DataWarehouse y DataMining Universidad Católica del Maule, Chile

Presentación del tema: "DataWarehouse y DataMining Universidad Católica del Maule, Chile"— Transcripción de la presentación:

1 DataWarehouse y DataMining Universidad Católica del Maule, Chile
Universidad Simón Bolivar Venezuela, 2008 DataWarehouse y DataMining Difusos Dra. Angélica Urrutia Sepúlveda Universidad Católica del Maule, Chile

2 Temario: Diseño Conceptual
Diseño Clásico de un DW. Propuesta de un Fuzzy-DW. Minería de Datos. Análisis Manager como Herramienta de DW y Minería de Datos. Trabajos Futuros

3 Diseño Clásico de un DW. Temas:
Motivaciones: La información y las organizaciones Características y operadores de los Sistemas de DW Desarrollo de Sistemas DW.

4 Motivaciones Problemática planteada:
Acceso a Información para la toma de decisiones.

5 La información y las organizaciones
Las organizaciones tienen necesidad de: Conocimiento: Materia prima para toma de decisiones. Es lo que se desea construir. Información: Materia prima para conocer los fenómenos reales. Un item de datos es información según el contexto de toma de decisiones. Datos: Materia prima de la información. Generados por procesos que no necesariamente los explotan.

6 La información y las organizaciones
Los datos existen, pero ... No siempre se acceden fácilmente. No siempre se explotan. Un reporte de los Laboratorios Bell indica que la cantidad de datos se duplica cada 5 años, y que solo se usa un 5% de ella. La información suele ser difícil de obtener: Deben obtenerse los datos: A partir de los cuales se construye la información. Que definen el contexto del mismo. En un cierto contexto, un ítem puede ser información: Dependiendo del tipo de decisiones a tomar. Dependiendo de la persona encargada. Dependiendo de la calidad de su valor.

7 La información y las organizaciones
Y los sistemas de información tradicionales ... Orientados a sistemas operacionales. Asociados a procesos productivos. Procesan grandes cantidades de transacciones. Pueden resolver estas necesidades ?

8 Sistemas de Producción y de Decisión
Sistemas orientado a la Producción: Prioridad: tiempo de respuesta a transacciones read-write. Se manejan datos actuales muy detallados. Estables y de larga vida util. Sistema orientado a la Decisión: expresividad y eficiencia en consultas complejas. Datos actuales+históricos resumidos. En constante evolución.

9 Sistemas de Producción y de Decisión
Conclusión. Se trata de sistemas con objetivos diferentes. Se construyen para ser eficientes en sus objetivos. No es posible usar uno para las tareas del otro.

10 Sistemas de Data Warehousing

11 Arquitectura Base

12 Sistemas de Data Warehousing
Algunos conceptos: Diccionario de Datos o Metadata: Asocia objetos del negocio a datos en BDs. Análisis multidimensional y herramientas OLAP: Modelamiento del problema en dimensiones. Data Mining: Búsqueda de correlaciones entre datos. Calidad de Datos Se agregan criterios de Relevancia y Pertinencia de Datos.

13 SDW: Visión General Definiciones: Data Warehouse [Inmon 94]:
Es un conjunto de datos orientados a temas, integrados, no volátiles e históricos, organizados para soportar un proceso de toma de decisiones. Sistema de Data Warehousing: Es un sistema informático capaz de ofrecer información para toma de decisiones, y cuya pieza principal es un Data Warehouse.

14 Sistemas de Data Warehousing
Definiciones (cont.): Datos Orientados a Temas: En los DW, los datos se organizan en torno a los Temas principales de la organización Datos integrados: Heterogeneidad de datos: Diferentes áreas de la organización. Diferentes tipos (tradicionales, geográfico, documentos). Aspectos a resolver en la integración: Unificación de conceptos. Construcción del dato integrado a partir de los fuentes.

15 Sistemas de Data Warehousing
Definiciones (cont.): Datos históricos: Se deben manejar los datos con su referencia temporal. Datos no volátiles: Los datos deben ser lo suficientemente estables como para permitir análisis “largos” sin que cambien durante el mismo. Esto se obtiene como consecuencia de: La historización. La planificación de la carga.

16 Sistemas de Data Warehousing
Los Data Marts. Son aplicaciones de análisis de datos en áreas precisas de negocios. Por ejemplo: Ventas, Marketing, Recursos Humanos. Toman sus datos del Data Warehouse. Priorizan la funciones de análisis de datos: Interfaces a usuario. Indicadores específicos al área de negocio. Normalmente basados en OLAP.

17 Estructura del Data Warehouse
Tipos de Operaciones/Transformaciones (1): Extracción de datos. Consiste en extraer los datos de la BD fuente y cargarlo en el ODS o DW. Filtrado. Consiste en filtrar datos no admisibles en el DW. Modificación de formato o valores. Consiste en adaptar formatos o valores para que cumpla pautas definidas en el DW. Integración. Consiste en integrar datos provenientes de dos fuentes.

18 Estructura del Data Warehouse
Tipos de Operaciones/Transformaciones (2): Cálculos y Consolidaciones (Agregaciones). Consiste en calcular indicadores a partir de datos base. Pueden implicar consolidaciones. Generación de datos históricos (historización). Consiste en agregar marcas de tiempo a datos. Generación de versiones. Consiste en agregar atributos diferenciadores de diferentes versiones de un objeto base. La historización permite hacer esto marcando la versión con un valor temporal.

19 Soportar múltiples tipos de usuarios
Diferentes niveles jerárquicos: Directivos. Gerentes de área. Mandos técnicos. Diferentes funciones: Planificación. Control. Análisis.

20 Herramientas OLAP Introducción:
Implementan Modelos Multidimensionales. Los Modelos MD representan los datos como dimensiones en un hipercubo. Tecnología en pleno desarrollo y expansión. Diferentes alternativas tecnológicas: ROLAP vs. MOLAP vs. HOLAP: ROLAPs: actuan directamente sobre BD Rel. MOLAPs: trabajan sobre almacenamiento especializado. HOLAP: intentan aplicar ambas estrategias.

21 OLAP - Modelos Multidimensionales
Motivaciones: Representar los datos en forma más cercana a la intuición del usuario. Resolver problemas planteados en sistemas relacionales. Principios generales: La información se representa como: cuadros de doble o triple entrada. cubos de "n" dimensiones. Una BD-MD incluye varias dimensiones.

22 OLAP - Modelos Multidimensionales
Ejemplo: Análisis de ventas de autos

23 Diseño Conceptual DW ¿ Cuáles son las herramientas que necesita el diseñador para poder razonar sobre los datos y presentárselos al usuario ?

24 Modelos de Datos Los niveles en diseño de BDs:

25 Enfoques de Diseño Conceptual
Análisis desde requerimientos: Los requerimientos son el universo de información. Las bases fuente se relacionarán luego. Aplicable cuando se tienen Bases Fuentes complejas. (Se analizan con los requerimientos en mente). Trabajos: [Car00], [Sap99], [Hus00], [Fra99]. Análisis desde datos: Datos fuentes son el universo de información. El DW se obtiene transformando las fuentes. Aplicable cuando los requerimientos están poco claros. Trabajos: [Gol98a], [Cab98].

26 Etapas de Diseño Conceptual
Las principales etapas son: Definir un esqueleto de esquema: Primer grupo de dimensiones medidas. Establecer correspondencia entre requerimientos y datos fuentes. Completar jerarquías en las dimensiones. Especificar segundo grupo de medidas (calculadas). Iterar

27 MMD en la arquitectura

28 Motivación

29 Motivación

30 Modelos Multidimensionales
Qué tienen en común estas dos últimas representaciones? El usuario final (gerente) las entiende y maneja habitualmente. Objetivos de los MMD: Representar los datos en forma cercana a la intuición del usuario. Resolver problemas planteados en sistemas relacionales.

31 Características Se representan los datos como una matriz.
En los ejes están los criterios de análisis. En los cruces están los valores a analizar. A esta estructura se le llama Cubo o Hipercubo.

32 Características Agregando una 3a. dimensión:

33 Características Agregando una 4a. dimensión:

34 Estructuras básicas Los Cubos o Hipercubos constan de: Dimensiones:
Criterios de análisis de los datos. Macro-objetos del problema. Variables independientes. Ejes en el hipercubo. Medidas Valores o indicadores a analizar. Datos asociados a relaciones entre los objetos del problema. Variables dependientes. Variables en la intersección de las dimensiones.

35 Estructuras básicas En el ejemplo anterior: Dimensiones: Medida:
Modelo Color Vendedor Fecha Medida: Cantidad Vendida

36 Caso de Estudio

37 Dimensiones Jerarquías:
Los valores se organizan en jerarquías (categorías). Por ejemplo: Dimensión: Vendedores

38 Medidas Propiedades: Se ubican en la intersección de algunos valores de las dimensiones. Dado un valor para cada dimensión se puede determinar un valor para la medida.

39 Medidas

40 Cubos La realidad se modela como un conjunto de cubos.
Cada cubo, esta formado por: Un conjunto de Dimensiones organizadas en jerarquías. Un conjunto de Medidas asociadas a cada Coordenada. Es posible moverse en las jerarquías de las dimensiones y observar de esa forma, diferentes visiones de las medidas.

41 Operaciones Principales operaciones en modelos MD: Slice. Dice.
Rotación. Drill-down. Drill-up. Roll-up. Drill-across. Drill-through.

42 Operaciones: Slice

43 Operaciones: Dice Filtrado (DICE)
Se fijan valores para algunas dimensiones.

44 Operaciones: Rotación
Selecciona el orden de visualización de las dimensiones.

45 Operaciones: Drill-up, drill-down
Movimientos en la Jerarquía de una Dimensión (Drill-up,Drill-down)

46 Operaciones: Drill-up, drill-down
Drill-Up o Drill-Down pueden verse como ajuste en las escalas de los ejes. Son agrupamientos y des-agrupamientos.

47 Operaciones: Roll-up Consolidación (Roll-Up).
Calcula las medidas en función de agrupamientos. Realiza el re-cálculo de la medida de acuerdo a los ajustes de escala.

48 Limites de los MMD Los MMD no realizan adecuadamente ciertas operaciones: Salvo en algunos trabajos de investigación, no se habla de representación y consulta de datos descriptivos o secundarios. Tampoco se permiten diferentes RollUp´s por medida. Entonces: Se deben resolver con otras técnicas, o Se deben considerar en el diseño.

49 Características de los MMD
Resumen: Permiten describir una realidad en términos de matrices multidimensionales (Cubos). Desde el punto de Vista del DW, se utilizan para describir Datamarts o el DW Completo. Las Dimensiones pueden tener una o más jerarquías.

50 Modelo CMDM: Estructuras básicas. Niveles. Dimensiones.
Estrategia basada en Medina y Dimensiones Estructuras básicas. Niveles. Dimensiones. Con Jerarquias, formadas por Niveles. Incluye Medidas (Dimensionalidad Genérica). Relaciones dimensionales. Cubos. Cruzamientos específicos.

51 Modelo CMDM Dimensiones: Una dimensión esta formada por:

52 Modelo CMDM Niveles: Un nivel representa un conjunto de datos.

53 Modelo CMDM Jerarquías: Los niveles se organizan en jerarquías.
Cada jerarquía está compuesta por uno o varios niveles. En cada jerarquía: Se tiene una relación <1-n> entre objetos de nivel superior e inferior.

54 Modelo CMDM Jerarquías: Ejemplo

55 Modelo CMDM Relaciones Dimensionales:
Representan cruzamientos entre Dimensiones. Las Medidas participan como Dimensiones. Vista como una relación: Se tiene un elemento en el conjunto relación si y solo si hay un cruzamiento. Esto obliga a que las Dimensiones participantes realmente sean cruzables.

56 Modelo CMDM Relaciones Dimensionales. Ejemplo

57 Modelo CMDM Esquema Conceptual MD: Cubos:
Está formado por un conjunto de Relaciones Dimensionales. Las Relaciones Dimensionales pueden compartir Dimensiones. Permite el Drill-Across. Cubos: Dada una Relación Dimensional, un cubo representa un cruzamiento concreto entre niveles determinados de las Jerarquías de la RD.

58 Modelo CMDM Cubos: Ejemplo.

59 Modelo CMDM Conclusiones sobre CMDM.
Apunta a dar un modelo de especificación de esquemas conceptuales Multidimensionales. Cumpliendo un rol equivalente al del Modelo ER. Los esquemas conceptuales MD luego serán traducidos a esquemas lógicos MD. Todavía en desarrollo, se trabaja sobre: Mejoras de la herramienta CASE. Un lenguaje de Restricciones de Integridad. Una base formal para el modelo.

60 Modelos de Metadata: CWM
Estructura: Packages que cubren todas las áreas.

61 DF / Estrategia Basada en Datos

62 Pautas de diseño Preguntas básicas en diseño:
¿Qué es una Dimensión y qué es una Medida? ¿Tiene sentido construir cualquier cruzamiento de niveles? ¿Cuándo definir una Dimensión con varias jerarquías o varias Dimensiones? ¿Con qué criterios definir una o varias Relaciones Dimensionales? Dada una relación dimensional, ¿cualquier operación de roll-up es correcta? ¿Cómo clasificar las medidas calculadas?

63 Def. de Dimensiones y Medidas
¿Qué items pueden ser medidas y cuáles dimensiones? No hay ningún criterio ni método efectivo para tomar la decisión. Pueden haber “indicios” basados en: Objetos del problema y/o criterios de análisis Vs. Indicadores y/o medidas. Interés de totalizar segun Drill-Ups. Identificadores Vs. No Identificadores. Estudio de distribución de valores. Estudio de independencia de variables.

64 Jerarquías en dimensiones
Criterios para construir jerarquías: Definir caminos de navegación (drill-down/up). Definir agrupamientos naturales de los datos (reportes). Asociar diferentes niveles de cálculo de indicadores. Atención ! Cuidado con el comportamiento de las medidas cuando se hace roll-up.

