Sistemas de Información para la Gestión

(1)

1

UNIDAD 3: RECURSOS DE TI – Aplicaciones

Sistemas de Información para la

Gestión

Sistemas de Información para la Gestión Año 2015

1

1. Administración de bases de datos e información: Sistemas de administración de bases de datos. 2. Administración del conocimiento. Sistemas de

administración del conocimiento. Técnicas inteligentes.

3. Aplicaciones empresariales: Sistemas de planificación de recursos empresariales ERP.

UNIDAD 3: RECURSOS DE TECNOLOGÍA DE

INFORMACIÓN – Aplicaciones

2 Sistemas de Información para la Gestión

(2)

2

RECURSOS DE TI – Aplicaciones - Bibliografía

3 Sistemas de Información para la Gestión

Año 2015 3.1. Laudon y Laudon Parte II Cap 6 P Recursos TI - Aplicaciones LyL 225 – 238 LyL 245 – 248 3.2. Laudon y Laudon

Parte II Cap 8 LyL 238 – 243

SITUACIÓN ACTUAL: BIG DATA

(3)

3

5

INUNDADOS POR LOS DATOS

Cada vez se generan más datos:

 Bancos, telecom, otras transacciones

comerciales...

 Datos científicos: astronomía, biología, …

 Web, texto y comercio electrónico

6

EJEMPLOS DE GRANDES CANTIDADES DE DATOS

Very Long Baseline Interferometry en Europa (VLBI)

 16 telescopios

 cada uno produce 1 Gigabit/second de datos astronómicos durante una sesión de observación de 25 días

 problemas de almacenamiento y análisis

AT&T gestiona billones de llamadas al día

 tantos datos que no pueden ser almacenados todos – el análisis debe hacerse a medida que llegan los datos (datos en streaming)

(4)

4

LAS BDs MÁS GRANDES EN 2012

1. The World Data Centre for Climate (Alemania): 220 TB + 6 PB 2. National Energy Research Scientific computing Center (EEUU): 2,8 PB 3. AT&T

4. Google: búsquedas 5. Sprint

6. Lexix Nexis: 250 TB de datos personales (incluye ADN) 7. YouTube.

8. Amazon: datos de 59 millones de clientes, 250000 libros completos 9. CIA.

10.Biblioteca del Congreso de EEUU.

7 http://www.siliconindia.com/news/enterpriseit/Top-10-Largest-Databases-in-the-World-nid-118841-cid-7.html

MONTONES DE DATOS EN TODAS PARTES

Enorme crecimiento en BDs comerciales y científicas debidas a avances en las tecnologías de generación y captura de datos

 Nuevo mantra: recoge los datos que puedas donde puedas y cuando puedas.

 Expectativas: los datos recogidos tendrán valor, para el propósito por el que se recogieron o para otro no evidente todavía.

Simulaciones por computadora Negocios

Redes de sensores Datos geo espaciales Seguridad nacional

(5)

5

Big Data

El primer cuestionamiento que posiblemente llegue a su mente en este momento es ¿Qué es Big Data y porqué se ha vuelto tan importante?

9

Big Data

Pues bien, en términos generales podríamos referirnos como a la tendencia en el avance de la tecnología que ha abierto las puertas hacia un nuevo enfoque de entendimiento y toma de decisiones, la cual es utilizada para describir enormes cantidades de datos (estructurados, no estructurados y semi-estructurados) que tomaría demasiado tiempo y sería muy costoso cargarlos a un base de datos relacional para su análisis. De tal manera que, el concepto de Big Data aplica para toda aquella información que no puede ser procesada o analizada utilizando procesos o herramientas tradicionales.

(6)

6

Big Data

Sin embargo, Big Data no se refiere a alguna cantidad en específico, ya que es usualmente utilizado cuando se habla en términos de petabytes y exabytes de datos. Entonces ¿Cuánto es demasiada información de manera que sea elegible para ser procesada y analizada utilizando Big Data? Analicemos primeramente en términos de bytes:

Gigabyte = 109_{= 1.000.000.000} Terabyte = 1012_{= 1.000.000.000.000} Petabyte = 1015_{= 1.000.000.000.000.000} Exabyte = 1018_{= 1.000.000.000.000.000.000}

11

USO DE BD PARA MEJORAR EL DESEMPEÑO

EMPRESARIAL

(7)

7

Escenario actual

Contamos con un conjunto de tecnologías avanzadas que nos permiten integrar y analizar información de bancos de datos.

