TERMINOS DE BUSINESS INTELLIGENCE
1) Agregaciones: Es el equiva equivalen lente te lógico lógico de tablas tablas de resu resumen men.. Las agregaciones son resúmenes de datos pre calculados que mejoran el tiem tiempo po de res espu pues esta ta por por el simp simple le hech hecho o de tene tenerr prep prepar arad adas as las las respuestas respuestas antes de que se planteen las consultas. 2) Atributo: Un atributo es un concepto del negocio, que proporciona el conteto en que los datos tienen relevancia. !an respuesta a las preguntas "donde#, "quien# $ "cuando#. %e muestran como encabe&ados de 'las o columnas. () B Tree Index : ambi*n llamado +ndice de rbol, es una estructura ordenada de datos, organi&ada como rbol de cabe&a. Estos -ndices son los que ms se utili&an, estn organi&ados en una estructura de rbol $ por lo general se utili&an para las llaves primarias de manera que se pueda hacer una búsqueda por llave ms rpido. /) Bita! Index: +ndice que utili&a un conjunto de bits 01 $ ) para representar la eistencia de un valor o una condición. Los -ndices de bitmap son mu$ recomendables en columnas en las cuales los valores ser repiten $ representan una división en categor-as, por ejemplo columnas como g*nero, estado civil, etc. ambi*n son mu$ recomendables cuando no cambian mucho, aunque sean mu$ variantes. Brac"eted Diension Diension## %irve ) Brac"eted irve para 3ejor ejora ar el rend endimien iento $ la capac capacida idad d de anlis anlisis. is. 4rean 4reando do grupos grupos de valor valores es de atribu atributos tos con muchos valores únicos.
5) Data C$eansing: El proceso proceso de data cleansing cleansing permite permite identi'car datos inco incomp mple leto tos, s, inco incorr rrec ecto tos, s, ine ineac acto tos, s, no pert pertin inen ente tes, s, etc. etc. $ lueg luego o substituir, substituir, modi'car o eliminar estos datos sucios. 4on data cleansing se reali&a una implementación de una metodolog-a con'able de calidad de datos que soluciona desde problemas t*cnicos a esquemas complejos de negocios. %e implementan soluciones de 6ormali&ación, !e duplicación $ Enriquecimiento de datos. 7) Conste$$ation Mode$ : Es una t*cnica asociada con el modelamiento de los datos en un data 8arehouse. El modelo constellation permite el intercambio de varias tablas de hecho con tablas de otras dimensiones, es tambi*n llamado 9ala$ schema. :) %i!ercubo: ambi*n llamado cubo ;L<=, ;nLine ado acu>ado por Edgar Edgar ?ran@ 4odd de E? 4odd A
en la cual el almacenamiento B-sico de los datos se reali&a en un vector multidimensional. Los cubos ;L<= se pueden considerar como una ampliación de las dos dimensiones de una hoja de clculo. Los hipercubos ;L<= son estructuras que representan los datos como una matri& en la cual sus ejes corresponden a los criterios de anlisis $ en los cruces se encuentran los valores a anali&ar. Estos cubos constan de dimensiones $ medidas. Las dimensiones estn relacionadas con los criterios de anlisis de los datos, son variables independientes, representan los ejes del cubo $ estn organi&adas en jerarqu-as. Las medidas son los valores o indicadores a anali&ar, se corresponden a datos asociados a relaciones entre los objetos del problema, son variables dependientes $ se encuentran en la intersección de las dimensiones. Eiste la posibilidad de moverse dentro de las jerarqu-as de las dimensiones $ observar de esta Borma diBerentes visiones de las medidas. %e puede seleccionar alguna de las dimensiones que se pretende anali&ar para reali&ar operaciones de agregación o desagregación, as- como tambi*n dejar valores sobre algunas de estas dimensiones. D)
Dataining : 0miner-a de datos) es el proceso de etracción de
