La Operacional—el día a día de la empresa Automatizar la rutina, tareas previsibles Tiempo de...

La Operacional—el día a día de la empresa•Automatizar la rutina, tareas previsibles•Tiempo de respuesta en segundos•Transacciones individuales con alcance

limitado•Énfasis sobre la entrada de los datos•Datos distribuidos en aplicaciones críticos

Ejemplos: Contabilidad, Facturación, Gestión de Almacen, Ventas-TPV, Sistema de Ventas, Nomina, Pedidos, Recaudación, Gestión de Campañas, Expedición de Billetes, Centro de Llamadas ...

Necesidades de Negocio:Sistema Operacional

Introduccióna DSS y DW

La Informacional—Sistema de Soporte de Decisiones (DSS)

•Exploración, análisis y presentación de información o conocimientos

•Pocas consultas pero muy intensivas y de considerable alcance

•Naturaleza de las consultas no es previsibles•Enfasis sobre obtención de información o

conocimiento•Avanzar en la competividad estratégica de la

organización

Ejemplos: Consultas, Data Mining, Estadísticas Descriptivos, EIS, Generadores de Informes, OLAP ...

Necesidades de Negocio:Sistema de Información


Ejemplos de Objetivos de un Sistema de Información

•Análisis de Churn•Análisis de Clickstream•Análisis de Riesgos•Análisis de Segmentación de Mercados,

Clientes, ...•Análisis de Tráfico de Redes (Llamadas)•Análisis de Turn-Over•Análisis de Venta-Cruzada•Definición y Predicciones de Comportamientos•Perfiles de Usuarios, Clientes, Consumidores, …•Perfiles y Análisis de Garantía•Perfiles y Detección de Fraude•Rendimiento de Clientes y Productos


Operacional• Control de la Cadena

Logística (Existencias, Pedidos y Entregas)

• Facturación

• Fidelización de Clientes

• Gestión de Contactos• Gestión de Pacientes• Marketing (Gestión de

Campañas)• Producción• Recursos Humanos• Tesorería

• Ventas

El día a día de la empresa

Analítica• Análisis de Carga de la Red• Análisis de Logística• Análisis y Proyección Financiera• Detección y Análisis de Fraudes• Análisis de Cesta de la Compra• Perfiles y Análisis de Garantías• Análisis de Reclamaciones• Perfiles y Análisis de Pacientes• Análisis y Segmentación de

Mercado• Análisis de Producción y Calidad• Análisis y Segmentación de

Población• Análisis de Inversiones• Análisis de Riesgo• Análisis de Tráfico (Llamadas) de

la Red• Análisis de Venta Cruzada

Ventajas Estratégicas de los Datos

Aplicaciones Operacionales y Analíticas


•Los sistemas operacionales o de producción están ocupados constantemente durante el día con el trabajo operacional (On-line) y durante la noche con procesos batch

•Los sistemas OLTP no pueden estar reservados para DSS durante el día, imposible parar el OLTP sin repercusiones graves para la empresa

•Un sistema adicional exclusivamente para DSS con la arquitectura de OLTP no resuelve el problema—arquitectura de modelo de datos

¿Por qué no existe fácilmente DSS?


Procesos de los DatosIntroduccióna DSS y DW

SistemaOperacional

SistemaInformacional

DW

Datos

DataMart

AnálisisLectura/Escritura

Solo lectura

Consulta/Respuesta

• Arquitecturas• Sistema Operacional• Sistema de Soporte de Decisiones (DSS)• Operacional Data Store (ODS)

• Objetivos de Análisis y Modelos de Datos• Diseño de Procesos y Aplicaciones• Planificación del Proyecto: Los dos partes, el

Data Warehouse (DW) y el Análisis• Metodología y Herramientas de DW• Metodología y Herramientas de Análisis

Mientras que la construcción y mantenimiento del DW es un trabajo mayoritariamente informático, el Análisis no es, el Análisis es un trabajo de investigación

