KPIDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda KPI, del ingls Key Performance Indicators, o Indicadores Clave de Desempeo, miden el nivel del desempeo de un proceso, enfocndose en el "cmo" e indicando el rendimiento de los procesos, de forma que se pueda alcanzar el objetivo fijado.Los indicadores clave de desempeo son mtricas financieras o no financieras, utilizadas para cuantificar objetivos que reflejan el rendimiento de una organizacin, y que generalmente se recogen en su plan estratgico. Estos indicadores son utilizados en inteligencia de negocio para asistir o ayudar al estado actual de un negocio a prescribir una lnea de accin futura. El acto de monitorizar los indicadores clave de desempeo en tiempo real se conoce como monitorizacin de actividad de negocio. Los indicadores de rendimiento son frecuentemente utilizados para "valorar" actividades complicadas de medir como los beneficios de desarrollos lderes, compromiso de empleados, servicio o satisfaccin.Los KPIs suelen estar atados a la estrategia de la organizacin (ejemplificadas en las tcnicas como la del cuadro de mando integral). Los KPIs son "vehculos de comunicacin"; permiten que los ejecutivos de alto nivel comuniquen la misin y visin de la empresa a los niveles jerrquicos ms bajos, involucrando directamente a todos los colaboradores en realizacin de los objetivos estratgicos de la empresa. As los KPIs tienen como objetivos principales: medir el nivel de servicio, realizar un diagnostico de la situacin, comunicar e informar sobre la situacin y los objetivos, motivar los equipos responsables del cumplimiento de los objetivos reflejados en el KPI, progresar constantemente.Usado para calcular, entre otros: Tiempo que se utiliza en mejorar los niveles de servicio en un proyecto dado. Nivel de la satisfaccin del cliente. Tiempo de mejoras de asuntos relacionados con los niveles de servicio. Impacto de la calidad de los recursos financieros adicionales necesarios para realizar el nivel de servicio definido. Rentabilidad de un proyecto (Retorno de la Inversin ROI) Calidad de la gestin de la empresa (Rotacin del inventario, Das de Cuentas por cobrar DCC, y por Pagar DCP...)Para una organizacin es necesario al menos que pueda identificar sus propios KPI's. La clave para esto son: Tener predefinido de antemano un proceso de negocio. Tener claros los objetivos/rendimiento requeridos en el proceso de negocio. Tener una medida cuantitativa/cualitativa de los resultados y que sea posible su comparacin con los objetivos. Investigar variaciones y ajustar procesos o recursos para alcanzar metas a corto plazoCuando se definen KPI's se suele aplicar el acrnimo SMART, ya que los KPI's tienen que ser: eSpecificos (Specific) Medibles (Measurable) Alcanzables (Achievable) Realista (Realistic) a Tiempo (Timely)Lo que realmente es importante:1. Los datos de los que dependen los KPI tienen que ser consistentes y correctos.2. Estos datos tienen que estar disponibles a tiempo.

Inteligencia empresarialDe Wikipedia, la enciclopedia libre(Redirigido desde Inteligencia de negocio)Saltar a navegacin, bsqueda Para otros usos de este trmino, vase Inteligencia (desambiguacin).Se denomina inteligencia empresarial, inteligencia de negocios o BI (del ingls business intelligence) al conjunto de estrategias y herramientas enfocadas a la administracin y creacin de conocimiento mediante el anlisis de datos existentes en una organizacin o empresa.Es posible diferenciar datos, informaciones y conocimientos, conceptos en los que se centra la inteligencia empresarial, ya que como sabemos un dato es algo vago, por ejemplo "10 000", la informacin es algo ms preciso, por ejemplo "Las ventas del mes de mayo fueron de 10 000", y el conocimiento se obtiene mediante el anlisis de la informacin, por ejemplo "Las ventas del mes de mayo fueron 10 000. Mayo es el mes ms bajo en ventas". Aqu es donde BI entra en juego, ya que al obtener conocimiento del negocio una vez capturada la informacin de todas las reas en la empresa es posible establecer estrategias y cuales son sus fortalezas y debilidades.DefinicinEl trmino inteligencia empresarial se refiere al uso de datos en una empresa para facilitar la toma de decisiones. Abarca la comprensin del funcionamiento actual de la empresa, bien como la anticipacin de acontecimientos futuros, con el objetivo de ofrecer conocimientos para respaldar las decisiones empresariales.Las herramientas de inteligencia se basan en la utilizacin de un sistema de informacin de inteligencia que se forma con distintos datos extrados de los datos de produccin, con informacin relacionada con la empresa o sus mbitos y con datos econmicos.Mediante las herramientas y tcnicas ELT (extraer, cargar y transformar), o actualmente ETL (extraer, transformar y cargar) se extraen los datos de distintas fuentes, se depuran y preparan (homogeneizacin de los datos) para luego cargarlos en un almacn de datos.La vida o el periodo de xito de un software de inteligencia de negocios depender nicamente del nivel de xito del cual haga en beneficio de la empresa que lo usa, si esta empresa es capaz de incrementar su nivel financiero, administrativo y sus decisiones mejoran el accionar de la empresa, la inteligencia de negocios usada estar presente por mucho tiempo, de lo contrario ser sustituido por otro que aporte mejores resultados y mas precisos.Por ltimo, las herramientas de inteligencia analtica posibilitan el modelado de las representaciones con base en consultas para crear un cuadro de mando integral que sirve de base para la presentacin de informes.[editar] CaractersticasEste conjunto de herramientas y metodologas tienen en comn las siguientes caractersticas: Accesibilidad a la informacin. Los datos son la fuente principal de este concepto. Lo primero que deben garantizar este tipo de herramientas y tcnicas ser el acceso de los usuarios a los datos con independencia de la procedencia de estos. Apoyo en la toma de decisiones. Se busca ir ms all en la presentacin de la informacin, de manera que los usuarios tengan acceso a herramientas de anlisis que les permitan seleccionar y manipular slo aquellos datos que les interesen. Orientacin al usuario final. Se busca independencia entre los conocimientos tcnicos de los usuarios y su capacidad para utilizar estas herramientas.[editar] Niveles de realizacin de BIDe acuerdo a su nivel de complejidad se pueden clasificar las soluciones de Business Intelligence en: Consultas e informes simples (Querys and reports). Cubos OLAP (On-Line Analytic Processing). Data Mining o minera de datos. Sistemas predictivos; prediccin mediante ejemplos anteriores (ejemplo: Previsin de ventas a travs del estudio de historicos).[editar] Inteligencia de EmpresasLa Inteligencia de Empresas es el concepto ms amplio del uso de la inteligencia en las organizaciones. Desde distintas perspectivas, la inteligencia de empresas ha ido emergiendo a partir de la contribucin de muchas reas del conocimiento: market intelligence (inteligencia de mercados), competitive intelligence (Inteligencia Competitiva), business intelligence (inteligencia empresarial).Este concepto ha sido muy utilizado en el mundo de la tecnologa con distintos significados como inteligencia de negocios, strategic foresight (Inteligencia Estratgica), corporate intelligence (Inteligencia Corporativa), vigilancia tecnolgica, prospectiva tecnolgica, etc.

