salud a la mano Compañía de Consultoría en el Cuidado de la salud. Deseaba mejorar la toma de decisiones, sobre la información clínica y registros médicos, para ayudar a las organizaciones de salud a ofrecer atención a menor costo. La plataforma desarrollada por la empresa, Theon, captura signos vitales y almacena registros de electrocardiogramas. La herramienta de BI, SAS, es utilizada para analizar los datos y realizar análisis de riesgo. La solución permite monitorear a los pacientes dados de alta más rigurosamente, para evitar la readmisión o las visitas a emergencia. Fuente: Business Intelligence

19 Nro 2: Análisis en cadena
Consultora de cadena de suministro. Mantiene los datos de millones de transacciones, referentes a 25 millones de dólares en costos de transporte. Los clientes de servicios de transporte, gastan entre $ 5 millones a más de $ 1 mil millones en “inteligencia”. La empresa utiliza la herramienta de BI Tableau para proveer autoservicio en la toma de decisiones. Los clientes pueden evaluar millones de registros de embarque en cuestión de minutos, sin ningún tipo de soporte de TI y sin entrenamiento. Ellos pueden determinar rápidamente la evolución de las estrategias de negocios con sus socios. Fuente: Portal Business Inteligence

20 Nro 3: Un Caso Electrizante
Empresa Canadiense de Energía Electrica. Reportaba pérdidas de $100 millones anuales debido al robo de energía eléctrica. Para disminuirlo se empleaban investigadores en campo. 1.9 millones de medidores inteligentes instalados en hogares y establecimientos. Usa SAS para el análisis predictivo y calcular métricas para toda la red eléctrica y hacer “Drill Down” por regiones y distritos. Meta de 85% de reducción de robo de energía. Fuente: Business Intelligence

21 Nro 4: La receta de Kraft A mediados del 2010, Kraft Foods se encontraba en medio de una implementación de SAP. Luego de migrar a SAP, las distintas unidades querrían conocer el Retorno de Inversión (ROI). El equipo determinó que la mejor manera de mostrar dichos beneficios, era desplegando los reportes de BI que permitan tomar decisiones de negocios. Apalancados en las soluciones: SAP NetWeaver Business Warehouse y SAP BusinessObjects, la empresa desarrolló un plan de cuatro puntos que ha servido como su receta para el éxito en la inteligencia de negocios. Fuente: SAP Insider

22 Plan de 4 Puntos de Kraft: para acelerar la implementación de BI
Obtener el apoyo total del área de TI de la organización antes de avanzar. Incluyendo el apoyo económico. Acelerar la innovación para impulsar nuevas capacidades en BI: En anticipación a las necesidades y demandas de la organización. Para mostrar el producto comercializado a las unidades de negocio. Formar un equipo dedicado y centralizado que implemente las soluciones de BI y las lleve a producción. Que atienda a las distintas áreas de negocios Mantener una estrecha colaboración con el proveedor, para simplificar la implementación. Fuente: SAP Insider

23 Resultados Obtenidos La implementación de SAP BusinessObjects Explorer, como sistema de inteligencia de negocios de la organización. Los usuarios pueden hacer ”drill down” más rápida y eficientemente, sobre conjuntos de datos enormes, a fin de identificar tendencias de negocios. Empoderadamiento de los usuarios en la creación de sus propios reportes. Oportunidad de habilitar soluciones móviles, de Inteligencia de Negocios. Fuente: SAP Insider

24 ¿Qué podemos aprender de Kraft Foods?
Previo a la implementación de un Sistema de Información Empresarial, se debe evaluar si éste es capaz de integrarse con: otros sistemas del mismo proveedor herramientas de inteligencia de negocios presentes en el mercado. Una vez en producción, la dificultad radica en la adopción. Un equipo técnico de BI, puede realizar demostraciones de la solución a los los clientes del negocio La idea es impulsar la adopc ión y garantizar el éxito durante la consultoría No se debe posponer el análisis de Retorno de Inversión (ROI)

25 Referencias Bautista B. et al. (2010). INTELIGENCIA DE NEGOCIOS: ESTADO DEL ARTE. Scientia Et Technica, Abril-Sin mes, Disponible en: Laudon, K. y Laudon, J. (2012). Sistemas de información gerencial. Decimosegunda edición. PEARSON EDUCACIÓN, México, 2012 Chaudhuri S. et al; (2013). “An Overview of Business Intelligence Technology”. Disponible en: Google Books Ngram Viewer (2015). Disponible en: Business Intelligence (2015). “4 Data Analytics Success Stories”. Disponible en: SAP Insider (2012). “Kraft Foods' Recipe for Successful Business Intelligence”. Disponible en: