Business Intelligence
Agenda
• Analysis Services.
• Desarrollo de un proyecto de Analysis Services con BIDS.
• Dimensiones.
• Tipos de dimensiones.
• Propiedades de dimensiones.
• Procesamiento de Dimensiones.
• Medidas y grupos de medidas.
• Funciones de agregaciones.
• Otras Propiedades.
• Seguridad OLAP.
• Modos de Almacenamiento.
• Minería de datos.
Analysis Services
• ¿Qué es Analysis Services?
•Componentes de SQL Server Analysis Services.
•Alcance de SQL Server Analysis Services.
•Modelo lógico de una solución de BI (UDM).
•Vista de Análisis Multidimensional.
¿Qué es Analysis Services?
Es un conjunto de componentes fáciles de
usar, integrados y escalables que le
permiten a los usuarios un mejor acceso a
los datos de su negocio y una forma mas
eficiente de realizar análisis y
proyecciones.
¿Qué es Analysis Services?
Microsoft SQL Server Analysis Services
(SSAS) ofrece funciones de procesamiento
analítico en línea (OLAP) y minería de
datos para aplicaciones de Business
Intelligence (BI).
Componentes de SQL Server Analysis Services
Proyecto Relaciones entre Medidas y Dimensiones
Medidas Calculadas ,Scripts,Indicadores y
Data Source
Acciones
Data Source View Particiones y Agregaciones
Dimensiones Perspectivas y Translaciones
Medidas Roles
Alcance de SQL Server Analysis Services
Hojas de Cálculo
SQL Analysis Services
Server Data mart
Una sola versión Herramientas de
BI
de la verdad
Enriquecimiento Excel 2007
Teradata de datos y Reportes Ad-Hoc
DW Report
SQL Server análisis avanzado Builders
2.0
Tiempo-Real y
alto rendimiento Reportes
Misión crítica sofisticados
Oracle Reporting
Services
DB2 LOB 2008
SQL Server
Tableros
+ herramientas de
de terceros
Control
Alcance de SQL Server Analysis Services
Datamart
Y
DataWarehouse
Analysis
Services
Minería
de datos
Modelo lógico de una solución de BI (Unified Dimensional
Modeling)
Fuente de Datos Herramientas
Analysis OLAP
Browser (1)
Services
OLAP
XML/A or ODBO
Browser (2)
UDM Reporting
DW Tool (1)
Reporting
Tool (1)
Cache BI Applications
Desarrollo de un proyecto de AS con BIDS
• Proyecto.
•Data source.
•Data source View.
•Named Calculated.
Proyecto
Contenedor de objetos de la Solución
Se define Nombre y
Locación de la
Solución
Nos permite la creación de
la Base de Datos OLAP
DataSource
Indica la forma de acceso a la Fuente de Datos
Se define el Nombre del
Proveedor, Servidor y forma
de acceso
El origen de datos NO es
indispensable que sea SQL
DataSource View
Se establece la relaciones lógicas entre objetos.
Muestra todos los objetos
que se usaran en la solución.
Se puede modificar la
relación de las tablas o
vistas
Named Calculations.
Sólo afectan al data source view.
• En ocasiones, las columnas de una
tabla de dimensión no proveen la
información en el formato requerido
para el datamart.
• Los named calculations no afectan
la estructura del origen de datos.
Demo
Creación de:
•Data Source
•Data Source View
Dimensiones
•Tipos de Dimensiones .
•Definición de Atributos.
•Jerarquías y niveles.
Tipos de dimensiones
• Dimensiones standard
• Dimensiones Time
• Dimensiones Parent - Child
• Dimensiones snowflake
Dimensión standard
Tipo default de dimensión.
Propiedades:
• Name: Nombre de la dimensión.
• KeyColumns: Columna(s) de clave para la
dimension.
dimensión.
• NameColumn: Columna que proporciona el
valor mostrado en la dimensión al consultar
datos.
Demo
Creación de una dimensión
standard
Dimensiones Parent – Child
Relaciones recursivas
• Se basan en relaciones recursivas existentes en una tabla de dimensión.
• Otros ejemplos son: Jerarquías de mando, organigramas, etc.
Demo
Creación de una dimensión
Parent - child
Dimensión Time
propiedades especiales
• La mayoría de soluciones de BI
utilizan una dimensión para almacenar
intervalos de tiempo.
• SSAS le otorga propiedades
especiales a las dimensiones Time,
para permitir el uso de funciones
MDX de búsqueda avanzada.
Demo
Creación de una
dimensión Tiempo
Dimensión Snowflake
propiedades especiales
• Relación entre 2 tablas para
formar una dimensión
Demo
Creación de una
dimensión Snowflake
Atributos y Dimensiones
Cada atributo proviene de una columna de la tabla de dimensión.
• La dimensión captura todo lo que
podamos conocer acerca de una entidad
a través de los atributos.
Creamos una dimensión en
• Cada atributo proviene
base de una
a una tabla columna
,vista
de la tabla de dimensión.
Jerarquías y niveles
Cada jerarquía estas formada por niveles
• Las jerarquías son una sencilla vía para
navegar a través de los atributos
• Una jerarquía puede encadenar
múltiples atributos para describir drill-
down
Propiedades de Dimensiones
•Miembro All
•Default member
•Attribute relationship
El miembro “All” y el default member.
Propiedades de los atributos
••ElLa
La propiedad
propiedad
miembro DefaultMember indica aquéde
ALLAttributeAllMemberName
se agrega por defecto
miembro
la se utiliza
dimensión
los miembros permiteenpersonalizar
de todo un atributo, cuando
atributo. el nombre
las miembro
del consultasAll.
no lo especifican de forma
explícita
Atributte Relationship
Las relaciones entre atributos se establecen de acuerdo a la granularidad y de uno
a muchos
El sentido de la flecha indica el nivel de granularidad
Demo
Miembro “all”, default
member y attribute
relationship
Procesamiento de dimensiones
•Tipos de Procesamientos.
Procesamiento de Dimensiones
Procesar las dimensiones nos permite ver la información
Siempre que se modifique
atributo o jerarquía de la
dimensión se debe usar FULL
Permite
PROCESS cargar la información de
las dimensiones.
PROCESS UPDATE en caso se
haya modificado la información
Demo
Procesamiento de dimensiones
Medidas y grupos de medidas
•Medidas.
•Funciones de agregación.
•Grupos de medidas.
•Role playing
•Relaciones entre medidas.
Medidas
Representa todo lo que el usuario desea medir (cantidades, montos)
Generalmente es una
tabla con valores
numéricos
Funciones de Agregación
Se debe de establecer el nivel de agregación de cada medida
Por defecto siempre es SUM
Los nombres de las medidas
deben ser significativos al usuario
Grupos de Medidas
Permiten alojar medidas desde múltiples tabla de hechos en un mismo cubo
• Permiten alojar medidas desde múltiples
tabla de hechos en un mismo cubo
• Pueden ser agrupadas en Perspectivas,
orientadas a las necesidades del negocio
Demo
•Medidas.
•Grupos de medidas.
•Funciones de Agregación.
Relaciones entre medidas y dimensiones
Pueden ser Regular, Fact, Referenced, Many to Many
•Todo Grupo de Medidas por lo menos debe estar relacionado a una dimensión
•Nos indica el nivel de granularidad entre la dimensión y la medida.
Relaciones entre medidas y dimensiones
REGULAR
•Los campos a relacionarse
deben estar contenidos en la
FACT
• Se relaciona directamente
entre la FACT y la Dimensión
Role Playing Dimension
Caso especial
• En ocasiones, una dimensión
participa múltiples veces en el mismo
cubo, desempeñando distintos roles.
Role Playing
ejemplo
1era Opción
Role playing
1era Opción
Role playing
2da Opción
Role playing
2da Opción
Role playing
3era Opción
Role playing
3era Opción
Role playing
Relaciones entre medidas y dimensiones
REFERENCE
La granularidad de la
dimensión intermedia es
mayor a la dimensión
que se referencia
Representa a una
dimensión de tipo
SNOWFLAKE
Se relaciona
utilizando una
dimensión intermedia.
Relaciones entre medidas y dimensiones
FACT
Se usa cuando se
necesita ver el detalle
de cada registro
Dimensiones
degeneradas
Relaciones entre medidas y dimensiones
MANY TO MANY
Estas relaciones se
implementan a través
de una tabla de
hechos intermedia.
Demo
•Tipos de relaciones
Otras Propiedades
•Calculations.
•Scripts.
•KPI.
•Actions.
•Particiones y agregaciones.
•Perspectivas.
•Translations.
Perspectivas
Actions
KPI Framework
Agregaciones
Particiones
Calculations
Traducciones
Nos
Nos permite
Manejo
permite
Representan
Permite
Nos permite focalizar
de indicadores
mejorar
cálculos
visualizar
modificar las necesidades
claves
tiempo
detalles
el del
loseladicionales
de
de
idioma la
de las deldel
anegocio
respuesta
proceso consumidor
delcubo
medidas
información
la solución cubo depor
existentes
analizada la solución
(Expresiones MDX)
EXCEL, Reporting, etc.
Demo
•Calculations.
•KPI’s.
•Actions.
•Particiones.
•Agregaciones.
•Perspectivas.
•Traducciones.
Roles de Seguridad
•Roles y funciones.
Roles o Funciones
Nos permite establecer el acceso a la base de datos y a la seguridad del cubo
Nos permite
establecer el acceso
a la base de datos y a
la seguridad del cubo
Roles o Funciones
Seguridad a la Base de Datos
Solo el administrador debe
de tener acceso a la Base
de Datos
A los consumidores de la
solución se les da acceso
de READ
Demo
Funciones y roles
Modos de Almacenamiento
•MOLAP
•ROLAP
•HOLAP
Modo de almacenamiento
El modo de almacenamiento (MOLAP, ROLAP y HOLAP) define la
manera en que se almacenan en disco las particiones de un cubo.
Es completamente transparente a los clientes.
Demo
modos de almacenamiento
Mineria de Datos
Conceptos Generales.
¿Qué es minería de Datos?
• La minería de Datos nos da el acceso a la información que necesitamos
para tomar decisiones inteligentes acerca de problemas difíciles del negocio.
¿Qué hace la Minería de Datos?
Explora Encuentra Realiza
Nuestra Data Patrones Predicciones
Visión DM SQL Server 2008
Conocimiento del Negocio
Valor Relativo del Negocio
SQL 2008
Data Mining
OLAP
Reports (Adhoc)
Reports (Static)
Easy Difficult
Usabilidad
70
Posibles Problemas a Resolver
1. Análisis de CHURN._ ¿Qué clientes se pueden ir con la
competencia?
2. Ventas Cruzadas._ ¿Qué productos le gusta comprar a los clientes?
3. Detección de Fraude._ ¿Este patrón de comportamiento se sale de
los límites normales?
4. Administración de Riesgo._ ¿El préstamo debería ser aprobado
para este cliente?
5. Segmentación de Clientes._ ¿Quiénes son mis clientes?
6. Anuncios Dirigidos._ ¿Qué anuncios deberían ser mostrados para
un cliente específico?
7. Pronosticar Ventas._ ¿Cuántos vinos venderemos la próxima
semana en esta tienda? ¿Cuál será el inventario del próximo mes?
Algoritmos de Mineria de Datos
Decision Trees Clustering Time Series Naïve Bayes
Detección de patrones de
comportamiento dentro de
documentos para
detección de fraudes
Sequence Association Neural Net Text Mining
Clustering
72
Tareas en Data Mining
• Clasificación
• Regresión
• Segmentación
• Asociación
• Pronósticos
• Análisis de Texto
Tareas en Data Mining
• Clasificación • Preguntas típicas de Negocio
–
• Regresión
¿Qué tipo de tarjeta de membresía
debería ofrecer?
– ¿Qué clientes responderán a mi
• Segmentación –
correo directo?
¿Es esta transacción fraudulenta?
– ¿Perderé a este cliente?
• Asociación – ¿Será este producto defectuoso?
• Algoritmos
• Pronósticos – Preferidos
• Árboles de decisión
• Naïve Bayes
• Análisis de Texto –
•
Además
Redes Neuronales
• Clustering
• Sequence Clustering
• Reglas de Asociación
Tareas en Data Mining
• Clasificación • Preguntas Típicas de Negocio
– ¿Cuántos Ingresos obtendré de
• Regresión este cliente?
– Cuanto tiempo estará este activo en
• Segmentación •
servicio?
Algoritmos
• Asociación – Preferidos
• Árboles de decisión
• Redes Neuronales
• Pronósticos – Además
• Clustering
• Análisis de Texto • Sequence Clustering
Tareas en Data Mining
• Clasificación • Preguntas Típicas de Negocio
• Regresión –
–
Describe mi Cliente
¿Cómo puedo diferenciar mis
•
clientes?
Segmentación – ¿Cómo puedo organizar mis datos
de tal forma que tenga sentido?
• Asociación • Algoritmos
–
•
Preferidos
Pronósticos • Clustering
• Sequence Clustering
• Análisis de Texto – Además
• Redes Neuronales
Tareas en Data Mining
• Clasificación • Preguntas Típicas de Negocio
• Regresión – Análisis de Canasta de
mercado/Venta Cruzada
• Segmentación –
–
¿Qué Ítems se compran juntos?
¿Qué productos debería
• Asociación recomendar a mi cliente?
• Algoritmos
• Pronósticos – Preferidos
• Reglas de Asociación
• Análisis de Texto • Árboles de Decisión (Catálogos
pequeños)
– Además
• Clustering, Sequence Clustering,
Naïve Bayes, Redes Neuronales
Tareas en Data Mining
• Clasificación • Preguntas Típicas de Negocio
• Regresión – Cual es el ingreso proyectado
para todos los productos?
• Segmentación – ¿Cuáles serán los niveles de
inventario para el próximo
• Asociación mes?
• Algoritmos
• Pronósticos – Series de Tiempo
• Análisis de Texto
Tareas en Data Mining
• Clasificación • Análisis de Datos no-estructurados
– Extracción de términos y/o frases
• Regresión claves
– Conversión a datos estructurados
• Segmentación – Alimentar otros algoritmos
• Classification
• Asociación •
•
Segmentation
Association
• Pronósticos • Preguntas Típicas de Negocio
– ¿Cómo manejar los datos del call
• Análisis de Texto center?
– ¿Cómo clasificar el correo?
– Qué puedo hacer con la
retroalimentación del Web?
Algorithm Matrix
Association
Rules
Clustering
Decision
Trees
Linear
Regression
Logistic
Regression
Naïve Bayes
Neural Nets
Sequence
Clustering
Time Series
¿Qué determina a futuro que los graduados
vayan a ingresar a la universidad?
Gonzalo apaza
Alain rojas
Luis Cabrel
Carlos Anchante
Carlos valderrama
¿Qué determina a futuro que los graduados
vayan a ingresar a la universidad?
Asistir Universidad
94% Si
Asistir Universidad 6% No
79% Si
21% No Asistir Universidad
Asistir Universidad
55% Si 69% Si
45% No 31% No
Asistir Universidad
35% Si
65% No
Observando el árbol nosotros podremos decir que los estudiantes con un
IQ mayor a 100 y con estimulo familiar tienen un 94% de probabilidad de
continuar sus estudios en la universidad.
Demo
Minería de Datos