Almacn de datosDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda

Descripcin de un Data Warehouse.En el contexto de la informtica, un almacn de datos (del ingls data warehouse) es una coleccin de datos orientada a un determinado mbito (empresa, organizacin, etc.), integrado, no voltil y variable en el tiempo, que ayuda a la toma de decisiones en la entidad en la que se utiliza. Se trata, sobre todo, de un expediente completo de una organizacin, ms all de la informacin transaccional y operacional, almacenado en una base de datos diseada para favorecer el anlisis y la divulgacin eficiente de datos (especialmente OLAP, procesamiento analtico en lnea). El almacenamiento de los datos no debe usarse con datos de uso actual. Los almacenes de datos contienen a menudo grandes cantidades de informacin que se subdividen a veces en unidades lgicas ms pequeas dependiendo del subsistema de la entidad del que procedan o para el que sean necesario.Definiciones de almacn de datos[editar] Definicin de Bill InmonBill Inmon[1] fue uno de los primeros autores en escribir sobre el tema de los almacenes de datos, define un data warehouse (almacn de datos) en trminos de las caractersticas del repositorio de datos: Orientado a temas.- Los datos en la base de datos estn organizados de manera que todos los elementos de datos relativos al mismo evento u objeto del mundo real queden unidos entre s. Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo quedan registrados para que los informes que se puedan generar reflejen esas variaciones. No voltil.- La informacin no se modifica ni se elimina, una vez almacenado un dato, ste se convierte en informacin de slo lectura, y se mantiene para futuras consultas. Integrado.- La base de datos contiene los datos de todos los sistemas operacionales de la organizacin, y dichos datos deben ser consistentes.Inmon defiende una metodologa descendente (top-down) a la hora de disear un almacn de datos, ya que de esta forma se considerarn mejor todos los datos corporativos. En esta metodologa los Data marts se crearn despus de haber terminado el data warehouse completo de la organizacin.[editar] Definicin de Ralph KimballRalph Kimball[2] es otro conocido autor en el tema de los data warehouse, define un almacn de datos como: "una copia de las transacciones de datos especficamente estructurada para la consulta y el anlisis". Tambin fue Kimball quien determin que un data warehouse no era ms que: "la unin de todos los Data marts de una entidad". Defiende por tanto una metodologa ascendente (bottom-up) a la hora de disear un almacn de datos.[editar] Una definicin ms amplia de almacn de datosLas definiciones anteriores se centran en los datos en s mismos. Sin embargo, los medios para obtener y analizar esos datos, para extraerlos, transformarlos y cargarlos, as como las diferentes formas para realizar la gestin de datos son componentes esenciales de un almacn de datos. Muchas referencias a un almacn de datos utilizan esta definicin ms amplia. Por lo tanto, en esta definicin se incluyen herramientas para la inteligencia empresarial, herramientas para extraer, transformar y cargar datos en el almacn de datos, y herramientas para gestionar y recuperar los metadatos.[editar] Funcin de un almacn de datosEn un almacn de datos lo que se quiere es contener datos que son necesarios o tiles para una organizacin, es decir, que se utiliza como un repositorio de datos para posteriormente transformarlos en informacin til para el usuario. Un almacn de datos debe entregar la informacin correcta a la gente indicada en el momento ptimo y en el formato adecuado. El almacn de datos da respuesta a las necesidades de usuarios expertos, utilizando Sistemas de Soporte a Decisiones (DSS), Sistemas de informacin ejecutiva (EIS) o herramientas para hacer consultas o informes. Los usuarios finales pueden hacer fcilmente consultas sobre sus almacenes de datos sin tocar o afectar la operacin del sistema.En el funcionamiento de un almacn de los datos son muy importantes las siguientes ideas: Integracin de los datos provenientes de bases de datos distribuidas por las diferentes unidades de la organizacin y que con frecuencia tendrn diferentes estructuras (fuentes heterogneas). Se debe facilitar una descripcin global y un anlisis comprensivo de toda la organizacin en el almacn de datos. Separacin de los datos usados en operaciones diarias de los datos usados en el almacn de datos para los propsitos de divulgacin, de ayuda en la toma de decisiones, para el anlisis y para operaciones de control. Ambos tipos de datos no deben coincidir en la misma base de datos, ya que obedecen a objetivos muy distintos y podran entorpecerse entre s.Peridicamente, se importan datos al almacn de datos de los distintos sistemas de planeamiento de recursos de la entidad (ERP) y de otros sistemas de software relacionados con el negocio para la transformacin posterior. Es prctica comn normalizar los datos antes de combinarlos en el almacn de datos mediante herramientas de extraccin, transformacin y carga (ETL). Estas herramientas leen los datos primarios (a menudo bases de datos OLTP de un negocio), realizan el proceso de transformacin al almacn de datos (filtracin, adaptacin, cambios de formato, etc.) y escriben en el almacn.[editar] Data martsArtculo principal: Data martLos Data marts son subconjuntos de datos de un data warehouse para reas especificas.Entre las caractersticas de un data mart destacan: Usuarios limitados. rea especifica. Tiene un propsito especifico. Tiene una funcin de apoyo.[editar] Cubos de informacinArtculo principal: cubo OLAPLos cubos de informacin o cubos OLAP funcionan como los cubos de rompecabezas en los juegos, en el juego se trata de armar los colores y en el data warehouse se trata de organizar los datos por tablas o relaciones; los primeros (el juego) tienen 3 dimensiones, los cubos OLAP tienen un nmero indefinido de dimensiones, razn por la cual tambin reciben el nombre de hipercubos. Un cubo OLAP contendr datos de una determinada variable que se desea analizar, proporcionando una vista lgica de los datos provistos por el sistema de informacin hacia el data warehouse, esta vista estar dispuesta segn unas dimensiones y podr contener informacin calculada. El anlisis de los datos est basado en las dimensiones del hipercubo, por lo tanto, se trata de un anlisis multidimensional.A la informacin de un cubo puede acceder el ejecutivo mediante "tablas dinmicas" en una hoja de clculo o a travs de programas personalizados. Las tablas dinmicas le permiten manipular las vistas (cruces, filtrados, organizacin, totales) de la informacin con mucha facilidad. Las diferentes operaciones que se pueden realizar con cubos de informacin se producen con mucha rapidez. Llevando estos conceptos a un data warehouse, ste es una coleccin de datos que est formada por dimensiones y variables, entendiendo como dimensiones a aquellos elementos que participan en el anlisis y variables a los valores que se desean analizar.[editar] DimensionesLas dimensiones de un cubo son atributos relativos a las variables, son las perspectivas de anlisis de las variables (forman parte de la tabla de dimensiones). Son catlogos de informacin complementaria necesaria para la presentacin de los datos a los usuarios, como por ejemplo: descripciones, nombres, zonas, rangos de tiempo, etc. Es decir, la informacin general complementaria a cada uno de los registros de la tabla de hechos.[editar] VariablesTambin llamadas indicadores de gestin, son los datos que estn siendo analizados. Forman parte de la tabla de hechos. Ms formalmente, las variables representan algn aspecto cuantificable o medible de los objetos o eventos a analizar. Normalmente, las variables son representadas por valores detallados y numricos para cada instancia del objeto o evento medido. En forma contraria, las dimensiones son atributos relativos a las variables, y son utilizadas para indexar, ordenar, agrupar o abreviar los valores de las mismas. Las dimensiones poseen una granularidad menor, tomando como valores un conjunto de elementos menor que el de las variables; ejemplos de dimensiones podran ser: productos, localidades (o zonas), el tiempo (medido en das, horas, semanas, etc.), ...[editar] EjemplosEjemplos de variables podran ser: Beneficios Gastos Ventas etc.Ejemplos de dimensiones podran ser: producto (diferentes tipos o denominaciones de productos) localidades (o provincia, o regiones, o zonas geogrficas) tiempo (medido de diferentes maneras, por horas, por das, por meses, por aos, ...) tipo de cliente (casado/soltero, joven/adulto/anciano, ...) etc.Segn lo anterior, podramos construir un cubo de informacin sobre el ndice de ventas (variable a estudiar) en funcin del producto vendido, la provincia, el mes del ao y si el cliente est casado o soltero (dimensiones). Tendramos un cubo de 4 dimensiones.[editar] Elementos que integran un almacn de datos[editar] MetadatosArtculo principal: metadatoUno de los componentes ms importantes de la arquitectura de un almacn de datos son los metadatos. Se define comnmente como "datos acerca de los datos", en el sentido de que se trata de datos que describen cul es la estructura de los datos que se van a almacenar y cmo se relacionan.El metadato documenta, entre otras cosas, qu tablas existen en una base de datos, qu columnas posee cada una de las tablas y qu tipo de datos se pueden almacenar. Los datos son de inters para el usuario final, el metadato es de inters para los programas que tienen que manejar estos datos. Sin embargo, el rol que cumple el metadato en un entorno de almacn de datos es muy diferente al rol que cumple en los ambientes operacionales. En el mbito de los data warehouse el metadato juega un papel fundamental, su funcin consiste en recoger todas las definiciones de la organizacin y el concepto de los datos en el almacn de datos, debe contener toda la informacin concerniente a: Tablas Columnas de tablas Relaciones entre tablas Jerarquas y Dimensiones de datos Entidades y Relaciones[editar] Funciones ETL (extraccin, transformacin y carga)Artculo principal: Extract, transform and loadLos procesos de extraccin, transformacin y carga (ETL) son importantes ya que son la forma en que los datos se guardan en un almacn de datos (o en cualquier base de datos). Implican las siguientes operaciones: Extraccin. Accin de obtener la informacin deseada a partir de los datos almacenados en fuentes externas. Transformacin. Cualquier operacin realizada sobre los datos para que puedan ser cargados en el data warehouse o se puedan migrar de ste a otra base de datos. Carga. Consiste en almacenar los datos en la base de datos final, por ejemplo el almacn de datos objetivo normal.[editar] MiddlewareArtculo principal: MiddlewareMiddleware es un trmino genrico que se utiliza para referirse a todo tipo de software de conectividad que ofrece servicios u operaciones que hacen posible el funcionamiento de aplicaciones distribuidas sobre plataformas heterogneas. Estos servicios funcionan como una capa de abstraccin de software distribuida, que se sita entre las capas de aplicaciones y las capas inferiores (sistema operativo y red). El middleware puede verse como una capa API, que sirve como base a los programadores para que puedan desarrollar aplicaciones que trabajen en diferentes entornos sin preocuparse de los protocolos de red y comunicaciones en que se ejecutarn. De esta manera se ofrece una mejor relacin costo/rendimiento que pasa por el desarrollo de aplicaciones ms complejas, en menos tiempo.La funcin del middleware en el contexto de los data warehouse es la de asegurar la conectividad entre todos los componentes de la arquitectura de un almacn de datos.[editar] Diseo de un almacn de datosPara construir un Data Warehouse se necesitan herramientas para ayudar a la migracin y a la transformacin de los datos hacia el almacn. Una vez construido, se requieren medios para manejar grandes volmenes de informacin. Se disea su arquitectura dependiendo de la estructura interna de los datos del almacn y especialmente del tipo de consultas a realizar. Con este criterio los datos deben ser repartidos entre numerosos data marts. Para abordar un proyecto de data warehouse es necesario hacer un estudio de algunos temas generales de la organizacin o empresa, los cuales se describen a continuacin: Situacin actual de partida.- Cualquier solucin propuesta de data warehouse debe estar muy orientada por las necesidades del negocio y debe ser compatible con la arquitectura tcnica existente y planeada de la compaa. Tipo y caractersticas del negocio.- Es indispensable tener el conocimiento exacto sobre el tipo de negocios de la organizacin y el soporte que representa la informacin dentro de todo su proceso de toma de decisiones. Entorno tcnico.- Se debe incluir tanto el aspecto del hardware (mainframes, servidores, redes,...) as como aplicaciones y herramientas. Se dar nfasis a los Sistemas de soporte a decisiones (DSS), si existen en la actualidad, cmo operan, etc. Expectativas de los usuarios.- Un proyecto de data warehouse no es nicamente un proyecto tecnolgico, es una forma de vida de las organizaciones y como tal, tiene que contar con el apoyo de todos los usuarios y su convencimiento sobre su bondad. Etapas de desarrollo.- Con el conocimiento previo, ya se entra en el desarrollo de un modelo conceptual para la construccin del data warehouse. Prototipo.- Un prototipo es un esfuerzo designado a simular tanto como sea posible el producto final que ser entregado a los usuarios. Piloto.- El piloto de un data warehouse es el primero, o cada uno de los primeros resultados generados de forma iterativa que se harn para llegar a la construccin del producto final deseado. Prueba del concepto tecnolgico.- Es un paso opcional que se puede necesitar para determinar si la arquitectura especificada del data warehouse funcionar finalmente como se espera.[editar] Almacn de datos espacialAlmacn de datos espacial es una coleccin de datos orientados al tema, integrados, no voltiles, variantes en el tiempo y que aaden la geografa de los datos, para la toma de decisiones. Sin embargo la componente geogrfica no es un dato agregado, sino que es una dimensin o variable en la tecnologa de la informacin, de tal manera que permita modelar todo el negocio como un ente holstico, y que a travs de herramientas de procesamiento analtico en lnea (OLAP), no solamente se posea un alto desempeo en consultas multidimensionales sino que adicionalmente se puedan visualizar espacialmente los resultados.El almacn de datos espacial forma el corazn de un extensivo Sistema de Informacin Geogrfica para la toma de decisiones, ste al igual que los SIG, permiten que un gran nmero de usuarios accedan a informacin integrada, a diferencia de un simple almacn de datos que est orientado al tema, el Data warehouse espacial adicionalmente es Geo-Relacional, es decir que en estructuras relacionales combina e integra los datos espaciales con los datos descriptivos. Actualmente es geo-objetos, esto es que los elementos geogrficos se manifiestan como objetos con todas sus propiedades y comportamientos, y que adicionalmente estn almacenados en una nica base de datos Objeto-Relacional. Los Data Warehouse Espaciales son aplicaciones basadas en un alto desempeo de las bases de datos, que utilizan arquitecturas Cliente-Servidor para integrar diversos datos en tiempo real. Mientras los almacenes de datos trabajan con muchos tipos y dimensiones de datos, muchos de los cuales no referencian ubicacin espacial, a pesar de poseerla intrnsecamente, y sabiendo que un 80% de los datos poseen representacin y ubicacin en el espacio, en los Data warehouse espaciales, la variable geogrfica desempea un papel importante en la base de informacin para la construccin del anlisis, y de igual manera que para un Data warehouse, la variable tiempo es imprescindible en los anlisis, para los Data warehouse espaciales la variable geogrfica debe ser almacenada directamente en ella.[editar] Ventajas e inconvenientes de los almacenes de datos[editar] VentajasHay muchas ventajas por las que es recomendable usar un almacn de datos. Algunas de ellas son: Los almacenes de datos hacen ms fcil el acceso a una gran variedad de datos a los usuarios finales Facilitan el funcionamiento de las aplicaciones de los sistemas de apoyo a la decisin tales como informes de tendencia', por ejemplo: obtener los tems con la mayora de las ventas en un rea en particular dentro de los ltimos dos aos; informes de excepcin, informes que muestran los resultados reales frente a los objetivos planteados a priori. Los almacenes de datos pueden trabajar en conjunto y, por lo tanto, aumentar el valor operacional de las aplicaciones empresariales, en especial la gestin de relaciones con clientes.[editar] InconvenientesUtilizar almacenes de datos tambin plantea algunos inconvenientes, algunos de ellos son: A lo largo de su vida los almacenes de datos pueden suponer altos costos. El almacn de datos no suele ser esttico. Los costos de mantenimiento son elevados. Los almacenes de datos se pueden quedar obsoletos relativamente pronto. A veces, ante una peticin de informacin estos devuelven una informacin subptima, que tambin supone una prdida para la organizacin. A menudo existe una delgada lnea entre los almacenes de datos y los sistemas operacionales. Hay que determinar qu funcionalidades de estos se pueden aprovechar y cules se deben implementar en el data warehouse, resultara costoso implementar operaciones no necesarias o dejar de implementar alguna que s vaya a necesitarse

