DuocUC Vicerrectoría Académica PROGRAMA DE ASIGNATURA ESCUELA DE INFORMÁTICA Y TELECOMUNICACIONES CARRERA: INGENIERÍA EN INFORMÁTICA CARRERA CARRERA:: INGENIERÍA INGENIERÍA DE EJECUCI EJECUCI N EN INFORMÁTICA INFORMÁTICA GBI6501
GEST. NEGOCIOS CON BUSINESS INTELLIGENCE
10 créditos 90 Hrs Semestrales
| Requisitos: No tiene | Fecha Actualización: Actualiza ción: 04-AUG-09
I. COMPETENCIAS Y UNIDADES DE COMPETENCIA DE LA ASIGNATURA Las Competencias asociadas a esta asignatura son: •
MODELAR SOLUCIONES DE BUSINESS INTELLIGENCE
Las Unidades de competencia que el alumno deberá demostrar al finalizar el semestre son: Entiende la base conceptual de BI y su aplicación en las Organizaciones Identifica Identifica el modelamiento Business Intelligence para su adecuada implantación implantación Desarrolla modamiento mediante OLAP Identifica aspectos del Performance Management para crear valor en las organizaciones Maneja herramientas de Datawarehousing Dasarrolla modelos de Data Mining • • • • • •
II. UNIDADES DE APRENDIZAJE Las Unidades de competencia se expresan en las siguientes Unidades de Aprendizaje: Unidad de Aprendizaje No:
1
Nombre de la Unidad de Aprendizaje:
CONCEPTOS BÁSICOS DE INTELIGENCIA DE NEGOCIOS
Contenidos Conceptuales 1. Aspectos relativos a la inteligencia de negocios y su aplicación en la toma de decisión: • Distinguir las etapas para la preparación de los datos antes de ser migrados a una DW (extraer, limpiar, transformar, cargar y refrescar) • Permitir efectuar gestión del conocimiento extraído de los datos. • Identificar y aplicar distintos algoritmos en Minería de datos (DM) • Reconocer los distintos usos comerciales de la minería de datos 2. Distintas clasificaciones y ordenamiento de la información. • Árboles de Decisión
Contenidos Procedimentales • Distingue y diferencia entre Data Mining y Data Waresousing y sus principales características. • Reconoce el impacto en la rentabilidad de una Data Warehousing en la organización (ROI) • Modela y analiza los datos para aplicar la Inteligencia de Negocios • Determina con claridad los beneficios que la Inteligencia de Negocios puede aportar a una organización o empresa. • Clasifica la información a través de distintos modelos. • Conoce, gestiona y entiende el significado, técnicas y métodos de Business Intelligence.
• Principio Inductivo • Criterio de Separación • Entropía • Ganancia de Información • Overfitting 3. Modelamiento de relaciones entre una gran cantidad de datos con un objetivo de negocio determinado.
Unidad de Aprendizaje No:
2
Nombre de la Unidad de Aprendizaje:
MODELAMIENTO Y HERRAMIENTAS EN LA MINER A DE DATOS
Contenidos Conceptuales 1. Aspectos relativos a la Data Mining (DM), Data Warehouse (DW), Data Mart y OLAP con un particular enfoque sobre la utilidad de dichos enfoques en la empresa: • Limpieza e integración de datos para confeccionar una DW. • Modelamiento de datos con motores OLAP • Análisis de información obtenida aplicando DM. 2. Distintos modelos para la Minería de Datos: • Modelo Descriptivo • Modelo Predictivo 3. Modelos de DM, analisis e identificación los datos en Clustering, utilizando distintos modelos: • Algoritmo K-Means • Métricas de Distancia 4. Herramientas para efectuar análisis de clustering 5. Exploración visual de datos y su comportamiento, como modelo interpretativo.
Contenidos Procedimentales • Diferencia entre OLAP, Data Mining y Data Waresousing y sus principales características. • Conoce y entiende los conceptos asociados Data warehouse, Data Mart, Data Mining, OLAP • Modela y analiza los datos para aplicar la Inteligencia de Negocios • Determina con claridad los beneficios que la Inteligencia de Negocios puede aportar a una organización o empresa. • Buscar e intentificar datos en Clustering, utilizando algoritmos. • Determina que se puede hacer con la inteligencia de negocios • Utiliza herramientas para hacer Data Mining y Reportes. • Aplica distintas técnicas analíticas y estadísticas sobre una población de datos obtenida del Data Warehouse, con el fin de obtener patrones de comportamiento entre determinados conceptos de información. • Explora visualmente los datos y analiza su comportamiento a través de modelos interpretativos.
RECURSOS BIBLIOGRÁFICOS BIBLIOGRAFÍA OBLIGATORIA Software: http://www.cs.waikato.ac.nz/ml/weka/ Documentación: http://www.dsic.upv.es/~cferri/weka/ Kimball, R. “The data warehouse toolkit : the complete guide to dimensional modeling”, John Wiley & Sons, 2002. Inmon, W.H., “Building the DataWarehouse”, John Wiley & Sons; 3th edition, 2002. Jan H. and Kamber M., “Data Mining”, Morgan Kaufmann, 2001. T. Hastie, R. Tibshirani, and J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2001.
Berry, M. and Linoff, G., “Data Mining Techniques for Marketing, Sales and Customer Support”, Wiley, 1997. BIBLIOGRAFÍA RECOMENDADA Berson, A., Thearling, K., and Smith, S. “Building Data Mining Applications for CRM”, McGraw Hill, 1999. Dyche, J., “e-Data: Turning Data into Information with Data Warehousing”, Addisson Wesley, 2000.