5 Metodologias y tendencias

Metodologías y tendencias

Metodología Kimball

• Varias metodologías ayudan a diseñar y construir un data warehouse (DW).
• Los productores intentan aplicar una metodología a su programa.
• Kimball e Inmon son las metodologías más utilizadas.
• El data mart es un repositorio de información más pequeño orientado a un departamento de la organización.
• El DW cubre la totalidad de la organización.
• Kimball se enfoca en el diseño de la base de datos que contendrá la información.
• Las necesidades de cada organización y el compromiso institucional influyen en el tipo de metodología a aplicar.
• Se basa en el ciclo de vida dimensional de la empresa.
• Se fundamenta en cuatro principios básicos: enfoque en el negocio, creación de una infraestructura, cumplimiento en incrementos, ofrecer una solución completa.
• La planeación de proyectos establece el propósito, alcance, objetivos y riesgos del proyecto.
• Para obtener los requerimientos del negocio, realizar entrevistas y sesiones con expertos.
• La "matriz bus" es una herramienta que construye análisis.
• La dimensión resume datos numéricos que serán analizados.
• En las filas tendrá los procesos detallados de negocio y en las columnas las dimensiones reconocidas.
• El proceso iterativo comienza con un modelo de alto nivel basado en los procesos de la matriz.
• El proceso de pruebas tiene cuatro pasos: elegir el proceso, establecer el nivel de granularidad, elegir las dimensiones, identificar las medidas y las tablas de hechos.
• Una vez definidos los atributos, las pruebas se realizan hasta validar el diseño.
• El "modelado dimensional" se convierte en un modelo físico considerando aspectos técnicos.
• El sistema ETL permite extraer datos, aplicar reglas de consistencia y calidad, consolidar información y cargarla en un formato adecuado para su análisis.
• Al finalizar, el proceso ETL permite implementar el data warehouse.
• Es necesario documentar este proceso creando informes cortos, completos, y que sirvan como estándar.

Metodologías PMI

• Tanto el modelo Scrum como el Project Management Institute (PMI) son aplicables a proyectos de inteligencia empresarial, adaptándose a las necesidades de la empresa.
• El PMI es una asociación mundial con individuos certificados en 180 países.
• La metodología de gestión de proyectos PMI incluye ejecución de procesos y áreas de conocimiento.
• Un proyecto se concibe como un proceso con actividades coordinadas hacia un fin específico.
• Las etapas básicas según PMBOK® son:
  • Inicialización
  • Planificación
  • Ejecución
  • Control
  • Cierre
• El proceso se divide en:
  • Procesos de gestión de proyectos (organizar y completar).
  • Procesos orientados al producto (especificar y crear el producto).

Áreas de conocimiento

• Integración
• Recursos Humanos
• Costes
• Alcance
• Tiempo
• Calidad
• Comunicación
• Riesgos
• Adquisiciones

Arquitectura Inmon

• El data warehouse forma parte del sistema de inteligencia empresarial.
• Bill Inmon propone que el data warehouse debe:
  • Estar orientado a temas (procesos de la empresa).
  • Ser integrado (los datos proceden de distintas fuentes con atributos diferentes).
  • Ser no volátil (la información no se modifica).
  • Ser variante en el tiempo (guardar un registro de los cambios a lo largo del tiempo).
• La metodología de Inmon es iterativa y sigue un esquema inverso al desarrollo de sistemas.
• Los data warehouse por departamento son subconjuntos del data warehouse global.
• La orientación global dificulta el desarrollo e implementación.
• Su ciclo de vida comienza con datos de fuentes integradas, continúa con herramientas de lectura y concluye con la definición de requisitos para sistemas de decisiones.
• Consta de cuatro niveles:
  • Nivel de mayor detalle (datos históricos).
  • Nivel de detalle actual (datos activos).
  • Nivel de datos sutilmente resumidos (datos con primera transformación).
  • Nivel de datos muy resumidos (datos agregados específicos para un área)
• El proceso para construir data warehouse:
  • Reconocer los sistemas transaccionales de la empresa.
  • Llenar las primeras tablas del DW para el negocio.
  • Cargar más tablas al DW.
  • Cargar el DW con los datos correctos.
  • Crear data marts por unidad de negocio.
  • Desarrollar nuevos data marts si es necesario.
• La granularidad es el nivel de detalle o resumen de las unidades de datos en el DW; a más detalle, menor granularidad.
• La granularidad influye en el volumen de datos y tipos de consulta.
• Los data warehouse proporcionan flexibilidad y capacidad de conciliar y transformar datos, además de integrar nuevos requisitos.