Minera de datosDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda La minera de datos (DM, Data Mining) consiste en la extraccin no trivial de informacin que reside de manera implcita en los datos. Dicha informacin era previamente desconocida y podr resultar til para algn proceso. En otras palabras, la minera de datos prepara, sondea y explora los datos para sacar la informacin oculta en ellos.Bajo el nombre de minera de datos se engloba todo un conjunto de tcnicas encaminadas a la extraccin de conocimiento procesable, implcito en las bases de datos. Est fuertemente ligado con la supervisin de procesos industriales ya que resulta muy til para aprovechar los datos almacenados en las bases de datos.Las bases de la minera de datos se encuentran en la inteligencia artificial y en el anlisis estadstico. Mediante los modelos extrados utilizando tcnicas de minera de datos se aborda la solucin a problemas de prediccin, clasificacin y segmentacin.ProcesoUn proceso tpico de minera de datos consta de los siguientes pasos generales:1. Seleccin del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el clculo o proceso), como posiblemente al muestreo de los registros disponibles.2. Anlisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersin, presencia de valores atpicos y ausencia de datos (valores nulos).3. Transformacin del conjunto de datos de entrada, se realizar de diversas formas en funcin del anlisis previo, con el objetivo de prepararlo para aplicar la tcnica de minera de datos que mejor se adapte a los datos y al problema, a este paso tambin se le conoce como preprocesamiento de los datos.4. Seleccionar y aplicar la tcnica de minera de datos, se construye el modelo predictivo, de clasificacin o segmentacin.5. Extraccin de conocimiento, mediante una tcnica de minera de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociacin entre dichas variables. Tambin pueden usarse varias tcnicas a la vez para generar distintos modelos, aunque generalmente cada tcnica obliga a un preprocesado diferente de los datos.6. Interpretacin y evaluacin de datos, una vez obtenido el modelo, se debe proceder a su validacin comprobando que las conclusiones que arroja son vlidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas tcnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.Si el modelo final no superara esta evaluacin el proceso se podra repetir desde el principio o, si el experto lo considera oportuno, a partir de cualquiera de los pasos anteriores. Esta retroalimentacin se podr repetir cuantas veces se considere necesario hasta obtener un modelo vlido.Una vez validado el modelo, si resulta ser aceptable (proporciona salidas adecuadas y/o con mrgenes de error admisibles) ste ya est listo para su explotacin. Los modelos obtenidos por tcnicas de minera de datos se aplican incorporndolos en los sistemas de anlisis de informacin de las organizaciones, e incluso, en los sistemas transaccionales. En este sentido cabe destacar los esfuerzos del Data Mining Group, que est estandarizando el lenguaje PMML (Predictive Model Markup Language), de manera que los modelos de minera de datos sean interoperables en distintas plataformas, con independencia del sistema con el que han sido construidos. Los principales fabricantes de sistemas de bases de datos y programas de anlisis de la informacin hacen uso de este estndar.Tradicionalmente, las tcnicas de minera de datos se aplicaban sobre informacin contenida en almacenes de datos. De hecho, muchas grandes empresas e instituciones han creado y alimentan bases de datos especialmente diseadas para proyectos de minera de datos en las que centralizan informacin potencialmente til de todas sus reas de negocio. No obstante, actualmente est cobrando una importancia cada vez mayor la minera de datos desestructurados como informacin contenida en ficheros de texto, en Internet, etc.[editar] Protocolo de un proyecto de minera de datosUn proyecto de minera de datos tiene varias fases necesarias que son, esencialmente: Comprensin del negocio y del problema que se quiere resolver. Determinacin, obtencin y limpieza de los datos necesarios. Creacin de modelos matemticos. Validacin, comunicacin, etc. de los resultados obtenidos. Integracin, si procede, de los resultados en un sistema transaccional o similar.La relacin entre todas estas fases slo es lineal sobre el papel. En realidad, es mucho ms compleja y esconde toda una jerarqua de subfases. A travs de la experiencia acumulada en proyectos de minera de datos se han ido desarrollando metodologas que permiten gestionar esta complejidad de una manera ms o menos uniforme.[editar] Tcnicas de minera de datosComo ya se ha comentado, las tcnicas de la minera de datos provienen de la Inteligencia artificial y de la estadstica, dichas tcnicas, no son ms que algoritmos, ms o menos sofisticados que se aplican sobre un conjunto de datos para obtener unos resultados.Las tcnicas ms representativas son: Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. Algunos ejemplos de red neuronal son: El Perceptrn. El Perceptrn multicapa. Los Mapas Autoorganizados, tambin conocidos como redes de Kohonen. Regresin lineal.- Es la ms utilizada para formar relaciones entre datos. Rpida y eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse ms de 2 variables. rboles de decisin.- Un rbol de decisin es un modelo de prediccin utilizado en el mbito de la inteligencia artificial, dada una base de datos se construyen estos diagramas de construcciones lgicas, muy similares a los sistemas de prediccin basados en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de forma sucesiva, para la resolucin de un problema. Ejemplos: Algoritmo ID3. Algoritmo C4.5. Modelos estadsticos.- Es una expresin simblica en forma de igualdad o ecuacin que se emplea en todos los diseos experimentales y en la regresin para indicar los diferentes factores que modifican la variable de respuesta. Agrupamiento o Clustering.- Es un procedimiento de agrupacin de una serie de vectores segn criterios habitualmente de distancia; se tratar de disponer los vectores de entrada de forma que estn ms cercanos aquellos que tengan caractersticas comunes. Ejemplos: Algoritmo K-means. Algoritmo K-medoids.Segn el objetivo del anlisis de los datos, los algoritmos utilizados se clasifican en supervisados y no supervisados (Weiss y Indurkhya, 1998): Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de ellos) desconocido a priori, a partir de otros conocidos. Algoritmos no supervisados (o del descubrimiento del conocimiento): se descubren patrones y tendencias en los datos.[editar] Ejemplos de uso de la minera de datos[editar] NegociosLa minera de datos puede contribuir significativamente en las aplicaciones de administracin empresarial basada en la relacin con el cliente. En lugar de contactar con el cliente de forma indiscriminada a travs de un centro de llamadas o enviando cartas, slo se contactar con aquellos que se perciba que tienen una mayor probabilidad de responder positivamente a una determinada oferta o promocin.Por lo general, las empresas que emplean minera de datos ven rpidamente el retorno de la inversin, pero tambin reconocen que el nmero de modelos predictivos desarrollados puede crecer muy rpidamente.En lugar de crear modelos para predecir qu clientes pueden cambiar, la empresa podra construir modelos separados para cada regin y/o para cada tipo de cliente. Tambin puede querer determinar qu clientes van a ser rentables durante una ventana de tiempo (una quincena, un mes, ...) y slo enviar las ofertas a las personas que es probable que sean rentables. Para mantener esta cantidad de modelos, es necesario gestionar las versiones de cada modelo y pasar a una minera de datos lo ms automatizada posible.[editar] Hbitos de compra en supermercadosEl ejemplo clsico de aplicacin de la minera de datos tiene que ver con la deteccin de hbitos de compra en supermercados. Un estudio muy citado detect que los viernes haba una cantidad inusualmente elevada de clientes que adquiran a la vez paales y cerveza. Se detect que se deba a que dicho da solan acudir al supermercado padres jvenes cuya perspectiva para el fin de semana consista en quedarse en casa cuidando de su hijo y viendo la televisin con una cerveza en la mano. El supermercado pudo incrementar sus ventas de cerveza colocndolas prximas a los paales para fomentar las ventas compulsivas.[editar] Patrones de fugaUn ejemplo ms habitual es el de la deteccin de patrones de fuga. En muchas industrias como la banca, las telecomunicaciones, etc. existe un comprensible inters en detectar cuanto antes aquellos clientes que puedan estar pensando en rescindir sus contratos para, posiblemente, pasarse a la competencia. A estos clientes y en funcin de su valor se les podran hacer ofertas personalizadas, ofrecer promociones especiales, etc., con el objetivo ltimo de retenerlos. La minera de datos ayuda a determinar qu clientes son los ms proclives a darse de baja estudiando sus patrones de comportamiento y comparndolos con muestras de clientes que, efectivamente, se dieron de baja en el pasado.[editar] FraudesUn caso anlogo es el de la deteccin de transacciones de blanqueo de dinero o de fraude en el uso de tarjetas de crdito o de servicios de telefona mvil e, incluso, en la relacin de los contribuyentes con el fisco. Generalmente, estas operaciones fraudulentas o ilegales suelen seguir patrones caractersticos que permiten, con cierto grado de probabilidad, distinguirlas de las legtimas y desarrollar as mecanismos para tomar medidas rpidas frente a ellas.[editar] Recursos humanosLa minera de datos tambin puede ser til para los departamentos de recursos humanos en la identificacin de las caractersticas de sus empleados de mayor xito. La informacin obtenida puede ayudar a la contratacin de personal, centrndose en los esfuerzos de sus empleados y los resultados obtenidos por stos. Adems, la ayuda ofrecida por las aplicaciones para Direccin estratgica en una empresa se traducen en la obtencin de ventajas a nivel corporativo, tales como mejorar el margen de beneficios o compartir objetivos; y en la mejora de las decisiones operativas, tales como desarrollo de planes de produccin o gestin de mano de obra.[editar] Comportamiento en InternetTambin es un rea en boga el del anlisis del comportamiento de los visitantes sobre todo, cuando son clientes potenciales en una pgina de Internet. O la utilizacin de la informacin obtenida por medios ms o menos legtimos sobre ellos para ofrecerles propaganda adaptada especficamente a su perfil. O para, una vez que adquieren un determinado producto, saber inmediatamente qu otro ofrecerle teniendo en cuenta la informacin histrica disponible acerca de los clientes que han comprado el primero.[editar] TerrorismoLa minera de datos ha sido citada como el mtodo por el cual la unidad Able Danger del Ejrcito de los EE.UU. haba identificado al lder de los atentados del 11 de septiembre de 2001, Mohammed Atta, y a otros tres secuestradores del "11-S" como posibles miembros de una clula de Al Qaeda que operan en los EE.UU. ms de un ao antes del ataque. Se ha sugerido que tanto la Agencia Central de Inteligencia y sus homloga canadiense, Servicio de Inteligencia y Seguridad Canadiense, tambin han empleado este mtodo.