Algunas Consideraciones en un Proyecto DSS o DW


• Incremento en el alcance histórico de los datos (años de datos, no días, semanas o meses)

• Incremento en la “granularidad” de los datos, almacenamiento posible a nivel de detalle (documentos individuales con agregaciones o resúmenes pero siempre con la posibilidad de rollback)

Grandes volúmenes de datos Grandes preguntas

El Futuro VoluminosoIntroduccióna DSS y DW

Granularidad (años, estaciones, trimestre, meses, semanas, días, horas, segundos, milisegundos ... )

Fijación (año real o año de negocio, estaciones ... )

Múltiples versiones de tiempos de datos•Base de Datos Bitemporal

• Tiempo efectivo o tiempo valido• Tiempo registrada o tiempo de

transacción

• Tiempo definido por el usuario

Un Asignatura Pendiente, el Tiempo y el Base de Datos Temporal


Ficherosoperacionales

Mecanismos de acceso

FicherosIntermedios

Adquisición Job Streams(Programas)

Almacén(Data Warehouse)

Espaciode Trabajo

Accesos(Herramientas y aplicaciones)

Ficheros intermedios

Ficheros intermedios

3

10

4

21

5

6

7

8

9

12

11

13

Arquitectura del SistemaIntroduccióna DSS y DW

1 - Identificación de los datos críticos de negocio para el Data Warehouse2 - Programas de adquisición mapping, transformación,

limpieza,clasificación, validación, referencias cruzadas, formateo, funciones de almacenamiento, etc.

3 - Programas de “Back-flush” para devolver datos limpios a los sistemas fuente

4 - Desarrollo de los programas para el operacional / Sistemas fuentes5 - Datos preparados para cargarse en el warehouse6 - Carga de la Base de datos en las tablas relacionales7 - Generación de tablas de almacenamiento con datos sumariados,

referencias cruzadas8 - Creación y carga de tablas de trabajo (Data Marts).9 - Actualizaciones periódicas que afectan a la fase de adquisición10 - Envía contenidos del espacio de trabajo al fichero intermedio para

incluirse en la siguiente recarga / refresco del warehouse principal11 - Aplicaciones y herramientas de acceso de usuario final12 - Debe incluir mecanismos de reacción13 - Cualquier cambio específico para su incorporación eventual en el

Warehouse principal

Procesos y AplicacionesIntroduccióna DSS y DW

•Estructuras de datos fuente•Alineación de la transformación de datos•Definir las reglas de transformación (funciones

de conversión, conversiones semánticas-tablas de codificación, funciones definidas por usuario)

•Validación de las fuentes de datos•“Matching” (emparejar)• Intercalar, limpiar y mejorar hasta una vista

consolidada o registro integrado (esquema compuesto)

•Mapping de las estructuras de almacenamiento•Transformar datos para su destino•Recomendaciones para procesos “Back-flush”

Detalles de AdquisiciónIntroduccióna DSS y DW

• Identificación de los datos•Modelo de datos•Diseño de la base de datos•Fuentes de datos•Validación de la integridad de los datos•Sincronización de los datos•Desarrollar un proceso “Back-flush” para el

operacional•Desarrollar la arquitectura de almacenamiento

de datos•Mapping y transformación de datos•Recogida de métricas de datos•Desarrollo de la solución

Disciplina con los DatosIntroduccióna DSS y DW

Espacios Computacionales: Análisis de verificación de hipótesis basadas en la intuición (1)1) Informes y Consultas—[variables y observaciones : cuantitativo]

Estas técnicas comprenden análisis, consultas y generación de informes que extraen la información contenida en los datos. Incluye los Sistemas de Información Ejecutiva (EIS).

2) Agregación y familia OLAP—[agrupación aritmética : cuantitativo]A estas técnicas se llega a través de procesos iterativos e interactivos, cálculos recursivos y manipulación exploratoria de los datos.

Incluye el Análisis Multidimensional (MDA), el Procesamiento Analítico Interactivo (OLAP), el Procesamiento Analítico Interactivo Relacional (ROLAP), el Procesamiento Analítico Interactivo Multidimensional (MOLAP) y técnicas exploratorias de datos como drill-down, drill-up y drill-through.

3) Cálculo Diferencial—[variaciones e intergración : cuantitativo]Cálculo de probabilidad de ocurrencia de un determinado suceso.Modelado de series temporales.


Espacios Computacionales: Análisis de verificación de hipótesis basadas en la intuición (2)4) Geometría Posicional—[geometría : cuantitativo]

Representación geométrica de características medidas sobre los elementos objeto de estudio mediante un Sistema de Información Geográfica (GIS).

5) Perspectiva Cualitativa—[variables y observaciones : cualitativo]Conlleva los conceptos de tomar nota de objetos, recoger objetos y reflexionar sobre los objetos

Es un proceso:• iterativo y progresivo• recursivo• cada paso del proceso contiene el proceso entero

La codificación de los objetos permite aplicar la técnica adecuada para el estudio que se desee realizar sobre los datos incluida en cualquiera de los espacios computacionales anteriores


Espacios Computacionales: Análisis basada en técnicas híbridas

6) Métodos Comparativo—[reducción de datos : cuantitativo y cualitativo]

Basado en la teoría de conjuntos, esta técnica incluye el análisis comparativo tanto de casos como de variables y observaciones. Los datos tanto cualitativos como cuantitativos son agrupados en conjuntos para ser comparados a nivel micro o macro social utilizando matemática Booleana.


Espacios Computacionales: Análisis basado en el descubrimiento

7) Descubrimiento—[influencia y lógica : cuantitativo y cualitativo]El análisis exploratorio de datos (EDA), la minería de datos (data mining) y los agentes inteligentes extraen significados y nuevos conocimientos de vastas cantidades de información

Se basan en algoritmos, emparejamiento de patrones, patrones heurísticos de reconocimiento de reglas, redes neuronales e inteligencia artificial

Se utilizan las técnicas:• clasificación y estimación• reglas de inducción o árboles de decisión• cluster o agrupación• reglas de asociación• análisis secuencial• razonamientos heurísticos• lógica difusa “fuzzy logic”• algoritmos genéticos• transformaciones basadas en fractales• análisis de categorización


Funciones, Algoritmos y Aplicaciones a través de Data Mining

Asociaciones Estadísticas, Teoría de conjuntos Análisis de la cesta de compra

Clasificación Árboles de decisión, Marketing preciso, Control deRedes neuronales calidad, Valoración de riesgos

Agrupación Estadísticas, Redes neuronales Segmentación de mercado, Reutilización del diseño

ModelizaciónRegresión lineal y no-lineal, Ranking / Puntuaciones en,Acoplamiento de curva clientes, Modelos de precios, Redes neuronales Control de procesos

Patrones Estadísticas, Teoría de Análisis de la cesta de comprasecuenciales conjuntos en el tiempo

Series Modelos estadísticos ARMA, Pronóstico de ventas, Pronósticotemporales Box-Jenkins, Redes neuronales de interés, Predicción de ratios,

Control de inventario

Funciones Algoritmos Aplicaciones Ejemplos


Perfiles como Objetivo:Visualización vía OLAP

1) Medida de Recente—periodicidad de visitas: horas? días? semanas?

2) Frecuencia —cuantas veces3) Intensidad —total de compras u otro indicador

cuantitativa

Bajo Alto

Alto

Bajo

Alto

BajoIntensidad

Recente

Frecuencia


Identificación de Patrones

Optimización genética

Código genético

Series temporales combinadas

y Patrones casuales

Tendencias ypatrones

estacionales

Patrones casuales

no lineales

Patronescasualeslineales

Estructuras flexibles

Estructurasrígidas

Redes neuronales

Teoría de señales y

análisis espectral

Lógicadifusa

Teoría de Mate.Estadistica y

probabilidades

Empareja-miento parcial

Aproxima-ciones

biotécnicas

Análisis combinatorio


Accrue HitList, powerful and flexible server log analysis with over 300 report elements. Analog (from Dr. Stephen Turner), a free and fast program to analyse the web server logfiles (Win, Unix, more) ANGOSS KnowledgeWebMiner, combines ANGOSS KnowledgeSTUDIO with proprietary algorithms for clickstream analysis,

Acxiom Data Network, and interfaces to web log reporting tools. Blue Martini Customer Interaction System's Micro Marketing module collects clickstreams at the application server level, transforming

them to the data warehouse, and provides mining operations.Clementine offers sequence association and clustering used for Web data analysis. CustomerConversion from Quadstone, customer-centric analysis and graphical reporting of web and other data. Data Mining Suite, Discovers patterns of user activity on web-sites by using an intelligent visit characterizer which takes a long trail of

activities and automatically characterizes it to a synopsis. EasyMiner, features Cross-session analysis ; Click-stream analysis; Cross-sales; by MINEit Software. prudsys ECOMMINER: combined clickstream and database analysis for e-commerce Megaputer WebAnalyst, integrates the data and text mining capabilities of Megaputer's analytical software directly into your website. MicroStrategy Web Business Analyzer , features a friendly GUI, workflow wizards and a full set of pre-packaged analytical modules

and reports net.Analysis (from net.Genesis), e-business intelligence solution, providing the superior scalability required by large e-business

enterprises. NetTracker family, powerful and easy-to-use Internet usage tracking programs, from Sane Solutions. SAS Webhound, analyzes Web site traffic to answer questions like: who is visiting; how long do they stay? What are they looking at? Torrent WebHouse, providing high-performance clickstream transformation, customized web reporting and clickstream analysis, and

more. WebManage Enterprise Reporter, a comprehensive web site reporting and log analysis tool with support for multiple servers and

ODBC. WebTrends, a suite for Data Mining of web traffic information. WUM 6.0, an integrated environment for log preparation, querying and visualization. XAffinity(TM), for identifying affinities or patterns in transaction and click stream data

Herramientas de Web Mining o Clickstream


En un análisis de sensibilidad el resultado es la

importancia de las variables independientes en la predicción.

Análisis por descubrimiento con Clementine

Nodo resultado del proceso de

de análisis planteado


Análisis por descubrimiento conClemetine

Perfil de la sesión de los navegantes del

fin de semana

Clusters o grupos homogéneos de

navegantes


Mínimo nivel de confianza para las

reglas

Mínimo número de casos de una regla y número máximo de condiciones en una

regla

Tipos de reglas

Definición de parámetros para el informe de reglas

Análisis por descubrimiento conWizRule


Informe de ReglasLista de reglas del tipo If-Then

Contenido de un registro

que se desvía de la regla

Índice de campo, aparecen los campos utilizados y el número

de regla donde se utiliza

Análisis por descubrimiento conWizRule


82

7165

125

100

77

123

58

77

20

76

41

Entre las páginas de entrada, el menú es

la de mayor aceptación.

Las páginas informativas del

portal son las que retienen durante

más tiempo al navegante.

Análisis por Hipótesis: Páginas de Aceptación

Tiempo medio de permanencia en la página (segundos)


La relación entre el tiempo transcurrido

en servir las peticiones a los

navegantes y los bytes enviados es

aleatoria.

A partir de éste gráfico se pueden

identificar posibles páginas de rechazo

por el elevado tiempo transcurrido en

servirlas.

Análisis por Hipótesis: Dispersión

TiempoTranscurrido

400000

200000

100000

80000

60000

40000

20000

Byt

esE

nvia

dos

200000

100000

50000400003000020000

10000

5000400030002000

1000

500400300200

100

/Europa/PROREC/Contenido_description.htm

/Europa/Labortel/Principal.htm

(en escala logarítmica)

(en

esca

la lo

garí

tmic

a)


La Operacional—el día a día de la empresa Automatizar la rutina, tareas previsibles Tiempo de...

Documents

Transcript of La Operacional—el día a día de la empresa Automatizar la rutina, tareas previsibles Tiempo de...