inBormación signi'cativa de grandes bases de datos, inBormación que revela inteligencia del negocio, a trav*s de Bactores ocultos, tendencias $ correlaciones para permitir al usuario reali&ar predicciones que resuelven problemas del negocio proporcionando una ventaja competitiva. Las herramientas de !ata 3ining predicen las nuevas perspectivas $ pronostican la situación Butura de la empresa, esto a$uda a los mismos a tomar decisiones de negocios proactivamente. DSS: Un %istema de %oporte a la !ecisión 0!%%) es una 1) herramienta de usiness ntelligence enBocada al anlisis de los datos de una organi&ación. En principio, puede parecer que el anlisis de datos es un proceso sencillo, $ Bcil de conseguir mediante una aplicación hecha a medida o un EF= so'sticado. %in embargo, no es as-G estas aplicaciones suelen disponer de una serie de inBormes prede'nidos en los que presentan la inBormación de manera esttica, pero no permiten proBundi&ar en los datos, navegar entre ellos, manejarlos desde distintas perspectivas... etc. El !%% es una de las herramientas ms emblemticas del usiness ntelligence $a que, entre otras propiedades, permiten resolver gran parte de las limitaciones de los programas de gestión.
11) Deri&ed Co$un : Una columna derivada no es ms que una nueva columna que a>adimos a nuestro ?lujo de trabajo $ que podremos generar con un valor prede'no o en base a un determinado clculo con los valores de entrada. El !erived 4olumn crea nuevos valores de columna aplicando epresiones a las columnas de entrada de la
transBormación. Una epresión puede contener cualquier combinación de variables, Bunciones, operadores $ columnas de la entrada de transBormación. El resultado puede agregarse como una nueva columna o insertarse en una columna eistente como un valor de reempla&o. La transBormación 4olumna derivada puede de'nir varias columnas derivadas, $ cualquier variable o columna de entrada puede aparecer en varias epresiones. Diension: Una dimensión es una estructura que clasi'ca los 12) hechos $ medidas con el 'n de permitir a los usuarios responder a las preguntas de negocio, dimensiones comúnmente utili&ados son las personas, los productos, el lugar $ el tiempo. 1() Dri$$ Across: Es mu$ similar al Buncionamiento de !rillHdo8n, con la diBerencia de que !rillHacross no se reali&a sobre jerarqu-as de una dimensión, sino que agrega como nuevo criterio de anlisis una nueva dimensión. Dri$$ Do'n ( U!: %e reali&an movimientos en la jerarqu-a de una 1/) dimensión agregando $ desagregando respectivamente la misma. Estas operaciones pueden verse como ajustes en las escalas de los ejes. ETL: EtracciónHransBormaciónH4arga 0EL) su objetivo consiste 1) en mantener cargado el !I con los datos correspondientes. La estructura general de estos procesos consiste en operaciones de manipulación de datos que se reali&an en un cierto orden comunicando entradas $ salidas. El !I se carga inicialmente $ luego se mantiene actuali&ado normalmente involucra volúmenes de datos mucho ma$ores a los habituales en operaciones ;L=.
Los procesos EL bsicos sonG Extracci)n: Jsta es la primera etapa $ corresponde a la obtención de
los datos que luego sern manipulados para ser cargados en el !I. Trans*oraci)n: Una ve& que la inBormación es etra-da hacia el rea de datos temporales ha$ distintos pasos de transBormación, como la limpie&a de la inBormación o selección de los campos necesarios para la carga del !I, tambi*n se pueden combinar distintas Buentes de datos $ reali&ar otras operaciones. Carga:
sus correspondientes tablas de dimensiones que rodearn la tabla de hechos $ estarn relacionadas con ella. 17) +act$ess : %on tablas que no tienen medidas $ representan la ocurrencia de un evento determinado. =or ejemplo, la asistencia a un curso puede ser una tabla de hechos sin metricas asociadas. 1:) %o$a! : C;L<= 0C$brid ;nline