[1][editar] JuegosDesde comienzos de la dcada de 1960, con la disponibilidad de orculos para determinados juegos combinacionales, tambin llamados finales de juego de tablero (por ejemplo, para las tres en raya o en finales de ajedrez) con cualquier configuracin de inicio, se ha abierto una nueva rea en la minera de datos que consiste en la extraccin de estrategias utilizadas por personas para estos orculos. Los planteamientos actuales sobre reconocimiento de patrones, no parecen poder aplicarse con xito al funcionamiento de estos orculos. En su lugar, la produccin de patrones perspicaces se basa en una amplia experimentacin con bases de datos sobre esos finales de juego, combinado con un estudio intensivo de los propios finales de juego en problemas bien diseados y con conocimiento de la tcnica (datos previos sobre el final del juego). Ejemplos notables de investigadores que trabajan en este campo son Berlekamp en el juego de puntos-y-cajas (o Timbiriche) y John Nunn en finales de ajedrez.[editar] Ciencia e IngenieraEn los ltimos aos la minera de datos se est utilizando ampliamente en diversas reas relacionadas con la ciencia y la ingeniera. Algunos ejemplos de aplicacin en estos campos son:[editar] GenticaEn el estudio de la gentica humana, el objetivo principal es entender la relacin cartogrfica entre las partes y la variacin individual en las secuencias del ADN humano y la variabilidad en la susceptibilidad a las enfermedades. En trminos ms llanos, se trata de saber cmo los cambios en la secuencia de ADN de un individuo afectan al riesgo de desarrollar enfermedades comunes (como por ejemplo el cncer). Esto es muy importante para ayudar a mejorar el diagnstico, prevencin y tratamiento de las enfermedades. La tcnica de minera de datos que se utiliza para realizar esta tarea se conoce como "reduccin de dimensionalidad multifactorial".[2][editar] Ingeniera elctricaEn el mbito de la ingeniera elctrica, las tcnicas minera de datos han sido ampliamente utilizadas para monitorizar las condiciones de las instalaciones de alta tensin. La finalidad de esta monitorizacin es obtener informacin valiosa sobre el estado del aislamiento de los equipos. Para la vigilancia de las vibraciones o el anlisis de los cambios de carga en transformadores se utilizan ciertas tcnicas para agrupacin de datos (clustering) tales como los Mapas Auto-Organizativos (SOM, Self-organizing map). Estos mapas sirven para detectar condiciones anormales y para estimar la naturaleza de dichas anomalas.[3][editar] Anlisis de gasesTambin se han aplicado tcnicas de minera de datos para el anlisis de gases disueltos (DGA, Dissolved gas analysis) en transformadores elctricos. El anlisis de gases disueltos se conoce desde hace mucho tiempo como herramienta para diagnosticar transformadores. Los Mapas Auto-Organizativos (SOM) se utilizan para analizar datos y determinar tendencias que podran pasarse por alto utilizando las tcnicas clsicas DGA.[editar] Minera de datos y otras disciplinas anlogasSuscita cierta polmica el definir las fronteras existentes entre la minera de datos y disciplinas anlogas, como pueden serlo la estadstica, la inteligencia artificial, etc. Hay quienes sostienen que la minera de datos no es sino estadstica envuelta en una jerga de negocios que la conviertan en un producto vendible. Otros, en cambio, encuentran en ella una serie de problemas y mtodos especficos que la hacen distinta de otras disciplinas.El hecho es, que en la prctica la totalidad de los modelos y algoritmos de uso general en minera de datos redes neuronales, rboles de regresin y clasificacin, modelos logsticos, anlisis de componentes principales, etc. gozan de una tradicin relativamente larga en otros campos.[editar] De la estadsticaCiertamente, la minera de datos bebe de la estadstica, de la que toma las siguientes tcnicas: Anlisis de varianza, mediante el cual se evala la existencia de diferencias significativas entre las medias de una o ms variables continuas en poblaciones distintos. Regresin: define la relacin entre una o ms variables y un conjunto de variables predictoras de las primeras. Prueba chi-cuadrado: por medio de la cual se realiza el contraste la hiptesis de dependencia entre variables. Anlisis de agrupamiento o clustering: permite la clasificacin de una poblacin de individuos caracterizados por mltiples atributos (binarios, cualitativos o cuantitativos) en un nmero determinado de grupos, con base en las semejanzas o diferencias de los individuos. Anlisis discriminante: permite la clasificacin de individuos en grupos que previamente se han establecido, permite encontrar la regla de clasificacin de los elementos de estos grupos, y por tanto una mejor identificacin de cules son las variables que definan la pertenencia al grupo. Series de tiempo: permite el estudio de la evolucin de una variable a travs del tiempo para poder realizar predicciones, a partir de ese conocimiento y bajo el supuesto de que no van a producirse cambios estructurales.[editar] De la informticaDe la informtica toma las siguientes tcnicas: Algoritmos genticos: Son mtodos numricos de optimizacin, en los que aquella variable o variables que se pretenden optimizar junto con las variables de estudio constituyen un segmento de informacin. Aquellas configuraciones de las variables de anlisis que obtengan mejores valores para la variable de respuesta, correspondern a segmentos con mayor capacidad reproductiva. A travs de la reproduccin, los mejores segmentos perduran y su proporcin crece de generacin en generacin. Se puede adems introducir elementos aleatorios para la modificacin de las variables (mutaciones). Al cabo de cierto nmero de iteraciones, la poblacin estar constituida por buenas soluciones al problema de optimizacin, pues las malas soluciones han ido descartndose, iteracin tras iteracin. Inteligencia Artificial: Mediante un sistema informtico que simula un sistema inteligente, se procede al anlisis de los datos disponibles. Entre los sistemas de Inteligencia Artificial se encuadraran los Sistemas Expertos y las Redes Neuronales. Sistemas Expertos: Son sistemas que han sido creados a partir de reglas prcticas extradas del conocimiento de expertos. Principalmente a base de inferencias o de causa-efecto. Sistemas Inteligentes: Son similares a los sistemas expertos, pero con mayor ventaja ante nuevas situaciones desconocidas para el experto. Redes neuronales: Genricamente, son mtodos de proceso numrico en paralelo, en el que las variables interactan mediante transformaciones lineales o no lineales, hasta obtener unas salidas. Estas salidas se contrastan con los que tenan que haber salido, basndose en unos datos de prueba, dando lugar a un proceso de retroalimentacin mediante el cual la red se reconfigura, hasta obtener un modelo adecuado.[editar] Minera de datos basada en teora de la informacinTodas las herramientas tradicionales de minera de datos asumen que los datos que usarn para construir los modelos contienen la informacin necesaria para lograr el propsito buscado: obtener suficiente conocimiento que pueda ser aplicado al negocio (o problema) para obtener un beneficio (o solucin).El inconveniente es que esto no es necesariamente cierto. Adems, existe otro problema mayor an. Una vez construido el modelo no es posible conocer si el mismo ha capturado toda la informacin disponible en los datos. Por esta razn la prctica comn es realizar varios modelos con distintos parmetros para ver si alguno logra mejores resultados.Un enfoque relativamente nuevo al anlisis de datos soluciona estos problemas haciendo que la prctica de la minera de datos se parezca ms a una ciencia que a un arte.En 1948 Claude Shannon public un trabajo llamado Una Teora Matemtica de la Comunicacin. Posteriormente esta pas a llamarse Teora de la informacin y sent las bases de la comunicacin y la codificacin de la informacin. Shannon propuso una manera de medir la cantidad de informacin a ser expresada en bits.En 1999 Dorian Pyle public un libro llamado Data Preparation for Data Mining en el que propone una manera de usar la Teora de la Informacin para analizar datos. En este nuevo enfoque, una base de datos es un canal que transmite informacin. Por un lado est el mundo real que captura datos generados por el negocio. Por el otro estn todas las situaciones y problemas importantes del negocio. Y la informacin fluye desde el mundo real y a travs de los datos, hasta la problemtica del negocio.Con esta perspectiva y usando la Teora de la informacin, es posible medir la cantidad de informacin disponible en los datos y qu porcin de la misma podr utilizarse para resolver la problemtica del negocio. Como un ejemplo prctico, podra encontrarse que los datos contienen un 65% de la informacin necesaria para predecir qu cliente rescindirn sus contratos. De esta manera, si el modelo final es capaz de hacer predicciones con un 60% de acierto, se puede asegurar que la herramienta que gener el modelo hizo un buen trabajo capturando la informacin disponible. Ahora, si el modelo hubiese tenido un porcentaje de aciertos de solo el 10%, por ejemplo, entonces intentar otros modelos o incluso con otras herramientas podra valer la pena.La capacidad de medir informacin contenida en los datos tiene otras ventajas importantes.Al analizar los datos desde esta nueva perspectiva se genera un mapa de informacin que hace innecesario la preparacin previa de los datos, una tarea absolutamente imprescindible si se desea buenos resultados, pero que lleva enorme cantidad de tiempo.Es posible seleccionar un grupo de variables ptimo que contenga la informacin necesaria para realizar un modelo de prediccin.Una vez que las variables son procesadas con el fin de crear el mapa de informacin y luego seleccionadas aquellas que aportan la mayor informacin, la eleccin de la herramienta que se usar para crear el modelo deja de tener importancia, ya que el mayor trabajo fue realizado en los pasos previos.[editar] TendenciasLa Minera de Datos ha sufrido transformaciones en los ltimos aos de acuerdo con cambios tecnolgicos, de estrategias de marketing, la extensin de los modelos de compra en lnea, etc. Los ms importantes de ellos son: La importancia que han cobrado los datos no estructurados (texto, pginas de Internet, etc.). La necesidad de integrar los algoritmos y resultados obtenidos en sistemas operacionales, portales de Internet, etc. La exigencia de que los procesos funcionen prcticamente en lnea (por ejemplo, que frente a un fraude con una tarjeta de crdito). Los tiempos de respuesta. El gran volumen de datos que hay que procesar en muchos casos para obtener un modelo vlido es un inconveniente; esto implica grandes cantidades de tiempo de proceso y hay problemas que requieren una respuesta en tiempo real.[editar] Herramientas de softwareExisten muchas herramientas de software para el desarrollo de modelos de minera de datos tanto libres como comerciales como, por ejemplo: Dynamic Data Web KXEN KNIME Orange RapidMiner R SPSS Clementine SAS Enterprise Miner STATISTICA Data Miner Weka KEEL

