INTELIGENCIA DE NEGOCIOS
Especialización:
Sistemas de Información. Universidad Eafit
Módulo: Inteligencia de Negocios
Candidato a Magister en Ciencias Estadísticas - Gustavo Valencia Z
Presentación:
La habilidad de las compañías para tomar decisiones correctas más rápidamente, se convierte en un imperativo para el éxito de los negocios en el entorno cambiante de hoy. Para ello se requieren soluciones empresariales, tecnologías y metodologías que permitan convertir la información en conocimiento, para tomar mejores decisiones y obtener mejores resultados. La base de este tipo de proyectos es la información, la cual se consigue a través de procesos de extracción desde fuentes heterogéneas, integración y análisis de los resultados obtenidos.
El término Inteligencia de Negocios, también conocido como BI, es relativamente nuevo en nuestro contexto colombiano. El término es usado por diferentes proveedores para caracterizar un amplio rango de tecnología, plataformas de software, aplicaciones específicas y procesos. No obstante, los conceptos de inteligencia de negocios y toma de decisiones tienen sus orígenes tanto en las ciencias de la administración, sistemas de información y estadística.
Objetivo:
En general este curso contribuye al entendimiento de los conceptos y técnicas de tecnologías y sistemas de información que mejoren los procesos y resultados de la toma de decisiones.
La asignatura no exige otros cursos como prerrequisito ni sugiere conocimientos previos.
Temario del módulo:
Competencias especificas
El alumno comprenderá los conceptos más relevantes de la Inteligencia de Negocios y será capaz de identificar sus componentes estratégicos, la arquitectura de TI y modelos matemáticos que lo soporta.
El alumno tendrá un acercamiento inicial a los modelos matemáticos de minería de datos que soportan la toma de decisiones.
El alumno será capaz de reconocer algunas de las principales herramientas de BI.
Bloque temático Tema Apartados
I. Motivación Tema 1. Contaminación por información
Información en exceso.
Tema 2. Del dato al saber Proceso de continuo entendimiento.
Tema 3. Encuesta de minería de datos
Tendencias en análisis de información
Tema 4. Situaciones de negocio Casos de éxito de BI II. Introducción a la
Inteligencia de Negocios
Tema 5. Evolución de la información
Tema 6. Conceptos de BI Componentes tecnológicos, analíticos y estratégicos.
Tema 7. Arquitectura de BI Tema 8. Jerarquía de los componentes de BI
Integración con el proceso del continuo entendimiento.
III. Diseño del modelo de datos
Tema 9. Componentes tecnológicos
OLTP vs OLAP.
Datamart vs DWH.
IV. Introducción al análisis de información
Tema 10. Conceptos básicos de estadística
Algunas definiciones de interés.
Tema 11. Tipos de variables Tipos y escalas de medición de variables utilizadas en BI.
Tema 12. Estadística descriptiva Algunas medidas de interés.
Tablas de frecuencia.
V. Tipos de gráficos estadísticos
Tema 13. Tipos de gráficos Conceptos y diseño de gráficos.
VI. Minería de Datos (DM)
Tema 14. Conceptos Básicos de DM
Técnicas más populares y su clasificación según situaciones a resolver.
Tema 15. Tipos de metodologías CRISP-DM y SEMMA.
Tema 16. Tipos de herramientas Herramientas de minería de datos en la industria y la investigación.
VII. Visualización de datos Tema 17. Casos de Visualización de datos
Casos aplicados de visualización y análisis de datos.
Tema 18. Conceptos básicos de Tableros de control
Tipos y propósito.
VIII. Metodología Roadmap
Tema. 19. Planeación de proyectos de BI
Evaluación:
Las clases son tipo taller, donde el docente explicará los conceptos y los alumnos desarrollarán actividades relacionadas a los mismos.
A. 40% Trabajos, tarea y actividades de clase. Quien entrega o expone la tarea será seleccionado al azar.
B. 20% exposición del ítem A. Exponen un solo integrante del equipo que se selecciona al azar, en caso de no estar presente no sumará el 20% y se realizará un nuevo sorteo con los asistentes a clase.
C. 20 % I for e de le tura De isio Ma age e t “yste s D. 20 % Examen final
Instructor:
Gustavo A Valencia Z www.gustavovalencia.com [email protected]
Candidato a Magister en Ciencias Estadísticas Especialista en Estadística
Especialista en Gerencia para Ingenieros
GIAC Analista certificado en computación Forense Ingeniero Electrónico
Trayectoria del Instructor:
Sus estudios de maestría en Ciencias Estadísticas los ha realizado en la Universidad Nacional de Colombia, sede Medellín, donde actualmente está en la etapa de finalización y entrega del trabajo de grado titulado:
Modelo Estadístico para dosificación de escaneo de antivirus. Aplicación a un Sistema de Información Bancaria”.
Cuenta con ponencias internaciones en WORLDCOMP, (The World Congress in Computer Science, Computer Engineering, and Applied Computing), Las Vegas, USA; donde en conferencias de Minería de datos y Seguridad ha expuesto sus investigaciones aplicadas.
Cue ta o la ertifi a ió I ter a io al, GIAC Certified Forensic Analyst(GCFA) (A alista certificado en computación forense) de Sans Institute, USA.
Es especialista en Estadística de la Universidad Nacional de Colombia, sede Medellín, con el trabajo de grado titulado: Creación de roles en un sistema de información Bancario por medio de análisis de conglomerado bietápico . Igual e te ue ta o estudios de espe ializa ió e Gere ia para I ge ieros de la U i ersidad Po tifi ia Boli aria a, Colo ia, o el artí ulo: La minería de datos como herramienta para la toma de decisiones estratégicas”.
