Data Warehousing. Transformando datos electrónicos en informacion

Tema 2Tema 2
El soporte a la DecisiónEl soporte a la Decisión

E-data. Transformando datos en información
con Data Warehousing
  
Evolución del soporte a la decisiónEvolución del soporte a la decisión
Diversas categorías del análisis del DS
Técnicas de análisis
más avanzadas
Consultas
simples DW
…..

Técnica de análisis más difundida (75%)
Pasar de consultas simples a análisis avanzado
Consulta simple: datos frescos, decisiones estratégicas
Consultas “enlatadas” o predefinidas
Consultas sin preparación (ad-hoc)

Consulta estandar análisis multidimensional
Técnica de análisis más poderosa
Hurgar más profundamente
Diferentes perspectivas de los datos mediante
ANALISIS MULTIDIMENSIONAL: ANALISIS MULTIDIMENSIONAL:
El poder de dividirEl poder de dividir

Diferentes perspectivas de los datos mediante
el uso de “dimensiones”“dimensiones”
Información por una cierta dimensióndimensión
Drill downDrill down
Herramientas similares (a la consulta estándar)
Mismos datos: diferentes formas

Modelado y Segmentación:Modelado y Segmentación:
Análisis para trabajadores del conocimientoAnálisis para trabajadores del conocimiento
Datos voluminosos
y detallados Trabajadores del
conocimiento

ModeloModelo. Colección de patrones para una característica dada
Algoritmos Algoritmos de modelado Soporte a la decisión
La segmentación segmentación tampoco es una herramienta NUEVA
Ejemplo: Segmentación de CLIENTES
Software especializado

MarketingMarketing buscando los mejores clientes
KD. KD. Algoritmos poderosos que buscan
patrones en grandes DB
Patrones
no especificados no especificados
de antemano

Patrones
no especificados no especificados
de antemano
(como en el modelado)
DWDW le dice a la empresa dónde están los
patrones patrones y relacionesrelaciones importantes
• “Respuestas desconocidas” Respuestas desconocidas” para encontrar
nuevas formas innovadoras

 
Evolución de la infraestructura del DWDW
 
 
Evolución de la infraestructura del DWDW
Los datos en DW evolucionan y maduran
DW como una necesidad básica
Mayor
de
uso

Mayor
de
uso
Ahorros de tiempo o costos
Consolidación de procesos
 
 
La consulta busca confirmarconfirmar un supuesto
“Listar los # de préstamos hechos al cliente X y las
fechas de pago cuando se ha demorado más de
una semana”

parte de una hipótesishipótesis muymuy fuertefuerte
 
“Listar a todos los clientes para los que el ingreso por
uso a la hora pico haya disminuido un 20% o más”
Resultado acciones comerciales
 
“Mostrar a todos los clientes de celulares con
llamadas entrantes incompletas en más de un 20%
en cada semana”
 
Resultados útiles:Resultados útiles:
• Clientes de alto uso que necesiten equipo adicional
• Posibles competidores en el mercado
• Candidatos a ofertas de productos nuevos
• Sospechas de fraudes
• Clientes potencialmente insatisfechos
• En suma, retener y sumar clientesEn suma, retener y sumar clientes
AnálisisAnálisis multidimensionalmultidimensional
“Mostrar a todos los clientes de celulares con llamadas
entrantes incompletas en más de un 20% en c/semana”
DrillDrill--downdown
“De esos clientes ¿quiénes usan
roaming
por fuera de

“De esos clientes ¿quiénes usan
roaming
por fuera de
la red?
Resultados:Resultados:
 
AnálisisAnálisis multidimensionalmultidimensional
“Mostrar los ingresos trimestrales correspondientes
a grandes clientes comerciales en las regiones
norte, NO y SO en 1977 y 1978”
 
AnálisisAnálisis multidimensionalmultidimensional
“Mostrar los mismos datos por distrito
dentro de la región noroeste”
 
AnálisisAnálisis multidimensionalmultidimensional
“Mostrar los mismos datos para el distrito B de la
región noroeste”
 
AnálisisAnálisis multidimensionalmultidimensional
Las herramientas OLAP son únicas para facilitar al

Las herramientas OLAP son únicas para facilitar al
usuario pedir los mismos datos en diferentes formas
 
AnálisisAnálisis multidimensionalmultidimensional
PROVEEDORESPROVEEDORES
Oracle OLAP
SAP
-
OLAP

SAP
-
OLAP
Microsoft
Inesoft
Dundas Chart for .NET OLAP Services
MicroStrategy OLAP Services
 
ModeladoModelado y y SegmentaciónSegmentación
ModeladoModelado
Comportamiento futuro de los clientes
Su viabilidad a largo plazo
SegmentaciónSegmentación

SegmentaciónSegmentación
Clasificar y reclasificar clientes por
Demografía
Patrones de compra
Proclividad a la compra
 
ModeladoModelado y y SegmentaciónSegmentación
Ejemplos de ModeladoEjemplos de Modelado
Valor de por vida del cliente

Desgaste del cliente
Modelado predictivo
 
ModeladoModelado y y SegmentaciónSegmentación
Ejemplos de SegmentosEjemplos de Segmentos
Clientes que responden a ofertas
Clientes que responden a descuentos

Clientes que responden a descuentos
Clientes que responden a productos
nuevos
Clientes que responden a
promociones
 
ModeladoModelado y y SegmentaciónSegmentación
Resultados de la segmentación:Resultados de la segmentación:
¿A qué grupo de clientes enfocar un
nuevo servicio?
¿Quién es más probable que se

¿Quién es más probable que se
interese por este servicio?
¿Qué clientes es más probable que
cometan fraude?
¿Qué clientes es más probable que
respondan a descuentos?
 