Para obtener:

sus tendencias,

para segmentar la información o

para encontrar la correlación en los datos.

Con el objeto de generar acciones con valor agregado para el negocio.

13

Expectativas

Necesitamos:

la integración de herramientas avanzadas con los datos,

procesos de generación de conocimiento y la segmentación de la información

para obtener tendencias e información oculta.

(8)

8

¿La solución?

15

Business Intelligence

Todo esto se hace para lograr lo que denominamos:

FUNDAMENTOS DE LA INTELIGENCIA DE

NEGOCIOS

Administración de Bases de Datos e Información Gestión del Conocimiento

(9)

9

Business Intelligence System es…

17

un “conjunto sofisticado de Herramientas y Tecnologías; que brindan soporte a todas las fases del proceso de toma de decisiones de los ejecutivos;

con el objeto de mejorar las ventajas competitivas de la organización, a través de mejores decisiones y que son utilizadas por los llamados Trabajadores del

Conocimiento”.

Howard Dresner (“The Gartner Group”)

Business Intelligence System…

18

“Aplicaciones de computación que interpretan datos históricos, analizan tendencias y miden performance y que están orientadas a servir de soporte a los procesos de toma de decisiones”

(10)

10

19

Business Intelligence es la

Realización eficiente de todas las actividades

relacionadas con la generación, extracción, organización, análisis, compartición y distribución del conocimiento de una organización.

Requerimientos

Capacidades y herramientas especiales para… …analizar extensas cantidades de datos. …acceder a datos desde múltiples sistemas.

(11)

11

Objetivos

Que incluyan…

…almacenamiento de datos.

…minería de datos y análisis predictivo. …descubrimiento del conocimiento.

21

DATA WAREHOUSE

(12)

12

Almacén de Datos – Data Warehouse

“El Data Warehouse es una colección de datos orientados al tema, integrados, no volátiles e

historiados, organizados para el apoyo de un proceso de ayuda a la decisión”.

Using the Data Warehouse of Bill Inmon

23

Herramientas o Procesos OLAP vs OLTP

OLAP (On-Line Analytical Processing):

Agilizan la consulta de grandes cantidades de datos. Permiten análisis multidimensional.

Utilizado por analistas.

OLTP (On-Line Transactional Processing):

Entrada de datos y recuperación y procesamiento de transacciones.

Acceso masivo.

(13)

13

Análisis multidimensional

25

Tiempo _{Año, Meses, Semanas, Días,...}

Producto _{Rubro, Artículo, Calidad,...}

Geográfica _{Zona, Sucursales,...}

Procesamiento Analítico en Línea

(14)

14

Herramientas o Procesos OLAP vs OLTP

Sistemas de Información para la Gestión Año 2015 27 Sistemas OLTP BD Corporativa Data Warehouse Herramientas OLAP

Mercado de Datos – Data Mart

Subconjunto del Almacén de Datos, resumido o altamente enfocado.

Conjunto de tecnologías avanzadas susceptibles de analizar la información de un Data Warehouse para obtener sus tendencias, segmentar la información o encontrar la correlación en los datos.

Para una población específica de usuarios.

Se enfoca en un área objetivo o línea del negocio. Menor costo de implementación que un almacén de datos.

(15)

15

DATA MINING – MINERÍA DE DATOS

29

Surge una necesidad…

Las herramientas OLTP responden a preguntas concretas: ¿Cuánto se vendió el día ...?

¿Quién compró el producto …? ¿Cuál es el stock del producto …? ¿Cuál es la comisión del vendedor …?

(16)

16

Quiero saber…

¿Cuánto se vendió del producto X respecto de los objetivos por trimestre y región de ventas en los dos últimos años?

¿Qué clientes compraron simultáneamente los productos X e Y en todas sus operaciones en los dos últimos años?