65 Jerarquías en dimensiones
Ejemplos: Los supervisores de ventas estudian las ventas según la ubicación geográfica de los clientes. Los analistas de marketing estudian los clientes según segmentos de mercado. Se hacen reportes de distribución geográfica de los segmentos de mercado. La sección depósito maneja fechas calendario, en cambio contaduría maneja años fiscales.

66 Relaciones dimensionales
Ejemplos de distintas Medidas:

67 Tipos de fórmulas Fórmulas descriptivas:
Datos fuentes o agregación de datos fuentes. Ej: Cantidad de unidades en stock. Costo del item Ultimo precio de venta Cantidad de unidades salientes Margen de ganancia Promedio diario de unidades en stock.

68 Conclusiones Técnica de diseño Introducción de un modelo conceptual.
Guiada por los requerimientos de información. Aparecen tareas de mapping. Introducción de un modelo conceptual. Se busca una notación abstracta y efectiva. Representación de conceptos multidimensionales Pautas de buen diseño. Construcción de dimensiones y jerarquías. Construcción de relaciones dimensionales. Aditividad en medidas.

69 Diseño de un DW Relacional
Características del DW Acceso y mantenimiento de datos Consultas complejas Se considera solo-lectura. El mantenimiento no se hace vía sistema OLTP, sino en forma "batch". Usuario final accede directamente al DW con herramientas de consulta (OLAP) Modelo Relacional poco adecuado para consultas dimensionales.

70 Diseño de un DW Relacional
Modelo Dimensional de [Kim96] Tablas de hechos (fact tables) donde se guardan las medidas numéricas del negocio Intersección de todas las dimensiones granularidad clave compuesta (la combinación de las fk) Tablas de dimensión (dimension tables) donde se guardan las descripciones textuales de las dimensiones del negocio Jerarquías: desnormalizadas o normalizadas

71 Tipos de esquemas en el MD-Rel
Star: Es la estructura básica del MD 1 tabla grande central y un conjunto de tablas mas chicas organizadas alrededor de la tabla de hechos.

72 Otras opciones MD-Rel …
Star-Cluster schema [MK00]

73 Propuesta de un Fuzzy-DW.
Temas: Conjuntos Difusos Operador Cube Extensión de la FIRST_FSQL Ejemplo Fuzzy-DW

74 Introducción: Fuzzy Set
A fuzzy set A can be represented as a set of pairs of values: each element u with its degree of belonging μA A = {A (u) / u : u  U, A (u)  [0,1]} The closer μA(u) is to the value 1, the greater the memberships of the object u  U to the set A. The values of memberships vary between 0 (does not belong at all) and 1 (total belong )

75 Introducción: Grado de Pertenencia
A (u) se denomina grado de pertenencia del elemento u al conjunto difuso A. A (u) = 0, indica que u no pertenece en absoluto al conjunto difuso A. A (u) = 1, indica que u pertenece totalmente al conjunto difuso A.

76 Introduccion: Fuzzy Quantifiers
Linguistic Labels “young”, “tall” ... Fuzzy or linguistic quantifiers Absolute “large”, “many”.. Relative “the majority”, “almost all”...

77 Comparadores Difusos Se tiene definidos 14 comparadores difusos divididos en dos familias (de Posibilidad y de Necesidad). Permiten comparar dos atributos o un atributo con una constante. Para atributos difusos Tipo 3 sólo puede usarse FEQ. Para usar el comparador de “distinto” poner delante de la comparación la negación NOT. Posibilidad Necesidad Significado FEQ NFEQ Posiblemente/Necesariamente Igual que FGT (FGEQ) NFGT (NFGEQ) Pos./Nec. Mayor (o igual) que FLT (FLEQ) NFLT (NFLEQ) Pos./Nec. Menor (o igual) que MGT (MLT) NMGT (NMLT) Pos./Nec. Mucho Mayor (Menor) que

78 Operador Cube

79 Tablas del cubo Ventas.

80 Extensión de la FIRST-FSQL: M-FIRST

81 MFDW: Conjunto de 11 Pasos del Método Fuzzy DataWarehuose.
FASE 1: Especificación de requerimientos de datos de gestión. FASE 2: Implementación de cubos cuantitativos. FASE 3: Implementación de cubos cuantitativos-cualitativos.