Data-driven decision modelling

• El concepto de data-driven ('impulsado por datos') mejora el proceso de toma decisiones estratégicas basado en el análisis de datos y su interpretación.
• El DDM permite examinar y organizar los datos de la empresa para mejorar la atención al cliente.
• Para promover acciones, se contextualizan y personalizan mensajes centrados en el cliente.
• El método incluye contribuciones de:
  • Inteligencia Artificial (AI), cómo incorporar la inteligencia humana a las computadoras.
  • Inteligencia Computacional (CI), redes neuronales, sistemas difusos, informática evolutiva y aprendizaje automático.
  • Computación suave (SC), sistemas difusos basados en reglas inducidas a partir de datos.
  • Aprendizaje automático o ML, fundamentos teóricos utilizados por CI y SC.
  • Minería de datos o DM (data mining) y descubrimiento de conocimiento en bases de datos o KDD (knowledge discovery in databases), se asocian con servicios bancarios, financieros y gestión de recursos.
  • Análisis inteligente de datos o IDA (intelligent data analysis), análisis de datos en medicina e investigación.
• DDM utiliza métodos CI, para construir modelos que complementan o reemplazan modelos basados en el conocimiento.
• El proceso de construcción de un modelo DDM sigue principios de recolección y selección de datos, construcción y prueba del modelo.

Tendencias

• La inteligencia empresarial (BI) sigue asombrando por su transformación y fácil manejo.
• Antes de 2008, el mercado de BI había madurado con soluciones de ETL, data warehouse, reporting, cuadro de mandos y OLAP.
• Esto originó una consolidación de mercado (2005-2009):
  • Grandes agentes: amplían su catálogo de soluciones (Oracle, SAP, IBM).
  • Empresas tradicionales: se mantienen con un producto especializado (Information Builders o Microstrategy).
  • Áreas especializadas: son expertas en inteligencia de negocio (data warehouse, integración de datos, análisis visual y dinámico).
  • Empresas open source: cubren todo el proceso ofreciendo soluciones con TCO (Hitachi Vantara y Jaspersoft).
• En 2018, los consultores de Qlick Sense elaboraron un informe con las principales tendencias del año:
  • La alfabetización de los datos adquiere prioridad empresarial y social pues la capacidad de leer, manejar, analizar y replicar con datos es clave.
  • El modelo multinube híbrida: Algunos datos cambian de plataformas por seguridad, costos y rendimiento.
  • El big data, el descubrimiento de datos y la ciencia de datos convergen.
  • Necesidad de interoperabilidad y modelos de negocio centran atención a las API.
  • En la elaboración de informes redefinidos, se tienen en cuenta las necesidades de usuarios con diversos niveles de capacidades.
  • El sistema de inteligencia aumentada convierte a los usuarios en participantes y facilitadores.
• El AI se está convirtiendo en una herramienta para cualquier analista. Habrá una creación de empleo (2.3M) y eliminación de otros (1.8M).
• Existe una tendencia a contratar líderes especialistas en el área de humanidades (Paypal, Pinterest). Un tercio de directores ejecutivos de empresas de Fortune 500 se graduaron en esta área.
• Hacia el 2020, el 50 % de las consultas analíticas será por búsqueda de voz. En 2021, más del 50 % de empresas gastarán en chatbots.
• El 70% de las empresas para el 2019 implementará una estrategia de varias nubes (Gartner).
• Se piensa que en 2020 las empresas migrarán a departamentos de dirección de datos (38 empleados de promedio).
• La sabiduría colectiva proporcionará datos correctos y evitará accesos indebidos.
• Los datos se tratarán con el valor que aumentará incrementalmente (materia prima).
• Se incorporarán personas capaces de ajustar los datos y explorar datos para la toma de decisiones.
• Gartner predice que para el 2020 IoT existirán más de 20 400 millones de dispositivos en línea.
• Las universidades apuestan por programas de análisis y ciencia de los datos. Para el 2021, el 69 % exigirá conocimientos de ciencia de los dato.