El incremento / decremento de la venta de autos 0 Km (negocio externo) en los dos últimos años, ¿generó algún hábito de compra en alguna de las regiones?

31

Análisis Predictivo

Utiliza técnicas de: minería de datos, datos históricos y

suposiciones sobre condiciones futuras para… …predecir resultados de eventos.

(17)

17

¿POR QUÉ LA MD? DESDE LO CIENTÍFICO

 Se recogen y guardan datos a gran velocidad

 Sensores remotos en satélites. Archivos de NASA EOSDIS más de 1PB de datos sobre la Tierra por año.

 Telescopios.

 Datos biológicos.

 Simulaciones científicas: generan TBs en solo unas horas

 La minería de datos ayuda a los científicos

 En el análisis automático de enormes conjuntos de datos

 En la formación de hipótesis

33

GRANDES OPORTUNIDADES PARA RESOLVER

PROBLEMAS SOCIALES

Mejorar la salud y reducir costos

Encontrar energías alternativas

Predecir el impacto del cambio climático

Reducir el hambre, la pobreza aumentando la producción agrícola

(18)

18

35

Minería de datos

Comprende una serie de técnicas, algoritmos y métodos cuyo fin es la explotación de grandes volúmenes de datos con vistas al descubrimiento de información

previamente desconocida y que pueda servir de ayuda en el proceso de toma de decisiones, formando parte del conjunto de tecnologías de la Inteligencia de Negocio

36

¿QUÉ ES LA MINERÍA DE DATOS?

 Minería de datos (descubrimiento de conocimiento en datos): extracción de patrones de conocimiento interesantes (no triviales, implícitos, previamente desconocidos y

potencialmente útiles) de cantidades enormes de datos.

 Otros nombres

 Descubrimiento de conocimiento en bases de datos (KDD)

 Extracción de conocimiento

 Análisis de datos, análisis de patrones

 Arqueología de datos.

 Dragado de datos (datos dredging)

 Cosecha de información (harvest information)

 Inteligencia de negocios (business intelligence)

(19)

19

37

¿QUÉ ES LA MINERÍA DE DATOS?

Ejemplo real de la NBA

 Información jugada a jugada guardada por los equipos

 Quién está en la cancha.

 Quién lanza.

 Resultados.

 Los entrenadores quieren saber qué es lo que funciona

 Jugadas que van bien contra un rival dado.

 Combinaciones buenas / malas de jugadores.

DESCUBRIMIENTO DEL CONOCIMIENTO

(20)

20

39

DATOS, INFORMACIÓN Y CONOCIMIENTO

Conocimiento:

capacidad de convertir datos e información en acciones efectivas

40

TIPOS DE CONOCIMIENTO

(21)

21

41

Tipos de conocimiento (según su nivel de

abstracción)

 Conocimiento evidente: fácilmente recuperable (SQL)

 Conocimiento multi-dimensional: considera los datos con una cierta estructura (OLAP)

 Conocimiento oculto: información no evidente,

desconocida a priori y potencialmente útil (Data Mining)

 Conocimiento profundo: información que está almacenada en la base de datos, pero que resulta imposible de

recuperar a menos que se disponga de alguna clave que oriente la búsqueda

PIRÁMIDE BASELINE

42

Jill Dyché E-data. Transformando los datos en información con Data Warehousing_{Sistemas de Información para la Gestión}, Prentice Hall, 2001

(22)

22

Descubrimiento del conocimiento

43

Jill Dyché , Federico Plancarte

44

EVOLUCIÓN

PASO EVOLUTIVO PREGUNTA TECNOLOGÍA Recolección de

datos (1960s)

¿Cuáles fueron mis ingresos totales en los últimos cinco años?

computadoras, cintas, discos

Acceso a los datos (1980s)

¿Cuáles fueron las ventas unitarias en el NOA en Marzo? computadoras más rápidas, más baratas, más almacenamiento, bds relacionales Almacenes de datos, soporte a la toma de decisiones

¿Cuáles fueron las ventas unitarias en el NOA en Marzo, por producto y por edad? Hacer zoom en Salta.