[editar] Referencias1. Stephen Haag et al.. Management Information Systems for the information age. pp.28. ISBN 0-07-095569-7.2. Xingquan Zhu, Ian Davidson (2007). Knowledge Discovery and Data Mining: Challenges and Realities. Hershey, New Your. pp.18. ISBN 978-1-59904-252-7.3. Plantilla:Cite Journal.

OLAPDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda OLAP es el acrnimo en ingls de procesamiento analtico en lnea (On-Line Analytical Processing). Es una solucin utilizada en el campo de la llamada Inteligencia empresarial (o Business Intelligence) cuyo objetivo es agilizar la consulta de grandes cantidades de datos. Para ello utiliza estructuras multidimensionales (o Cubos OLAP) que contienen datos resumidos de grandes Bases de datos o Sistemas Transaccionales (OLTP). Se usa en informes de negocios de ventas, marketing, informes de direccin, minera de datos y reas similares.La razn de usar OLAP para las consultas es la rapidez de respuesta. Una base de datos relacional almacena entidades en tablas discretas si han sido normalizadas. Esta estructura es buena en un sistema OLTP pero para las complejas consultas multitabla es relativamente lenta. Un modelo mejor para bsquedas (aunque peor desde el punto de vista operativo) es una base de datos multidimensional.La principal caracterstica que potencia a OLAP, es que es lo ms rpido a la hora de ejecutar sentencias SQL de tipo SELECT, en contraposicin con OLTP que es la mejor opcin para operaciones de tipo INSERT, UPDATE Y DELETE [citarequerida].FuncionalidadEn la base de cualquier sistema OLAP se encuentra el concepto de cubo OLAP (tambin llamado cubo multidimensional o hipercubo). Se compone de hechos numricos llamados medidas que se clasifican por dimensiones. El cubo de metadatos es tpicamente creado a partir de un esquema en estrella o copo de nieve, esquema de las tablas en una base de datos relacional. Las medidas se obtienen de los registros de una tabla de hechos y las dimensiones se derivan de la dimensin de los cuadros.[editar] Tipos de sistemas OLAPTradicionalmente, los sistemas OLAP se clasifican segn las siguientes categoras:[editar] ROLAPArtculo principal: ROLAPImplementacin OLAP que almacena los datos en un motor relacional. Tpicamente, los datos son detallados, evitando las agregaciones y las tablas se encuentran normalizadas. Los esquemas ms comunes sobre los que se trabaja son estrella copo de nieve, aunque es posible trabajar sobre cualquier base de datos relacional. La arquitectura est compuesta por un servidor de banco de datos relacional y el motor OLAP se encuentra en un servidor dedicado. La principal ventaja de esta arquitectura es que permite el anlisis de una enorme cantidad de datos.[editar] MOLAPArtculo principal: MOLAPEsta implementacin OLAP almacena los datos en una base de datos multidimensional. Para optimizar los tiempos de respuesta, el resumen de la informacin es usualmente calculado por adelantado. Estos valores precalculados o agregaciones son la base de las ganancias de desempeo de este sistema. Algunos sistemas utilizan tcnicas de compresin de datos para disminuir el espacio de almacenamiento en disco debido a los valores precalculados.[editar] HOLAP (Hybrid OLAP)Artculo principal: HOLAPAlmacena algunos datos en un motor relacional y otros en una base de datos multidimensional.[editar] ComparacinCada sistema OLAP tiene ciertos beneficios (aunque existe desacuerdo acerca de las caractersticas especficas de los beneficios entre los proveedores).Algunas implementaciones MOLAP son propensas a la "explosin" de la base de datos; este fenmeno provoca la necesidad de grandes cantidades de espacio de almacenamiento para el uso de una base de datos MOLAP cuando se dan ciertas condiciones: elevado nmero de dimensiones, resultados precalculados y escasos datos multidimensionales. Las tcnicas habituales de atenuacin de la explosin de la base de datos no son todo lo eficientes que sera deseable.Por lo general MOLAP ofrece mejor rendimiento debido a la especializada indexacin y a las optimizaciones de almacenamiento. MOLAP tambin necesita menos espacio de almacenamiento en comparacin con los especializados ROLAP porque su almacenamiento especializado normalmente incluye tcnicas de compresin.ROLAP es generalmente ms escalable. Sin embargo, el gran volumen de preprocesamiento es difcil de implementar eficientemente por lo que con frecuencia se omite; por tanto, el rendimiento de una consulta ROLAP puede verse afectado.Desde la aparicin de ROLAP van apareciendo nuevas versiones de bases de datos preparadas para realizar clculos, las funciones especializadas que se pueden utilizar tienen ms limitaciones.HOLAP (OLAP Hbrido) engloba un conjunto de tcnicas que tratan de combinar MOLAP y ROLAP de la mejor forma posible. Generalmente puede pre-procesar rpidamente, escala bien, y proporciona una buena funcin de apoyo.[editar] Otros tiposLos siguientes acrnimos a veces tambin se utilizan, aunque no son sistemas tan generalizados como los anteriores: WOLAP o Web OLAP: OLAP basado u orientado para la web. DOLAP o Desktop OLAP: OLAP de escritorio RTOLAP o Real Time OLAP: OLAP en tiempo real SOLAP o Spatial OLAP: OLAP espacial

Gestin del conocimientoDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda La Gestin del conocimiento (del ingls Knowledge Management) es un concepto aplicado en las organizaciones, que busca transferir el conocimiento y la experiencia existente entre sus miembros, de modo que pueda ser utilizado como un recurso disponible para otros en la organizacin.Usualmente el proceso implica tcnicas para capturar, organizar, almacenar el conocimiento de los trabajadores, para transformarlo en un activo intelectual que preste beneficios y se pueda compartir.En la actualidad, las tecnologas de informacin permiten contar con herramientas que apoyan la gestin del conocimiento en las empresas, apoyando en la recoleccin, la transferencia, la seguridad y la administracin sistemtica de la informacin, junto con los sistemas diseados para ayudar a hacer el mejor uso de ese conocimiento.En detalle, se refiere a las herramientas y a las tcnicas diseadas para preservar la disponibilidad de la informacin llevada a cabo por los individuos dominantes y facilitar la toma de decisiones, as como reducir el riesgo. Es un mercado del software y un rea en la prctica de la consultora, relacionada a disciplinas tales como inteligencia competitiva. Un tema particular de la administracin del conocimiento es que el conocimiento no se puede codificar fcilmente en forma digital, tal como la intuicin de los individuos dominantes que viene con aos de experiencia y de poder reconocer los diversos patrones del comportamiento que alguien con menos experiencia no puede reconocer.El proceso de la Administracin del Conocimiento, tambin conocido en sus fases de desarrollo como "aprendizaje corporativo" o "aprendizaje organizacional", tiene principalmente los siguientes objetivos: Identificar, recoger y organizar el conocimiento existente. Facilitar la creacin de nuevo conocimiento. Apuntalar la innovacin a travs de la reutilizacin y apoyo de la habilidad de la gente a travs de organizaciones para lograr un mejor desempeo en la empresa.La transferencia del conocimiento (un aspecto de la Administracin del Conocimiento) ha existido siempre como proceso en las organizaciones. De manera informal por medio de las discusiones, sesiones, reuniones de reflexin, etc., y de manera formal por medio del aprendizaje, el entrenamiento profesional y los programas de capacitacin. Como prctica emergente de negocio, la administracin del conocimiento ha considerado la introduccin del principal oficial del conocimiento, y el establecimiento de Intranets corporativos, de wikis, y de otras prcticas de la tecnologa del conocimiento y de informacin.