82 Propuesta de Arquitectura F-MMD

83 Ejemplo de Medida Difusa
Función trapezoidal para la medida Monto de factura. 1 Mala Regular Buena

84 Etiquetas Lingüísticas para Medidas del Cubo
Medida Monto, según la especificación de requerimiento le corresponderán tres etiquetas lingüísticas Mala, Regular y Buena Se debe completar las siguientes tablas FIRST: FUZZY_COL_LIST (FCL), FUZZY_LABEL_DEF (FLD) y FUZZY_OBJECT_LIST (FOL). De haber más medidas con tratamiento FuzzyMedida

85 Ejemplo de las Tablas M-FIRST
Tabla 1: Tabla FCL para la medida Monto facturado. OBJ# COL# F_TYPE LEN COM Facturas Monto Factura 2 Medida Monto Tabla 2: Tabla FOL que define las etiquetas lingüísticas de Monto factura. OBJ# COL# FUZZY _ID _NAME _TYPE Factu Monto F. 1 2 Mala Regular Buena Tabla 3: Tabla FLD para los datos de cada etiqueta de Monto factura. OBJ# COL# FUZZY _ID ALFA BETA GAMMA DELTA Factura Monto 1 2 1000 3000 2000 4000 6000 7000

86 Tabla Extensión M-FSQL
FUZZY_LABEL_MULTIDIMENSIONAL (FLM): La tabla FLD, no fue diseñada para cubos difusos donde la medida intersecta a una o varias dimensiones. Para llevar a cabo dicho tratamiento, se crea una nueva tabla que se adosa FLM a la FIRST, creando la M-FIRST, su estructura es la siguiente: OBJ#: Almacena el número de objeto de la tabla que tiene un atributo difuso. COL#: Almacena el número de columna dentro de la tabla que admitirá un tratamiento difuso. En este caso corresponde a la medida FUZZY_ID: Identificador del objeto difuso asociado a la tabla FOL D1 : Primera dimensión del cubo N1 : N° de nivel de la primera dimensión D2 : Segunda dimensión del cubo N2 : N° de nivel de la segunda dimensión …. Dn : Dimensión n del cubo Nn : N° de nivel de la dimensión n ALFA, BETA, GAMMA Y DELTA: Definen una distribución de posibilidad trapezoidal, para la medida y dimensiones especificadas.

87 Tabla de Valores de FuzzyMedida en Fuzzy_Label_Multidimensional para Medida Monto.
OBJ# COL# FUZZY_ID D1 N1 D2 N2 D3 N3 alfa Beta Gamma delta Factura Monto Mala Buena Regular all 1 3000 7000 12000 10000 15000 5000 13000 70000 120000 11000 20000 110000 140000 100000 200000 100001 200001

88 Cubo Ventas Cuantitativo y Cubo Ventas Cuantitativo/Cualitativo.

89 Contribuciones MFDW Se muestran 11 de pasos que da un Método Fuzzy para implementar DW, llamado MFDW, y aplicado a un caso práctico de implementación. Los principales aportes de MFDW son: FuzzyMedida que es una extensión del cubo tradicional que retorna información cualitativa, para medidas asociado a etiquetas lingüísticas. FML extiende la FIRST propuesta por (Galindo, 1999) generando la M-FIRST que incorpora una nueva tabla Fuzzy_Label_Multidimensional, que se acopla al modelo ya propuesto y permite el tratamiento de cubos multidimencionales. FLabel y FGrado funciones que permiten asociar grados con las etiquetas lingüísticas y viceversa implementadas en el gestor de bases de datos. Herramienta Fron End para Web que permite consultar una FuzzyMedida en un Fuzzy DW . para cualquier BDMS con OLAP utilizando la instrucción CUBE. La herramienta presentada permite trabajar con operaciones Slice, Dice, Drill-up, Drill-down entre otras para cubo.

90 MFQDW: Metodología Fuzzy Query para Data Warehouse
Se parte de un cubo estrella o copo de nieves preciso. Se incorporan 3 tablas. Se incorporan 3 funciones Se aplican los principios de derivación del SQLf.

91 MFQDW FUZZY OLAP

92 Mapeo desde el modelo CMDM con base de datos fuente.

93 Tabla Multidimencional Difusa:
Esta tabla, es llenada a partir de la implementación y ejecución de un procedimiento almacenado. Sus datos se obtienen a partir de la tabla central de la estrella que tienen las medidas en el DW. Se utiliza el operador CUBE, entrega registros con indicadores de totalización para cada dimensión definida. La clave primaria esta formada por la unión de todas las claves de las dimensiones, por otro lado, las medidas tendrán el valor numérico totalizado, según criterios de selección de dimensiones. Formato de la tupla: {Dimensión1, Dimensión2, …, DimensiónN, Medida1, Medida2, …, MedidaN}

94 Tabla Matriz de Clasificación
Esta tabla corresponde a la clasificación de todas las combinaciones de dimensiones posibles, generados a partir de definición realizada en tabla Multidimensional Difusa. Cada una de estas combinaciones y nivel de profundidad de totales especificada, será clasificada y será mediante una llave, obtenida de e interpretar la etiqueta lingüística asociada a cada medida difusa. La clave primaria de esta tabla es el atributo código de clasificación y los valores posibles para cada dimensión son: YES: Lo cual representa un elemento que pertenece al dominio definidos para esta dimensión difusa ALL: lo cual representa un indicador de totalización asociada a la medida difusa. Formato de la tupla: {Código Clasificación, Dimensión1, Dimensión2, …, DimensiónN}