Es Ingeniero Electrónico de la Universidad Pontificia Bolivariana (Colombia).
Durante los últimos 7 años ha asistido a múltiples entrenamientos y capacitaciones nacionales (Colombia) e internacionales (USA) relacionados con herramientas de minería de datos: IBM SPSS Modeler (Clementine) y SAS Enterprise Miner. Igualmente ha asistido a congresos y talleres internacionales rela io ados a i ería de datos, tal es el aso de The I ter atio al Co fere e o Data Mi i g ,
th I ter atio al Co fere e o “e urity a d Ma age e t , Predi ti e A alyti s World y M Data Mi i g Co fere e “A“ . Durante los últimos 6 años ha asistido a múltiples cursos a nivel nacional (Colombia) relacionados a tópicos de Seguridad de TI y prevención del fraude, tales como: aseguramiento de bases de datos, sistemas operativos, computación forense entre otros.
Durante 7 años fue parte del equipo de Seguridad del Grupo Bancolombia, donde con técnicas de inteligencia analítica y minería de datos desarrolló modelos para incrementar la seguridad de la compañía, en tópicos como la prevención del fraude, control de riesgos, seguridad física y de TI, control de acceso lógico y aseguramiento de plataformas, aplicativos y bases de datos.
Actualmente hace parte del grupo de investigación en Estadística de la Universidad Nacional de Colombia, sede Medellín, grupo catalogado nivel A1 por Colciencias.
Es docente de los cursos:
Fundamentos de Inferencia Estadística, en el pregrado de Ingeniería en Telecomunicaciones e Ingeniería Informática de la Universidad Pontificia Bolivariana.
Visualización de Información, en la especialización en Inteligencia de Negocios de la Universidad Pontificia Bolivariana y en la Diplomatura en Enfoques Integrados de Inteligencia de Negocios:
Gestión y Tecnologías de la Universidad Eafit.
Minería de Datos, en la Diplomatura en Enfoques Integrados de Inteligencia de Negocios: Gestión y Tecnologías de la Universidad Eafit.
Inteligencia de Negocios, en la especialización en Sistemas de Información de la de la Universidad Eafit.
Bibliografía:
A continuación se esbozan algunos de las referencias bibliográficas representativas, sin embargo, en el transcurso del módulo cada sesión detallada las referencias por temas. El compendio completo de las referencias puede ser consultado en el archivo Referencias Inteligencia de Negocios.pdf.
Carlo Vecellis. Business Intelligence: Data Mining and Optimization for Decision Making. John Wiley
& Sons, 2009.
Larissa T. Moss & Shaku Atre. Business Intelligence Roadmap: The Complete Project Licecycle for Decision-Support Application. Addison Wesley, 2003.
R. Mosimann, P. Mosimann & M, Dussault. The Performance Manager: Estrategias probadas para Convertir la Información en una Mejora del Rendimiento del Negocio. Cognos Incorporate, 2007.
Z. Michalewicz, M. Schmidt, M. Michalewicz & C. Chiriac. Adaptive Business Intelligence. Springer, 2008.
Gert H.N. Laursen & J. Thorlund. Business Analytics for Managers: Taking Business Intelligence Beyond Reporting. John Wiley & Sons, 2010.
Kevin E. Voges & Nigel Pope. Business Applications and Computational Intelligence. Ides Group Publishing, 2006.
Olivia Parr Rud. Business Intelligence Success Factors: Tools for aligning your business in the global economy. John Wiley & Sons, 2009.
Riccardo Mazza. Introduction to Information Visualization. Springer, 2009.
Sigmar-Olaf Tergan and Tanja Keller. Knowledge and Information Visualization: Searching for Synergies. Springer, 2005.
Card, S. K., Mackinlay, J. D., & Shneiderman, B, 1999. Information visualization. In S. K Card, J. D.
Mackinlay, & B. Shneiderman (Eds.), Information visualization. Using vision to think (pp. 1-34). San Francisco: Morgan Kaufmann.
C. Chen., W. Härdle,& A. Unwin. Handbook of Data Visualization. Springer, 2008.
Devore, J.L. Probabilidad y Estadística para Ingeniería y Ciencias 5ª edición. International Thomson Editores, 2001.
Walpole, R. Probalilidad para ingeniería y ciencias. Pearson, 2007.
Alan Agresti. Categorical Data. Wiley, 2002.
W. J. Conover. Practical Nonparametric Statistic. Wiley, 1999.
Shadan Malik. Enterprise Dashboards, Desing and best practices for IT.John Wiley & Sons, Inc. 2005
“tephe Fe . I for atio Dash oard Desi g. O reilly. 6
Pérez, L. Minería de datos: Técnicas y herramientas. Thomson, 2007.
SPSS. Introducción a Clementine. SPSS, 2008.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. and Wirth R. CRISP-DM 1.0.
SPSS, 2007.
SAS. Getting Started with SAS Enterprise Miner 6.1. SAS Publishing, 2009.
Kuma V, Next Generation of Data Mining. Chapman & Hall/CRC, 2009.
Witten, I. and Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, 2005.
Morgan Kaufmann
Olson, D. & Delen, D. Advanced Data Mining Techniques. Springer, 2009.
Fayyad U, Grinstein G & Wierse A. Information Visualization in Data Mining and Knowledge Discovery Morgan Kaufmann Series in Data Management Systems. Elsevier, 2002.
Taniar, D. Data Mining and Knowledge Discovery Technologies. IGI, 2008.