DescubrimientoDescubrimiento del del conocimientoconocimiento
Cero hipótesis
Encuentra en los datos patrones ocultos:
Comportamiento del cliente
Ventas por producto
Cancelaciones

Cancelaciones
Compras futuras
 
Ejemplos:Ejemplos:
Qué pasa cuando 2 medicamentos se toman juntos
Patrones desconocidos de afinidad de productos
Productos disparadores de otros
DescubrimientoDescubrimiento del del conocimientoconocimiento
Más ejemplos:Más ejemplos:
De los clientes que compran frituras,
el 66% también compran golosinas
De los clientes que compran frituras y

De los clientes que compran frituras y
golosinas, el 75% también compra vino tinto
 
ACCIONES ACCIONES
Enviar cupones a compradores frecuentes
Eliminar descuentos en vino tinto
Reubicar los productos dentro de la tienda
DescubrimientoDescubrimiento del del conocimientoconocimiento
Ejemplos de datos que salen a la luz gracias a KD:Ejemplos de datos que salen a la luz gracias a KD:
Ciertos productos disparadores afectan otras compras

Descubrir la “próxima compra probable”
Descubrir patrones en la caída de compras
Aspectos del cliente que afectan el ciclo de vida del
producto
 
Data miningData mining
El Data Data miningmining comprende la segmentación, el
modelado y el descubrimiento del conocimiento
Es sinónimo de
análisis estadísticoanálisis estadístico

Es sinónimo de
análisis estadísticoanálisis estadístico
Está soportado por 3 tecnologíasEstá soportado por 3 tecnologías
• Recolección masiva de datos
• Potentes computadoras con multiprocesadores
Algoritmos de Data Mining
 
Data miningData mining
Se desarrolla bajo lenguajes de última generación lenguajes de última generación
basados en inteligencia artificial inteligencia artificial y utiliza modelos modelos
matemáticos matemáticos tales como:
 
Redes neuronales artificiales
Arboles de decisión
Reglas de inducción
Algoritmos genéticos
Data miningData mining
Predice futuras tendencias futuras tendencias y comportamientoscomportamientos para
permitir en los negocios tomar decisiones proactivas
Estas herramientas pueden responder a preguntas de
negocios que
consumen demasiado tiempoconsumen demasiado tiempo
 
negocios que
consumen demasiado tiempoconsumen demasiado tiempo
Exploran las bases de datos en busca de patrones patrones
ocultosocultos, encontrando información predecible que un
experto no puede llegar a encontrar no puede llegar a encontrar porque está fuera de
sus expectativas
Data Warehouse en la Data Warehouse en la realidadrealidad
Los datos residen en la menor cantidad de plataformas plataformas
distintasdistintas, preferentemente en un DW DW oData Data martmart
Los gerentes acostumbran
acceder directamente al acceder directamente al
 
Los gerentes acostumbran
acceder directamente al acceder directamente al
DW DW cuando requieren información
Los ejecutivos apoyan el soporte a la decisiónsoporte a la decisión
El DWDW puede mejorar la productividadmejorar la productividad y aumentar la aumentar la
rentabilidadrentabilidad de la organización
EE--data. Tranformando los datos en información con Data Warehousingdata. Tranformando los datos en información con Data Warehousing
Capítulo 2. El soporte a la Decisión de abajo hacia arribaCapítulo 2. El soporte a la Decisión de abajo hacia arriba
Jill DychéJill Dyché
Referencia s


Compártelo con tu mundo

Escrito por:

Maestro en Administración de Tecnologías de Información Consultor de negocios de base tecnológica.

Cita esta página
Plancarte Sánchez Federico. (2010, mayo 6). Data Warehousing. Transformando datos electrónicos en informacion. Recuperado de http://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/
Plancarte Sánchez, Federico. "Data Warehousing. Transformando datos electrónicos en informacion". GestioPolis. 6 mayo 2010. Web. <http://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/>.
Plancarte Sánchez, Federico. "Data Warehousing. Transformando datos electrónicos en informacion". GestioPolis. mayo 6, 2010. Consultado el 28 de Abril de 2015. http://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/.
Plancarte Sánchez, Federico. Data Warehousing. Transformando datos electrónicos en informacion [en línea]. <http://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/> [Citado el 28 de Abril de 2015].
Copiar
Imagen del encabezado cortesía de 81809782@N06 en Flickr
Tu opinión vale, comenta aquíOculta los comentarios

Comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

También en Tecnología