95 Tabla Etiquetas Lingüísticas
Tabla que contiene todas las etiquetas lingüísticas asociadas a un código de clasificación, definidas en la tabla Matriz de clasificación. La clave es el código de clasificación que permite que el monto de la medida sea rescatada de la tabla Multidimensional Difusa, y obtener las etiqueta lingüística para cada una de ellas. La notación utilizada para representar las etiquetas lingüísticas será la función trapezoidal. Formato de la tupla: {Código Clasificación, Nombre etiqueta, Valor1 (0), Valor2 (1), Valor3 (1), Valor4 (0)}

96 La Función Clasificación
Se ejecuta con la base de datos, la cual recorre la tabla Multidimencional Difusa y va comparando los patrones conformados por dimensiones y medidas, contra la tabla de patrones de totalizadores de dimensione previamente definida en tabla Matriz de Clasificación. Una vez que encuentra el registro en Matriz de Clasificación, rescata su clasificación para posteriormente llamar a otra función para rescatar su etiqueta lingüística.

97 La Función Etiquetas Lingüísticas
Actúa sobre la base de datos que rescata la etiqueta lingüística. A partir del código de Clasificación, rescatado con Función Clasificación, y la medida rescatada de tabla Multidimencional Difusa.

98 La Función Consulta Multidimensional Difusa
Es una función que nos permitirá, en base a la estructura y funciones clasificación y etiqueta, realizar una consulta anidada en la cual estén presente todo los componentes (dimensiones, medidas, código de clasificación y etiqueta lingüística) y cuyo resultado mantenga la consistencia deseada.

99 Extensión del Diseño Estrella a Diseño Difuso
Preciso Tablas de Extensión Difusa

100 Bibliografía Base Urrutia A. Egaña D, (2007) “Una Propuesta para Dataware House Difuso”. Revista Gerencia colombiana, diciembre de 2008. Kumar Pavan, Krishna Radha, Kumar Supriya, “Fuzzy OLAP Cube for Qualitative” Institute for Development and Research in Banking Technology, IDRBT-2005 Ling Fen, Tharam Dillon, “Using Fuzzy Linguistic Representations to Provide Explanatory Semantcis for Data Warehoses”, IEEE, Vol. 15 N°1, Enero-Febrero 2003.

101 Temas: Data Mining en DW. Estrategias de algoritmos Procesos y modelos
Minería de Datos. Temas: Data Mining en DW. Estrategias de algoritmos Procesos y modelos

102 Data Mining Objetivos: Por ejemplo: Qué incluye ?
Explorar BDs buscando relaciones desconocidas entre los datos. Por ejemplo: Relaciones entre enfermedades y decesos. Algunas candidatas a nuevas causas de decesos. Otras podrían ser datos erróneos. Qué incluye ? Un conjunto muy amplio y heterogéneo de técnicas y herramientas.

103 Data Mining en contexto DW
Diferencias con OLAP. Data Mining usa mecanismos de: Descubrimiento de información, Pattern-matching, Deducción de reglas, ... y otros para determinar relaciones claves entre los datos. Los algoritmos de Data Mining pueden estudiar varias dimensiones de datos simultáneamente y descubrir los que tienen comportamiento especial. La iniciativa es del algoritmo y no del usuario.

104 Aplicación : Criterios Generales
Etapas en uso de DM: Identificación del problema. Definición de la Estrategia de resolución. Aplicación de DM para generar un Modelo. Manipulación del Modelo obtenido. Medición de resultados obtenidos. DM provee feedback a otros procesos: Construcción del DW. Estructuración de los datos. Definición de indicadores. Estructuración/Análisis de datos OLAP post-DM. En base a resultados obtenidos.

105 Estrategias para Data Mining
Introducción. Las estrategias para Data Mining corresponden al tipo de estudio que se desea realizar. Las estrategias no son algoritmos en si mismas, sino formas de encarar el problema planteado. Cada estrategia generará un Modelo, a través de la ejecución de un algoritmo. Algunas estrategias. Clasificación, Clustering, Asociación, Optimización, Predicción.

106 Estrategias : Clasificación
Objetivo: Clasificar registros según una variable objetivo, teniendo en cuenta valores de otros atributos. Ejemplo: Se tiene una BD histórica con datos variados de clientes y un atributo de calificación de calidad (variable objetivo). Dado un nuevo registro, del cual se desconoce su valor de variable objetivo, se quiere clasificar según los valores de los atributos. Observaciones: Es de tipo aprendizaje dirigido, ya que se define la variable objetivo

107 Estrategias: Clustering
Objetivo. Generar grupos con registros según su “similaridad” en valores de atributos variados. Ejemplo: Dada la BD del caso de Clasificación, generar grupos de clientes que tienen comportamiento similar sobre el conjunto de atributos. Observaciones. Se trata de aprendizaje no-dirigido. Se modela como un espacio n-dimensional de puntos, con una dimensión or atributo y un punto por registro.