Gestin del conocimiento profesionalLos profesionales de la Gestin del Conocimiento pueden utilizar un lxico especfico para explicar la dinmica de la transferencia del conocimiento. Por ejemplo en los diez aos pasados, Internet ha visto a grupos establecer discusiones sobre el uso del capital intelectual como valor mtrico; el significado tcito contra conocimiento explcito o ms.[editar] Diligencias del capital intelectualLa gestin corresponde al conjunto de procesos y sistemas que permiten que el capital intelectual de una organizacin aumente de forma significativa, mediante la gestin de sus capacidades de resolucin de problemas de forma eficiente, de manera de generar ventajas competitivas a travs del tiempo.Si consideramos los mercados antiguos, el principal fuerte estaba sustentado en el manejo de tierras, en otras palabras, la persona que ms tierra posea, era la que poda generar mejores productos. Recordemos la Edad Media, los feudos y los seores feudales. En la actualidad nos encontramos en una sociedad donde los cambios transcurren a un ritmo sorprendente. Lo que hoy da es una ventaja competitiva, maana se transformar en un requisito del mercado.En la poca actual, en la que mantener una ventaja es casi imposible, es donde las organizaciones deben recurrir a mtodos que permitan aumentar estas ventajas. Una de estas ventajas es el conocimiento. La gestin del conocimiento tiene por objetivo administrar este conocimiento, logrando que este sea una ventaja competitiva con respecto a sus similares. La gestin del conocimiento analiza desde una perspectiva dinmica el conocimiento existente en la empresa. Esta perspectiva se complementa con las aportaciones de la literatura de capital intelectual, que aborda el anlisis del conocimiento desde un enfoque dinmico.En el campo empresarial, ciertas empresas como Unin Fenosa, Systematic, Carlo Bro o K3 Technologies LLC, desarrollan e implementan programas de gestin del conocimiento y medicin del capital intelectual. En Latinoamrica, por ejemplo, la empresa Cognosoft ofrece una completa plataforma de software llamada Scriba, la cual posee mdulos que cubren la gestin de una cartera de clientes, de proveedores, de aliados, la administracin de contactos, la gestin comercial, la gestin de relaciones pblicas, la gestin de marketing, la administracin del correo electrnico corporativo, la gestin documental o el diseo y control de procesos de negocio, entre otros servicios.[editar] PrcticaLa gestin del Conocimiento intenta poner de relieve la ventaja competitiva que se da con el mejoramiento o el aprendizaje ms rpido y crear nuevo conocimiento. El inters en la Gestin del conocimiento se est conduciendo en parte por:[editar] Velocidad de la conectividad Contenido creciente del conocimiento en productos y servicios. Ciclos de desarrollo ms cortos de producto nuevo. La sobrecarga de la informacin como generacin del conocimiento prolfera. Peticiones por parte de individuos para apoyarse en la experiencia de las personas a travs de la organizacin.Desde su adopcin por parte de la comunidad de negocios y de la poblacin, Internet ha conducido a un aumento en la colaboracin creativa, el aprendizaje e investigacin, comercio electrnico, e informacin inmediata. Con las tecnologas mejoradas, se han ido los das de estantes polvorientos, de mensajes imperfectos o deformados y del mail lento. En numerosos aspectos, la prctica de la Gestin del conocimiento continuar desarrollndose con el crecimiento de los usos de la colaboracin disponibles por las tecnologas de la informacin y a travs de Internet.El aprendizaje electrnico (E-learning), las discusiones en lnea, y el software de colaboracin son ejemplos de los usos de la administracin del conocimiento que apoyan su proceso. Cada uso puede ampliar el nivel de la investigacin disponible para un empleado, mientras que proporciona una plataforma para alcanzar metas o acciones especficas.[editar] Minera de datosLa minera de datos (tambin llamada extraccin de datos), es la prctica (por medios automticos o semiautomticos) de buscar y explorar en grandes almacenes de datos dando por resultado el descubrimiento de patrones significativos y reglas. Para hacer esto, la minera de datos utiliza tcnicas de cmputo de la estadstica, de automatizacin de conocimientos y del reconocimiento de patrones (ver sistemas de datos de una sola fuente, information resources Inc.)[editar] Definiciones relacionadas Capital intelectual: los activos intangibles de una compaa que contribuyen a su valuacin. Principal oficial del conocimiento: ejecutivo responsable de maximizar el potencial del conocimiento de una organizacin. Gestin del conocimiento del personal: la organizacin de los pensamientos y de la creencia de un individuo. La administracin del conocimiento de la empresa: la estrategia, el proceso o las tecnologas usados para adquirir, compartir y reutilizar el conocimiento y entendimiento de una empresa.[editar] Memoria corporativaLa memoria corporativa (Corporate Memory) se puede definir como el cuerpo total de los datos, de la informacin y de los conocimientos requeridos para dar a conocer los objetivos estratgicos de una organizacin. Una memoria corporativa es la combinacin de un depsito (el espacio donde se almacenan los objetos y los artefactos) , y la comunidad (la gente que interacta con esos objetos para aprender, tomar decisiones, y entender el contexto).La memoria corporativa se puede subdividir en los siguientes tipos: Profesional (material de referencia, documentacin, herramientas, metodologas). Compaa (estructura de organizacin, actividades, productos, participantes). Individual (estado, capacidades, conocimientos tcnicos, actividades). Proyecto (definicin, actividades, historias, resultados).Las decisiones clave a tomar cuando exploramos la Memoria Corporativa son: Qu representacin del conocimiento se utilizar? (historias, patrones, casos, reglas, lgica del predicado...) Quines sern los usuarios? cul es su informacin y necesidades de aprendizaje? Cmo cerciorar seguridad y a quin le ser concedido el acceso? Cmo integrarla de la mejor manera posible con fuentes existentes, almacenes y sistemas? Qu asegura que su contenido actual es correcto, aplicable, oportuno y escardado? Cmo motivar a los expertos a que contribuyan? Qu hacer sobre vivezas efmeras? cmo capturar escritos informales, por ejemplo E-mail y mensajes instantneos?Los trminos alternativos y relacionados son: memoria de organizacin, memoria del grupo, base de conocimiento, depsito del conocimiento.La mayora de los esfuerzos comerciales de la administracin del conocimiento han incluido la construccin de una cierta forma de memoria corporativa para capturar destreza, para apresurar el aprendizaje, para ayudar a la organizacin a recordar, para registrar el anlisis razonado de la decisin, logros del documento o para aprender de las ltimas fallas.[editar] Arquitecturas y herramientasEn una arquitectura de GC encontramos distintas herramientas y servicios que configuran como resultado final una solucin GC completa.Como herramientas que dan apoyo a la GC dentro de las empresas podemos diferenciar 3 grupos o conjuntos.Grupo 1 - Herramientas de trasmisin inmediata: Son herramientas que permiten transmitir el conocimiento explicito de forma fcil al conjunto de miembros de una misma empresa. Las Wikis son buen ejemplo de este tipo de herramientas o la wikipedia. Estas perteneceran a una arquitectura principal que podra estar en el grupo 2.Grupo 2 - Herramientas y servicios de gestin del conocimiento interno: Son aquellos componentes dentro de una arquitectura que gestionan, analizan, buscan y distribuyen informacin. Por ejemplo las herramientas y soluciones dentro de arquitecturas como Autonomy AgentWare Knowledge Server [1] o IBM AgentBuilder Toolkit [2].Grupo 3 - Herramientas y servicios de gestin del conocimiento externo: Al igual que en el grupo 2 son componentes que gestionan, analizan, buscan y distribuyen, pero en este caso tambin hay que aadir que localizan y extraen, dado que su misin principal es la localizacin y extraccin de informacin relacionada con la empresa pero que est en el exterior de sta (principalmente en Internet o en otros soportes ms tradicionales de contenidos) y que por lo tanto en algunas ocasiones la empresa puede ser ajena a esta y no tener conocimiento de su existencia. Algunos ejemplos los tenemos en herramientas como Informyzer [3] que pertenece a la arquitectura de anpro21 [4] o las soluciones de MyNews [5].Otras estrategias de gestin de conocimiento incluyen:(de la pgina ingls de Gestin de Conocimiento en Wikipedia) Recompensas (para motivar el intercambio de conocimiento) Contar historias (como medio de transferir conocimiento tcito) Mapeo de Conocimiento Comunidades de Prcticas Rooster de Expertos Evaluacin de acciones Transferencias de buenas prcticas Ferias de Conocimiento Gestin de Competencias Proximidad y arquitectura Repositorios de Conocimiento Tecnologas Colaborativas Brokers de Conocimiento Software social (wikis, redes sociales, entre otros)