computadoras más rápidas, más baratas, más almacenamiento, OLAP, bases de datos

multidimensionales, almacenes de datos

Minería de datos ¿Qué es probable que pase respecto a las ventas de Salta el mes que viene? ¿Por qué?

computadoras más rápidas, más baratas, más almacenamiento, algoritmos avanzados

(23)

23

45

DESCUBRIMIENTO DEL CONOCIMIENTO (KD)

Descubrimiento del Conocimiento: es la extracción no trivial de información:

 implícita

 previamente desconocida

 potencialmente útil a partir de los datos

W. J. Frawley, G.Piatetsky-Shapiro, C. J. Matheus

Knowledge Discovery in Databases (KDD)

Nombre técnico con que se denomina al proceso global de extracción de conocimiento de bases de datos.

46

Verificación vs. descubrimiento

Verificación

1. Elaborar una hipótesis sobre la existencia de una información de interés

2. Convertir la hipótesis en una consulta

3. Ejecutar la consulta contra un sistema de información

4. Interpretar los resultados

5. Refinar la hipótesis y repetir la ejecución

Descubrimiento

1. Identificar un objetivo o problema de negocio

2. Habilitar un acceso a los datos de interés y acondicionarlos

3. Seleccionar una técnica de explotación de los datos adecuada para el problema

4. Ejecutar la técnica contra los datos

5. Interpretar los resultados Las técnicas de minería de datos son herramientas que facilitan el descubrimiento de la información

(24)

24

47

¿Tienen sentido las respuestas obtenidas?

48

¿Tienen sentido las respuestas obtenidas?

(25)

25

49

Caso de estudio:

Pérdida de clientes (

attrition rate

)

Situación: una compañía de celulares suele

perder del 25 a 30% de sus clientes al año.

Con esto en mente, ¿cuál es nuestra tarea?

Suponga que tenemos información sobre clientes

de los últimos N meses.

50

Caso de estudio: Pérdida de clientes

Tarea:



Predecir quién probablemente dejará el servicio

en el próximo mes.



Estimar el valor de ese cliente y qué oferta nos

conviene hacer a ese cliente para que no se vaya

(26)

26

51

Caso de estudio: Pérdida de clientes

Resultados:

 Verizon Wireless construyó un almacén de datos de clientes.

 Identificó posibles desertores.

 Desarrolló modelos múltiples, según la región.

 Contactó a clientes con alta probabilidad de aceptar la oferta.

 Redujo la pérdida de clientes de más de 2%/mes a menos de 1.5%/mes (impacto enorme, por tener >30 M clientes)

(Datos de 2003)

52

Minería de datos y privacidad

 En 2006, se informó que la NSA (National Security Agency) estaba minando años de datos de llamadas para identificar redes terroristas

 El análisis de redes sociales puede ayudar a encontrar redes terroristas.

(27)

27

Deportes

Análisis del rendimiento de los jugadores, a partir de datos de una o más cámaras; análisis del adversario posterior al partido; fichaje de jugadores

53

http://www.prozonesports.com/folder/prozone/pdf/page_37.pdf

Deportes

54

McLaren también hace análisis retrospectivos del rendimiento del bólido en circuitos particulares para que el conductor entienda la mejor forma de manejar. El circuito de Mónaco es el mismo desde hace 30 años, así que tenemos años de datos para saber qué pasa con la suspensión en una curva determinada (CIO Burrell)

http://blog.sap-tv.com/2012/09/cnn-on-mclaren-f1-racing-team-using-sap/

McLaren F1: 120 sensores/auto 4MB/s enviados del auto al centro de control Hamilton frena una fracción de segundo más tarde que su compañero Button

(28)

28

GESTIÓN DEL CONOCIMIENTO - RESUMEN

55

…Para tomar decisiones

Sistemas de Información para la Gestión Año 2015 56 Conocimientos Data Mart Decisión BI Transacciones OLTP

(29)

29

GESTIÓN DEL CONOCIMIENTO – EDUCACIÓN

57

IECO – 05/13/2010 – Pág. 12 (sección Bonus)

Duchos para revelar el secretos de los números

(30)

30

Sistemas de Información para la Gestión