108 Estrategias: Visualización
Objetivo. Representar situaciones de problema en forma visual, de forma de facilitar su análisis. Ejemplo: Mostrar las distribuciones de ventas de productos en ciudades, teniendo en cuenta las características demográficas. Observaciones. Se basa en técnicas de Interfase Hombre- Máquina y de comunicación de información en forma gráfica.

109 Estrategias: Asociación
Objetivo. Generar reglas de tipo IF A1,…An THEN B, donde A1 …,An son fenónemos en el problema. Ejemplo: Se tiene una BD con tickets de supermercado. Y se quiere generar reglas que relacionen los productos comprados, hora de compra, dia, mes, y perfil de cliente. IF TipoCliente=1 AND CompraProd=p1 THEN CompraProd=P2; Observaciones. También se lo llama Market Basket Análisis.

110 Estrategias: Optimización
Objetivo. Seleccionar una combinación de productos (o resultados) que mejor alcanza los objetivos de negocios. Ejemplo: Lograr una combinación de cantidades producidas en diferentes productos que tienen sus costos y precios de venta. Observaciones. Son casos de optimización lineal y no-lineal.

111 Estrategias: Estimación
Objetivo. Realizar clasificaciones pero con una variable objetivo continua y no discreta. Ejemplo: Para el caso de los clientes, tomar como variable la ganancia esperada que generan.

112 El Proceso de Data Mining.
Introducción. Aplicar Data Mining corresponde más a un proceso que a una operación individual. Pasos: Preparación de datos. Definición de estudio. Construcción de Modelo. Entender y aplicar el Modelo.

113 Proceso: Preparación de datos.
Definición. Consiste en la generación de una base de datos sobre la cual se pueda aplicar el estudio deseado. Aspectos a resolver: Limpieza de datos. Valores nulos. Derivación de datos. Integración (merge) de datos.

114 Proceso: Definición de estudio
Consiste en definir los resultados a obtener, el tipo de estrategia y el alcance del estudio. Aspectos a resolver: Definir los límites. De qué se parte y qué se quiere obtener. Elegir el tipo de estudio, incluyendo la estrategia. Especificar los elementos a analizar. Datos relevantes, valores resultados. Definición de la muestra. ¿ Como tomar una muestra representativa ?

115 Proceso: Construcción de Modelo
Definición. Consiste en construir un modelo abstracto que representa el problema y que manipulándolo se tratan de resolver los requerimientos. Aspectos a resolver: Precisión (accuracy). Comprensibilidad (understandability). Qué entradas afectan la salida. Por qué tiene éxito o falla. Performance. Qué tan rápido genera el modelo. Qué tan rápido se obtienen las conclusiones deseadas.

116 Proceso: Entender y aplicar el Modelo
Definición. Consiste en asociar el modelo resultante al problema real de forma de comprenderlo. Implica: Validar los resultados del modelo. Extraer elementos relevantes y descartar las distorsiones. Concluir qué fenómeno ocurre u ocurrir

117 Modelos y sus características
Modelos de Data Mining: Un Modelo es una representación de un problema que, instanciado con valores, genera resultados. Por ejemplo: se tienen modelos predictivos, de clasificación, series de tiempo, clustering, etc. Los modelos poseen ciertos atributos: Underfitting y Overfitting. Dirigido o no dirigido. Explicabilidad de resultado. Facilidad de aplicación.

118 Modelos y sus características
Underfitting y Overfitting: Overfitting: más info que la deseable. Todos los elementos se comportan como el set de entrenamiento (memorización del training set). Se tiene información redundante dentro de los campos considerados, obteniendo un modelo trivial. Underfitting: menos info que la deseable. No se llegan a obtener patrones de interés sobre los datos (e.g. con bajo impacto predictivo). Puede ser consecuencia de la des-actualización de modelos en el tiempo.

119 Modelos y sus características
Dirigidos vs. No dirigidos. Dirigidos: la forma de la salida del modelo se especifica previo a su construcción. El modelo se entrena sobre casos donde la salida está determinada (e.g. red neuronal con salida a estimar conocida). No dirigidos: el propio modelo determina cuál será su salida. Por ejemplo: estrategia de clustering donde el modelo son los clusters identificados.

120 Modelos y sus características
Explicabilidad. Resulta clarificante de interés conocer las razones que determinan los resultados. Diferentes técnicas aportan distintos niveles de explicabilidad sobre sus resultados. Facilidad de aplicación. Está asociado a la facilidad de uso, de comprensión de los resultados, de claridad de los resultados, de practicidad y conexión a bases de datos.