Analtica webConceptoLa economa entendida como la ciencia que estudia el comportamiento humano desde la perspectiva de una relacin entre fines dados y medios escasos, requiere cada vez ms del procesado sistemtico y objetivo de grandes volmenes de datos. As, en los ltimos aos, el concepto de Business Intelligence, o conjunto de actividades enfocadas a la obtencin y anlisis de informacin relevante para la toma de decisiones (Howard Dresner, vicepresidente del Grupo Gartner), ha ido paulatinamente desempeando un rol cada vez ms notorio para un importante nmero de organizaciones. Entre las actividades que dan forma a la Business Intelligence (o inteligencia empresarial)) est la Analtica Web, la cual puede ser definida como la disciplina profesional encaminada a extraer conclusiones, definir estrategias o establecer reglas de negocio sobre la base de los datos recabados en todos aquellos entornos web sobre los que una empresa ejerce control.[1] Otra definicin barajada en sus orgenes es aquella que consideraba Analtica Web a la "recopilacin, medicin, evaluacin y explicacin racional de los datos obtenidos de Internet, con el propsito de entender y optimizar el uso de la pgina web de la organizacin".[2][editar] HistoriaEsta idea fue rpidamente captada en los Estados Unidos, donde surgieron las primeras herramientas de analtica web, atribuyndose la primera de ellas a la compaa Webtrends, fundada en Portland en el ao 1993. Posteriormente, en 1994 un equipo del Massachusetts Institute of Technology cre NetGenesis (hoy integrado en SPSS Clementine) y Accrue. Finalmente, en el ao 1996 naceran Omniture y WebSideStory. Tras un vertiginoso proceso de integracin que vi a Omniture hacerse con el control de WebSideStory y a su vez a Adobe adquirir Omniture en 2009, en el ao 2010 IBM compr las soluciones alternativas de Unica y Coremetrics, al tiempo que la empresa de medicin de audiencias digitales comScore adquira Nedstat, cuyo producto cuenta con una fuerte presencia en el sector medios del norte de Europa y Reino Unido.Inicialmente, en los primeros aos de 1990, los esfuerzos de las compaas proveedoras de este tipo de herramientas, se concentraban en el anlisis de los archivos log generados por los servidores de pginas web. Estos archivos, con estructura de texto plano, recogen importantes variables acerca de la interaccin de un visitante con la pgina web, como por ejemplo pginas vistas, nmero de hits, y errores 404. Sin embargo, a pesar del valor de esta informacin, en los primeros aos del siglo veintiuno, los diferentes departamentos integrantes de las organizaciones empezaron a demandar ms informacin, naciendo el anlisis en tiempo real, y el etiquetado de las pginas o tagging.[editar] La analtica web en la empresaGracias a esta evolucin, la analtica web comenz a desempear un papel central en aquellas organizaciones (habitualmente anglosajonas) con cierta presencia en Internet. Ahora, no slo los departamentos de sistemas y diseo web desean informacin acerca del trfico, sino tambin el departamento de marketing.Es notorio que en la ltima dcada el uso de Internet ha experimentado un crecimiento considerable entre los usuarios domsticos, pasando muchos mercados de una situacin off-line a una situacin on-line, enfrentndose las empresas a nuevos comportamientos de compra, y a unos mercados cada vez ms dinmicos e inciertos, caracterizados por un gran volumen de datos que deben ser convertidos rpidamente en informacin til.La anterior situacin hace necesaria la implementacin de una herramienta de analtica web que permita a las entidades tomar decisiones de marketing ms eficientes, mejorar su estrategia de posicionamiento en Internet, incrementar su cartera de clientes y optimizar el diseo de su pgina web, adems de permitir la evaluacin en tiempo real del retorno econmico de todas estas actividades. As, los marketers pueden conocer mejor a su pblico objetivo y determinar aquellos segmentos o individuos del mercado ms rentables; decidir si la web de la empresa es susceptible de recibir ms inversiones; detectar oportunidades de mejora o de negocio; comprender mejor los indicadores del rendimiento econmico o KPI[3] (ROI, ROE, ROS, TIR,...); averiguar qu productos son ms rentables; precisar las estrategias del marketing mix; hacer un adecuado seguimiento de clientes, tanto actuales como potenciales; averiguar la procedencia y destino de los visitantes; aumentar la fidelidad de sus clientes,...; en definitiva, gestionar todos los aspectos relevantes de su negocio en Internet, incluso ms all de las capacidades con las que contaban para el anlisis de sus mercados off-line.[editar] La analtica web en las organizaciones sin nimo de lucro y gobiernos pblicosResulta obvio pensar que esta informacin no es exclusiva de los departamentos de sistemas, diseo y marketing de empresas privadas, tambin las organizaciones sin nimo de lucro, e instituciones gubernamentales pueden aprovechar el potencial ofrecido por la analtica web.Desde esta perspectiva, una asociacin sin nimo de lucro, puede controlar entre otros aspectos los accesos de sus colaboradores, optimizar las ventas de sus productos on-line, hacer un diseo de la web ms atractivo y navegable, adaptarse a la Web 2.0, mejorar su posicionamiento en buscadores, y maximizar el retorno de sus inversiones en publicidad, tanto on-line como off-line.La mayora de administraciones pblicas espaolas comienzan a prestar un importante nmero de servicios a sus ciudadanos a travs de Internet, sin embargo, se enfrentan al desconocimiento que supone trabajar en un nuevo medio. Es en este punto donde la analtica web puede ayudar a estos organismos a prestar de una forma ms eficiente sus servicios, a travs de un mejor conocimiento de los comportamientos en sus Portales Web, implementando servicios interactivos orientados al ciudadano. Adems, la legislacin espaola en materia de Accesibilidad Web es muy rigurosa, perfilndose la analtica web como una herramienta imprescindible para el adecuado diseo de las pginas web a travs de la realizacin de auditoras de accesibilidad.En el ao 2009 naci el estndar de medicin de iniciativas de administracin electrnica IMUE,[4] cuya aplicacin prctica vi la luz por primera vez de la mano de la Generalidad de Catalua.[editar] ConclusionesEn la ltima dcada, el uso de Internet ha experimentado un crecimiento muy elevado, amplindose los mercados tradicionales al mbito virtual. Esta circunstancia se ha traducido en nuevos comportamientos y a unos mercados cada vez ms dinmicos e inciertos, caracterizados por un gran volumen de datos que deben ser convertidos rpidamente en informacin til para las organizaciones. Es en este punto donde la analtica web ha pasado a desempear un importante rol como herramienta til para reducir la incertidumbre y poder tomar decisiones objetivas basadas en informacin relevante.[editar] Referencias1. Sergio Maldonado: Analtica Web:medir para triunfar2. Asociacin Espaola de Analtica Web3. Eric T. Peterson: The big book of Key Performance Indicators4. Indicadores para la medicin de uso efectivo en la Administracin Electrnica[editar] EnlacesBlog de Analtica web Gemma MuozAnlisis web: Manual de Uso (blog)

Herramientas de inteligencia de negociosDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda Herramientas de inteligencia de negocios es un tipo de software de aplicaciones diseado para colaborar con la inteligencia de negocios (BI) en los procesos de las organizaciones. Especficamente se trata de herramientas que asisten el anlisis y la presentacin de los datos. Pese a que algunas herramientas de Inteligencia de Negocios incluyen la funcionalidad ETL (Extraccin, Transformacin y Carga por sus siglas en ingls), las herramientas ETL no son consideradas generalmente como herramientas de Inteligencia de Negocios.Tipos de herramientas de inteligencia de negocios Cuadro de mando integral tambin llamados Dashboard. Digital Dashboards o paneles de Control Digital - Tambin conocidos como Business Intelligence Dashboards, o Dashboards Ejecutivos, Son resmenes visuales de informacin del negocio, que muestran de una mirada la comprensin del global de las condiciones del negocio mediante mtricas e Indicadores Clave de Desempeo (KPIs). Esta es una Herramienta de Inteligencia de Negocios muy popular desde hace unos pocos aos. OLAP ( Procesamiento Analtico en lnea por sus siglas en Ingls) (incluido HOLAP, ROLAP and MOLAP)- Es la capacidad de algunos sistemas de soporte de decisiones gerenciales que permiten examinar de manera interactiva grandes volmenes de informacin desde varias perspectivas.[1] Aplicaciones de Informes, genera vistas de datos agregadas para mantener a la gerencia informada sobre el estado de su negocio. Minera de datos - Extraccin de informacin de las bases de datos acerca del cosumidor, mediante la utilizacin de aplicaciones que pueden aislar e identificar patrones o tendencias del consumidor en un alto volumen de datos. Hay una gran variedad de tcnicas de minera de datos que revelan distintos tipos de patrones.[2] Algunas de las tcnicas son mtodos estadsticos ( Particularmente Estadstica de Negocios) y Redes Neurales como formas altamente avanzadas de anlisis de datos.

[editar] Productos de fuente abierta de inteligencia de negocios Eclipse BIRT Project: Generador de informes para aplicaciones Web de cdigo abierto basado en Eclipse JasperReports LogiReport: Aplicacin de BI gratuita basada en Web de LogiXML OpenI: Aplicacin Web simple orientada al reporting OLAP. Palo: Pentaho RapidMiner (antes YALE): SpagoBI:[editar] Productos comerciales Microsoft SQL Server - Suite de Herramienta de BI (Analysis Services, Integration Services y reporting Services) ACE*COMM Actuate Applix Bitool Herramienta de ETL y Visualizacion BiPoint - Business Intelligence Bingo Intelligence (http://www.bingointelligence.com) Business Objects (SAP company)|Business Objects CA Oblicore Guarantee CODISA BI CP CORPORATE PLANNING (CP[1]) IBM Cognos ComArch CyberQuery Crystal Reports Dimensional Insight dLife (Apara) dVelox (Apara) Dynamic Data Web Hyperion Solutions Corporation(ahora Oracle) IdeaSoft - Business Intelligence & Performance Information Builders InetSoft Technology LiteBI LogiXML Mpex Dynamics Microsoft Excel MicroStrategy Oracle Corporation (busque Oracle Business Intelligence Server ONE) OutlookSoft Panorama Software Pentaho BI PerformancePoint Server 2007 Pilot software|Pilot Software, Inc. Prelytis Proclarity Prospero Business Suite QlikView Jedox SAP Business Information Warehouse SAS Institute Siebel Systems Spotfire StatSoft SPSS Tacnetting, Inteligencia para la Organizacion Telerik Teradata[editar] Anotaciones1. James O'Brien and George Marakas, Management Information Systems, 7th ed. McGraw-Hill2. Dictionary of Marketing Terms, 3rd Edition[editar] Enlaces externos BusinessWeek Magazine: Giving the Boss the Big Picture: A dashboard pulls up everything the CEO needs to run the show (February 2006) A BI Dashboard Screenshot Collection, Examples of over 1000 business intelligence dashboards

Herramientas de gestinDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda Se entiende que las herramientas de gestin son todos los sistemas, aplicaciones, controles, soluciones de clculo, metodologa, etc., que ayudan a la gestin de una empresa en los siguientes aspectos generales: Herramientas para el registro de datos en cualquier departamento empresarial Herramientas para el control y mejora de los procesos empresariales Herramientas para la consolidacin de datos y toma de decisiones

As, entenderemos que si segmentamos la empresa en sus diferentes departamentos genricos, tendremos herramientas que nos ayudarn a gestionar, organizar, dirigir, planificar, controlar, conocer, etc., cada uno de los departamentos y las relaciones entre ellos y el mundo exterior.Hoy en da, las tecnologas se desarrollan a tal velocidad que se nos hace muy arduo conocer y seleccionar las herramientas de gestin ms adecuadas. Una constante lucha contra los costes empresariales, una necesidad imperiosa de vender cada vez ms, un conocimiento de las costumbres del comprador y una lucha por poner el producto que l quiera, como quiera y cuando quiera, han hecho que este campo de las herramientas de gestin haya experimentado un enorme desarrollo durante la ltima dcada.Las nuevas plataformas informticas

Arquitectura Orientada a Servicios.Uno de los grandes impulsores de la creciente diversidad de herramientas para la gestin de la empresa, han sido y son las nuevas formas de interaccionar entre diversas plataformas informticas heterogneas, lo que se denomina como arquitectura orientada a servicios. Estas posibilitan que los sistemas de gestin empresariales puedan estar segmentados por mdulos, cada uno de ellos con funciones especficas y programados con los lenguajes ms adecuados para su trabajo.Cuando alguno de estos mdulos necesita algn dato de otro, le solicita un servicio que el solicitado provee. Los siguientes enlaces muestras diferentes formas y ejemplos para la solicitud de servicios y respuestas: SOA SOAP Servicio Web XML MiddlewareUno de los grandes retos de los sistemas informticos de hoy en da, que obligatoriamente se tiene que realizar a travs de herramientas de gestin, se resume en:"El gran reto de la informtica de los inicios del siglo XXI es poder interaccionar o intercambiar informacin con cualquier elemento fijo o movible, a gran velocidad y poder tomar decisiones on Edge y sin intervencin humana. La introduccin de datos en los sistemas informticos no aportan valor al producto."Las herramientas de gestin de la calidad estn divididas en: 1. Ciclo Deming o PDCA 2. Q7: Las 7 herramientas de la calidad 3. M7: Las 7 nuevas herramientas de la calidad 4. Tcnicas de planificacin 5. Tcnicas de control. 6. Tcnicas para la mejora.[editar] Referencias[editar] Vase tambin Planificacin de recursos empresariales Organizacin de Empresas Trazabilidad[editar] Enlaces externos MRP/MRPII/ERP/ERM, descifrando la confusin de trminos. [1] , 2007-10-25 Estrategias para la Migracin de Datos en ERP. [2] , 2008-04-08 Requerimientos para Organizar la Implementacin del ERP Implementation. [3] , 2008-07-12 Bitcubo, Software de Gestion Documental, calidad y del conocimiento

Gestin de procesos de negocioDe Wikipedia, la enciclopedia libre(Redirigido desde Business Process Management)Saltar a navegacin, bsqueda Se llama Gestin de procesos de negocio (Business Process Management o BPM en ingls) a la metodologa empresarial cuyo objetivo es mejorar la eficiencia a travs de la gestin de los procesos de negocio, que se deben modelar, organizar, documentar y optimizar de forma continua. Como su nombre sugiere, BPM se enfoca en la administracin de los procesos dentro de una organizacin.

