Herramientas de inteligencia empresarial

Descripción y Objetivos

Se pretende que el alumno pueda:

- Interpretar las necesidades de información de las organizaciones para la toma de decisiones y cómo ofrecerles soluciones tecnológicas de apoyo. 

- Comprender la arquitectura de una solución de inteligencia de negocios (Business Intelligence) pudiendo identificar sus componentes, y cuáles son las diferencias con una de analítica de datos (data analytics). 

- Adquirir las competencias necesarias para usar herramientas de integración de datos y de visualización de información.

- Aportar valor en el desarrollo de soluciones en las organizaciones, principalmente diseñando algunos componentes de la solución, y desarrollando sobre todo la parte del denominado “front end"

Temario
  • Unidad 1: Las soluciones de inteligencia empresarial en el proceso decisorio. - El proceso decisorio. El universo de la decisión y las variables. Resultados, variables, cursos de acción. Los tipos de decisiones y características de la información. Madurez en el uso de datos en las organizaciones. Las soluciones de Inteligencia de negocios (tradicional) y las de analítica de datos. La analítica descriptiva, predictiva y prescriptiva.
  • Unidad 2: Los Datos. - OLAP vs OLTP. Los 3 problemas del OLTP para las decisiones tácticas y estratégicas: Falta de integración, inadecuados tiempos de respuesta y falta de orientación a los temas. Orígenes de datos internos y externos. El Data warehouse. Data warehouse objetivo y subjetivo. Data mart. Área de trabajo. El ODS. Los problemas del data warehouse para la ciencia de datos y el data lake.
  • Unidad 3: Modelo dimensional. - Dimensiones y jerarquías, hechos, medidas, métricas e indicadores. Modelado dimensional conceptual. Métodos y herramientas. El modelado multidimensional lógico. Modelo estrella, copo de nieve y mixto. Tipo de dimensiones (SCD 1 y 2). Dimensión degenerativa. Tipos de medidas aditivas, semi aditivas y no aditivas. Tipos de tabla de hecho (foto periódica, transacción, foto acumulativa).  Criterios de diseño como la granularidad y las claves subrogadas. 
  • Unidad 4: Integración, limpieza y preparación de datos. - Proceso de integración de datos. Ventana operacional y update de datos. El ETL (extracción, transformación y carga) y la herramienta de mapa lógico. Estrategias con el área de trabajo. Algoritmos de limpieza y preparación de datos. Detección y tratamiento de datos atípicos. Detección y tratamiento de datos faltantes. Taxonomía de los desafíos en la preparación de datos para mejorar su explotación. Herramientas de integración y el SQL.
  • Unidad 5: herramientas de acceso, aprovechamiento y visualización de la información. - Reportes, Análisis multidimensional, Tableros de comando (con indicadores), Distribución proactiva y alertas. Tipos de audiencias. Criterios de diseño (tablas, gráficos de líneas, barras, y torta, tortas, etc.). Filtros. Visualización avanzada.  Concepto de Cubo. Características de la preparación de datos. Tendencias en las herramientas. Análisis exploratorio o explicativo. Conceptos de “data storytelling”. Los modelos de data mining y machine learning  y el concepto de embeber inteligencia. 

Conocimientos previos
Se asume que el alumno está familiarizado con conceptos básicos de bases de datos y su modelado conceptual y lógico, así como que maneja los conceptos básicos del lenguaje SQL. Por otro parte también se considera que entienden los procesos de negocio de una organización, los tipos de decisiones que existen y su relación con la información. 
Califications

El curso no se ha calificado