121 Algoritmos de Data Mining.
Introducción. El Modelo resultante del proceso de Data Mining es generado por algoritmos a través de productos de software. Tipos de algoritmos. Árboles de Decisión. Algoritmos Genéticos. Redes Neuronales. Estadísticos. Algoritmos avanzados de asociación. Algoritmos para Optimización.

122 Técnicas para Data Mining
La elección de una combinación particular de técnicas dependerá Problema a resolver / análisis DM. naturaleza de los datos disponibles. Características conocidas sobre los tipos de Modelos generados por las técnicas: Underfitting & Overfitting Dirigidos vs No dirigidos Explicabilidad Facilidad de aplicación

123 Data Mining Sintesis. Area con fuertes componentes matemáticas.
Nuevos productos: Accesibles en precio. Explotables por usuarios no expertos. Se prevee un gran impacto: en el diseño de Sistemas DW. en la explotación de Sistemas DW. Todavía trabajo por hacer en la integración a los Sistemas DW.

124 Herramienta de DW y Minería de Datos.
Temas: Service manager DW, Data Mining

125 Analysis Manager: Es un complemento que se ejecuta en Microsoft® Management Console (MMC)

126 Cubo en Estrella y Copo de Nieve

127 Datos del Cubo Mediante el Examinador de Cubos

128 procesamiento del modelo de minería de datos

129 Arbol de Decisión Custome

130 Examinar el Cubo Virtual de Minería de Datos

131 Modelo de Minería de Datos OLAP Mediante Cluster Server de Microsoft

132 Trabajos Futuros

133 Estructura del Data Warehouse

134 Gestión de la Metainformación

135 La Metainformación Items de metainformación:
Semántica (de datos en el DW). Qué significa ese dato ? Con qué temática se relaciona el ítem ? Origen. Cúal es su origen ? (BD, cálculo, ...) Reglas de cálculo. Cómo se calcula el ítem de datos ? Reglas de agregación. Cuál es el conjunto de datos fuente ?

136 La Metainformación Items de metainformación (cont.):
Almacenamiento, formato. Cómo se almacena y con qué formato ? Uso. Qué programas lo usan ? Datos fuentes. De qué tablas se extrae el ítem ? Carga. Con qué frecuencia se cargan los datos del DW ? Cómo se realiza las historización.

137 La Metainformación Gestión de la metainformación.
Es un problema en si mismo, además de la administración del DW. Concierne funciones de: Modelado de datos. Almacenamiento. Acceso. Por lo que: Resulta interesante contar con herramientas especializadas en Gestión de Metainformación. El Data Warehouse Respository.

138 Data Warehouse Repository
Qué es: Es un sistema que almacena y soporta operaciones sobre la Metadata. Puede ser usado en diferentes contextos: Sistema de Data Warehousing. Para organizar la Metabase Corporativa de una org. Como base para herramientas CASE. Vocación (función principal): Federar la metainformación disponible sobre los diferentes tipos de datos.

139 Conclusiones Diseño Conceptual Temas: Proceso de diseño.
Enfoques de diseño conceptual. Bibliografía.

140 Diseño Conceptual Las principales etapas son:
Definir un esqueleto de esquema: Primer grupo de dimensiones medidas. Establecer correspondencia entre requerimientos y datos fuentes. Completar jerarquías en las dimensiones. Especificar segundo grupo de medidas (calculadas). Implementar en una plataforma los cubos en un diseño relacional de estrella o copo de nieve iterar

141 Bibliografía [Bal98] Ballard, C. Herreman, D. Schau, D. Bell, R. Kim, E. Valncic, A.: “Data Modeling Techniques for Data Warehousing”. SG IBM Red Book [Cab98] Cabibbo, L. Torlone, R.:"A Logical Approach to Multidimensional Databases", EDBT, 1998. [Car00] Carpani, F.: “CMDM: A conceptual multidimensional model for Data Warehouse”. Master Thesis. Advisor: Ruggia. InCo - Pedeciba, UdelaR, Uruguay, 2000. [Fra99] Franconi, E. Sattler, U.:"A Data Warehouse Conceptual Data Model for Multidimensional Aggregation", DMDW’99, Germany, 1999. [Gol98a] Golfarelli, M. Maio, D. Rizzi, S.:"Conceptual Design of Data Warehouses from E/R Schemes.", HICSS’98, IEEE, Hawaii,1998. Libro: Galindo J., Urrrutia A. y Piattini M. (2006): “Fuzzy Databases:Modeling, Desing and Implementation”, Idea Group Publishing Hershey, USA.

142 Caminante no hay Camino se Hace Camino al Andar
Gracias