Es un conjunto de recursos y actividades interrelacionados que transforman elementos de entrada en elementos de salida. Los recursos pueden incluir personal, finanzas, instalaciones, equipos, tcnicas y mtodos.

A travs del modelado de las actividades y procesos puede lograrse un mejor entendimiento del proceso y muchas veces esto presenta la oportunidad de mejorarlos. La organizacin de los procesos reduce errores, asegurando que los procesos se comporten siempre de la misma manera, reduciendo el margen de error y dando elementos que permitan visualizar el estado de los mismos durante cada etapa. La administracin de los procesos permite asegurar que los mismos se ejecuten eficientemente, cumpliendo con estndares de calidad previamente establecidos, y ayudando a la obtencin de informacin que luego puede ser usada para mejorarlos. Es a travs de la informacin que se obtiene de la ejecucin diaria de los procesos, que se puede identificar posibles ineficiencias o fallas en los mismos, y actuar sobre ellos para optimizarlos.

Para soportar esta estrategia es necesario contar con un conjunto de herramientas que den el soporte necesario para cumplir con el ciclo de vida de BPM. Este conjunto de herramientas son llamadas Business Process Management System (BPMS), y con ellas se construyen aplicaciones BPM.

Existen diversos motivos que mueven la gestin de los Procesos dentro de una organizacin, entre los cuales se encuentran: Extensin del programa institucional de calidad Cumplimiento de legislaciones vigentes Crear nuevos y mejores procesos (mejoramiento continuo) Entender qu se est haciendo bien o mal a travs de la comprensin de los procesos Documentar los procesos para la subcontratacin y la definicin del Service Level Agreement (SLA) Automatizacin y organizacin de los procesos Crear y mantener la cadena de valor

Vase tambin Indicadores clave de rendimiento Reglas de negocio Reingeniera de Procesos Arquitectura orientada a servicios YAWL Teora de Restricciones Seis Sigma Sistema de produccin Toyota RFID Data Suite simplificacin de procesos con RFID Smart process management

[editar] Enlaces externos Wikimedia Commons alberga contenido multimedia sobre Gestin de procesos de negocio. Commons[editar] Organismos BPMI - Business Process Management Initiative WFMC - Workflow Management Coalition Club-BPM (Centro Oficial del BPM y SOA en Espaa y pases de habla hispana)[editar] Informacin y noticias DiveIntoBPM.org (BPMN 1.1 animated tutorial) Technotes.es - Portal sobre tendencias en la gestin por procesos BPMnoticias.com (Noticias sobre BPM) BPM-Spain (Portal en espaol sobre software para Business Process Management) Comunidad de BPM y WorkFlow en ICTnet

[editar] Artculos La expansin del BPM en el sector financiero (Revista de Finanzas y Banca - Requiere registro gratuto) La hora del BPM (Revista TyN - Entrevista a Javier Racca. NEORIS) Por qu BPM no es ms de lo mismo? (Columna de Opinin de Javier Racca. NEORIS. Bloggers Reports) Los procesos empresarios que la diskettera se llev (Columna de Opinin de Javier Racca. NEORIS. INFOBAE Profesional) Online Business Ejemplo BPM aplicado a los recursos humanos Saltar al vagn de la eficiencia operacional con BPM y sus tecnologas (Articulo de Renato de Laurentiis. Club BPM Espaa y Latinoamrica) Vdeo explicando la gestin por procesos (Desarrollado por la Fundacin Vasca para la Excelencia EUSKALIT)

Information Technology Infrastructure LibraryDe Wikipedia, la enciclopedia libreSaltar a navegacin, bsqueda La Biblioteca de Infraestructura de Tecnologas de Informacin, frecuentemente abreviada ITIL (del ingls Information Technology Infrastructure Library), es un conjunto de conceptos y prcticas para la gestin de servicios de tecnologas de la informacin, el desarrollo de tecnologas de la informacin y las operaciones relacionadas con la misma en general. ITIL da descripciones detalladas de un extenso conjunto de procedimientos de gestin ideados para ayudar a las organizaciones a lograr calidad y eficiencia en las operaciones de TI. Estos procedimientos son independientes del proveedor y han sido desarrollados para servir como gua que abarque toda infraestructura, desarrollo y operaciones de TI.HistoriaAunque se desarroll durante los aos 1980, ITIL no fue ampliamente adoptada hasta mediados de los aos 1990. Esta mayor adopcin y conocimiento ha llevado a varios estndares, incluyendo ISO/IEC 20000, que es una norma internacional cubriendo los elementos de gestin de servicios de TI de ITIL. ITIL se considera a menudo junto con otros marcos de trabajo de mejores prcticas como la Information Services Procurement Library (ISPL, Biblioteca de adquisicin de servicios de informacin), la Application Services Library (ASL, Biblioteca de servicios de aplicativos), el mtodo de desarrollo de sistemas dinmicos (DSDM, Dynamic Systems Development Method), el Modelo de Capacidad y Madurez (CMM/CMMI) y a menudo se relaciona con la gobernanza de tecnologas de la informacin mediante COBIT (Control Objectives for Information and related Technology).El concepto de gestin de servicios de TI, aunque relacionado con ITIL, no es idntico: ITIL contiene una seccin especficamente titulada Gestin de Servicios de TI (la combinacin de los volmenes de Servicio de Soporte y Prestacin de Servicios, que son un ejemplo especfico de un marco ITSM). Sin embargo es importante sealar que existen otros marcos parecidos. La Gestin de Servicio ITIL est actualmente integrado en el estndar ISO 20000 (anterior BS 15000).ITIL se construye en torno a una vista basada en proceso-modelo del control y gestin de las operaciones a menudo atribuida a W. Edwards Deming. Las recomendaciones de ITIL fueron desarrolladas en los aos 1980 por la Central Computer and Telecommunications Agency (CCTA) del gobierno britnico como respuesta a la creciente dependencia de las tecnologas de la informacin y al reconocimiento de que sin prcticas estndar, los contratos de las agencias estatales y del sector privado creaban independientemente sus propias prcticas de gestin de TI y duplicaban esfuerzos dentro de sus proyectos TIC, lo que resultaba en errores comunes y mayores costes.ITIL fue publicado como un conjunto de libros, cada uno dedicado a un rea especfica dentro de la Gestin de TI. Los nombres ITIL e IT Infrastructure Library (Biblioteca de infraestructura de TI) son marcas registradas de la Office of Government Commerce (Oficina de comercio gubernamental, OGC), que es una divisin del Ministerio de Hacienda del Reino Unido.En abril de 2001 la CCTA fue integrada en la OGC, desapareciendo como organizacin separada.[1]En diciembre de 2005, la OGC emiti un aviso de una actualizacin a ITIL,[2] conocida comnmente como ITIL v3, que estuvo planificada para ser publicada a finales de 2006; habiendo sido realizada en junio de 2007. Se esperaba que la publicacin de ITIL versin 3 incluyera cinco libros principales, concretamente: Diseo de Servicios de TI, Introduccin de los Servicios de TI, Operacin de los Servicios de TI, Mejora de los Servicios de TI y Estrategias de los Servicios de TI, consolidando buena parte de las prcticas actuales de la versin 2 en torno al Ciclo de Vida de los Servicios.Uno de los principales beneficios propugnado por los defensores de ITIL dentro de la comunidad de TI es que proporciona un vocabulario comn, consistente en un glosario de trminos precisamente definidos y ampliamente aceptados. Un nuevo glosario ampliado ha sido desarrollado como entregable clave de ITIL versin 3.Otros modelos: CMMI para el desarrollo de software y s3m,[3] para el mantenimiento del software[editar] Certificacin

Un pin de certificacin de la ITIL Foundation.Los particulares pueden conseguir varias certificaciones oficiales ITIL. Los estndares de calificacin ITIL son gestionados por la ITIL Certification Management Board (ICMB) que agrupa a la OGC, a itSMF International y a los dos Institutos Examinadores existentes: EXIN (con sede en los Pases Bajos) e ISEB (con sede en el Reino Unido).Existen tres niveles de certificacin ITIL para profesionales:1. Foundation Certificate (Certificado Bsico): acredita un conocimiento bsico de ITIL en gestin de servicios de tecnologas de la informacin y la comprensin de la terminologa propia de ITIL. Est destinado a aquellas personas que deseen conocer las buenas prcticas especificadas en ITIL.2. Practitioner's Certificate (Certificado de Responsable): destinado a quienes tienen responsabilidad en el diseo de procesos de administracin de departamentos de tecnologas de la informacin y en la planificacin de las actividades asociadas a los procesos.3. Manager's Certificate (Certificado de Director): garantiza que quien lo posee dispone de profundos conocimientos en todas las materias relacionadas con la administracin de departamentos de tecnologas de la informacin, y lo habilita para dirigir la implantacin de soluciones basadas en ITIL.No es posible certificar una organizacin o sistema de gestin como conforme a ITIL, pero una organizacin que haya implementado las guas de ITIL sobre Gestin de los Servicios de TI puede lograr certificarse bajo la ISO/IEC 20000.La versin 3 de ITIL, que apareci en junio de 2007, cambi ligeramente el esquema de Certificaciones, existiendo certificaciones puentes, se definen 3 niveles:1. Basic Level (Equivalente a ITIL Foundation en v2)2. Management and Capability Level (Equivalente a los niveles Practitioner y Manager en ITIL v2)3. Advanced Level (nuevo en v3)[editar] Historia y precursores de ITILLo que actualmente se conoce como ITIL versin 1, desarrollada bajo el auspicio de la CCTA, se titul Government Information Technology Infrastructure Method (Mtodo de Infraestructura de la Tecnologa de Informacin del Gobierno, GITM) y durante varios aos termin expandindose hasta unos 31 libros dentro de un proyecto inicialmente dirigido por Peter Skinner y John Stewart. Las publicaciones fueron retituladas principalmente como resultado del deseo (por Roy Dibble de la CCTA) de que fueran vistas como una gua y no como un mtodo formal, y como resul