• SQL Reporting Services

Presentación del tema: "• SQL Reporting Services"— Transcripción de la presentación:

1 • SQL Reporting Services
Semana 12

2 End-to-End BI Offering
SharePoint Server SEARCH DELIVERY Reports Dashboards Excel Workbooks Analytic Views Scorecards Plans CONTENT MANAGEMENT COLLABORATION END USER TOOLS AND PERFORMANCE MANAGEMENT APPS Excel PerformancePoint Server BI PLATFORM SQL Server Reporting Services Analysis Services SQL Server DBMS SQL Server Integration Services Heterogeneous data sources © 2008 Microsoft Corporation. All rights reserved. Microsoft, Windows, Windows Vista and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries. The information herein is for informational purposes only and represents the current view of Microsoft Corporation as of the date of this presentation. Because Microsoft must respond to changing market conditions, it should not be interpreted to be a commitment on the part of Microsoft, and Microsoft cannot guarantee the accuracy of any information provided after the date of this presentation. MICROSOFT MAKES NO WARRANTIES, EXPRESS, IMPLIED OR STATUTORY, AS TO THE INFORMATION IN THIS PRESENTATION.

3 Reporting Services Es una plataforma de creación de informes que ofrece una completa funcionalidad de creación de informes para una gran variedad de orígenes de datos. Reporting Services contiene un completo conjunto de herramientas para crear, administrar y entregar informes, así como interfaces de programación de aplicaciones con las que los desarrolladores podrán integrar o extender el procesamiento de los datos y los informes en aplicaciones personalizadas. Con Reporting Services, puede crear informes interactivos, tabulares, gráficos o de forma libre a partir de orígenes de datos relacionales, multidimensionales o basados en XML. Puede publicar informes, programar el procesamiento de informes u obtener acceso a informes a petición

4 Reporting Services Reporting Services también permite crear informes ad hoc basados en modelos predefinidos, así como explorar interactivamente los datos del modelo. Puede elegir entre varios formatos de visualización, exporte informes a otras aplicaciones y suscribirse a los informes publicados. Los informes creados se pueden ver mediante una conexión basada en web o como parte de una aplicación Microsoft Windows o un sitio de SharePoint. Reporting Services proporciona la llave a sus datos empresariales.

5 Reporting Services La arquitectura de tres niveles muestra la base de datos del servidor de informes y los orígenes de datos en el nivel de datos, los componentes del servidor de informes en el nivel intermedio y las aplicaciones cliente y herramientas integradas o personalizadas en el nivel de presentación.

6 Fundamentos del Diseñador de informes
Para crear un informe básico, debe especificar qué datos necesita, cómo desea organizarlos en la página y cómo desea que los usuarios vean el informe. Los informes utilizan diversos elementos de informe para organizar los datos en una página. Los elementos de informe están disponibles en el cuadro de herramientas. La lista siguiente describe los usos típicos para diferentes elementos de informe: Cuadro de texto. Se usa para títulos, marcas de fecha y nombres del informe. Tabla, Matriz. Se usan para mostrar datos tabulares o datos de tabla de referencias cruzadas de un conjunto de datos de informe Gráfico. Se usa para mostrar gráficamente los datos de un conjunto de datos de informe.

7 Fundamentos del Diseñador de informes
Mapa. Se usa para presentar los datos respecto de un fondo geográfico. Medidor. Se usa para presentar una imagen visual para un único valor dentro de un intervalo de valores. Lista. Se usa para crear un diseño de formato libre similar a los formularios de una página web. Una lista es una plantilla de una región de datos Tablix y proporciona un diseño inicial para los datos de un conjunto de datos de informe. Imagen. Se usa para agregar imágenes existentes a un informe. Subinforme. Se usa como marcador de posición de otro informe. Un subinforme se debe diseñar de forma independiente y publicar en el servidor de informes. Línea, Rectángulo. Se usan líneas y rectángulos como elementos gráficos. Un rectángulo también se puede usar como contenedor de otros elementos de informe.

8 Modelos de Minería de Datos
Reporting Services Anexo Modelos de Minería de Datos

9 Árboles de decisión de Microsoft
Es un algoritmo de clasificación y regresión proporcionado por SSAS para el modelado de predicción de atributos discretos y continuos. Para los atributos discretos, el algoritmo hace predicciones basándose en las relaciones entre las columnas de entrada de un conjunto de datos. Específicamente, el algoritmo identifica las columnas de entrada que se correlacionan con la columna de predicción.  Por ejemplo, en un escenario para predecir qué clientes van a adquirir probablemente una bicicleta, si nueve de diez clientes jóvenes compran una bicicleta, pero solo lo hacen dos de diez clientes de edad mayor, el algoritmo infiere que la edad es un buen elemento de predicción en la compra de bicicletas. 

10 Árboles de decisión de Microsoft
Para los atributos continuos, el algoritmo usa la regresión lineal para determinar dónde se divide un árbol de decisión. Si se define más de una columna como elemento de predicción, el algoritmo genera un árbol de decisión independiente para cada columna de predicción.  Ejemplo Marketing desea identificar las características de los clientes antiguos que indicarian si es probable que realicen alguna compra futura. El DB almacena información demográfica. Mediante los árboles de decisiones que analizan esta información, Marketing puede generar un modelo que predice si un cliente va a comprar productos, basándose en el estado de las columnas conocidas sobre ese cliente, como la demografía o los patrones de compra anteriores.

11 Árboles de decisión de Microsoft
El algoritmo genera un modelo mediante la creación de una serie de divisiones en el árbol. El algoritmo agrega un nodo al modelo cada vez que una columna de entrada tiene una correlación significativa con la columna de predicción. La forma en que el algoritmo determina una división varía en función de si predice una columna continua o una columna discreta. El algoritmo utiliza la selección de características para guiar la selección de los atributos más útiles.   Entre los métodos que se usan para determinar si hay que dividir el árbol figuran métricas estándar del sector para la entropía y las redes Bayesianas.

12 Árboles de decisión de Microsoft
El algoritmo de árboles de decisión de Microsoft usa distintos métodos para calcular el mejor árbol. El método usado dependerá de la tarea, que puede ser la regresión lineal, la clasificación o el análisis de la asociación. Un solo modelo puede contener varios árboles para distintos atributos de predicción. Es más, cada árbol puede contener varias bifurcaciones, dependiendo del número de atributos y de valores que contienen los datos. La forma y profundidad del árbol integrado en un modelo determinado depende del método de puntuación y del resto de parámetros usados. Los cambios en los parámetros también pueden afectar al lugar donde se dividen los nodos.

13 Árboles de decisión de Microsoft
Discreta Continua

14 Algoritmo de clústeres
Es un algoritmo de segmentación que utiliza técnicas iterativas para agrupar los casos de un conjunto de datos dentro de 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. Identifican las relaciones en un conjunto de datos que no se podrían derivar lógicamente a través de la observación casual. 

15 Algoritmo de clústeres
Por ejemplo, puede discernir lógicamente que las personas que se desplazan a sus trabajos en bicicleta no viven, por lo general, a gran distancia de sus centros de trabajo. Sin embargo, el algoritmo puede encontrar otras características que no son evidentes acerca de los trabajadores que se desplazan en bicicleta.

16 Algoritmo de clústeres
Se diferencia de otros algoritmos de minería de datos, como el algoritmo de árboles de decisión, en que no se tiene que designar una columna de predicción para generar un modelo de agrupación en clústeres. El algoritmo de clústeres entrena el modelo de forma estricta a partir de las relaciones que existen en los datos y de los clústeres que identifica el algoritmo.  Ejemplo Considere un grupo de personas que comparten información demográfica similar y que adquieren productos similares de la empresa. Este grupo de personas representa un clúster de datos. En una base de datos pueden existir varios clústeres como éstos. Mediante la observación de las columnas que forman un clúster, puede ver con mayor claridad la forma en que los registros de un conjunto de datos se relacionan entre sí. .

17 Algoritmo de clústeres
Proporciona dos métodos para crear clústeres y asignar puntos de datos a dichos clústeres. El primero, el algoritmo mediana-k, significa que un punto de datos puede pertenecer a un solo clúster, y que únicamente se calcula una probabilidad de pertenencia de cada punto de datos de ese clúster. El segundo, el método Expectation Maximization (EM), significa que un punto de datos siempre pertenece a varios clústeres, y que se calcula una probabilidad para cada combinación de punto de datos y clúster.

18 Algoritmo de clústeres
Agrupación en clústeres EM El algoritmo refina de forma iterativa un modelo de clústeres inicial para ajustar los datos y determina la probabilidad de que un punto de datos exista en un clúster. El algoritmo finaliza el proceso cuando el modelo probabilístico ajusta los datos. La función usada para determinar el ajuste es el logaritmo de la probabilidad de los datos dado el modelo. Si durante el proceso se generan clústeres vacíos, o si la pertenencia de uno o varios de los clústeres cae por debajo del umbral especificado, los clústeres con poblaciones bajas se reinicializan en los nuevos puntos y vuelve a ejecutarse el algoritmo EM.

19 Algoritmo de clústeres
Agrupación en clústeres EM Los resultados del método de agrupación en clústeres EM son probabilísticos. Esto significa que cada punto de datos pertenece a todos los clústeres, pero cada asignación de un punto de datos a un clúster tiene una probabilidad diferente. Dado que el método permite que los clústeres se superpongan, la suma de los elementos de todos los clústeres puede superar la totalidad de los elementos existentes en el conjunto de entrenamiento. En los resultados del modelo de minería de datos, las puntuaciones que indican soporte se ajustan para tener en cuenta este hecho.

20 Algoritmo de clústeres

21 Algoritmo de regresión lineal
Es una variación del algoritmo de árboles de decisión que ayuda a calcular una relación lineal entre una variable independiente y otra dependiente y, a continuación, utilizar esa relación para la predicción.

22 Algoritmo de regresión lineal
La relación toma la forma de una ecuación para la línea que mejor represente una serie de datos.  Cada punto de datos tiene un error asociado con su distancia con respecto a la línea de regresión. Los coeficientes a y b de la ecuación de regresión (y=a+bx) ajustan el ángulo y la ubicación de la recta de regresión. Hay otros tipos de regresión que utilizan varias variables y también hay métodos no lineales de regresión. Sin embargo, la regresión lineal es un método útil y conocido para modelar una respuesta a un cambio de algún factor subyacente. .

23 Algoritmo de regresión lineal
Aunque hay muchas maneras de calcular la regresión lineal que no requieren herramientas de minería de datos, la ventaja de utilizar el algoritmo de regresión lineal de Microsoft para esta tarea es que se calculan y se prueban automáticamente todas las posibles relaciones entre las variables. No tiene que seleccionar un método de cálculo, como por ejemplo para resolver los mínimos cuadrados. Sin embargo, la regresión lineal podría simplificar en exceso las relaciones en escenarios en los que varios factores afectan al resultado..