Unidad 2

BASES DE DATOS
PARA LA TOMA DE
DECISIONES

Alejandro García Cepeda

Carlos de Jesús González Rodríguez
Santiago Iván rubio Rodríguez
 2.1.
Base de Datos
Multidimensionales
 Las bases de datos
multidimensionales son un tipo de
base de datos optimizada para Data
Warehouse que se utilizan
principalmente para
crear aplicaciones OLAP.

3
 Las bases de datos multidimensionales
se caracterizan por los siguientes
atributos:

 Se basan en  En las tablas

la creación de multivaluadas se
aplicaciones OLAP y almacenan registros
pueden verse como referidos bien a las 4
bases de datos dimensiones de la
contenidos en una sola misma o a las métricas
tabla. que se desean
analizar.

 Las tablas del modelo

multidimensional se
asimilan a un
hipercubo.
 Una base de datos
multidimensional presenta
varias ventajas:

Utiliza un espacio en disco

Tiene mejores prestaciones sirviendo necesidades al 5

usuario

Garantiza un rendimiento superior

Soporta un acceso, directo, eficiente y rápido

 Una base de datos
multidimensional presenta
varias Desventajas:

El tiempo de procesamiento de los datos es alto

La escalabilidad disminuye a medida que aumenta

el número de dimensiones 6
La flexibilidad de una base de datos
multidimensional es muy baja

El alcance del diseño es limitado

 En conclusión, la finalidad principal de las bases
de datos multidimensional es reagrupar,
organizar y ordenar informaciones o datos, que
provienen de fuentes diversas, para así
almacenarlas y realizar un análisis de la
información lo más rápidamente posible. 7
2.1.1
 Un Data Warehouse es Los datos de un data
un almacén electrónico warehouse deben
donde generalmente almacenarse de forma
una empresa u segura, fiable, fácil de
organización mantiene recuperar y fácil de
una gran cantidad de administrar
información.
Agrupamientos. Histórico.

Se dice que un Datawharehouse tiene

cinco características clave que lo
definen:

Persistencia.
Integrado.

Seguridad.
 ¿Cuáles son sus Procesos?

 Extracción  Este es el primer paso de obtener

la información hacia el ambiente
del Data WareHouse.
 Una vez que la información es
 Transformación extraída hacia el área de tráfico
de datos, hay posibles paso de
transformación como; limpieza
de la información.
 Carga  Al final del proceso de
transformación, los datos están
en forma para ser cargados.
 Importancia 12
de la Nube.

Mayor agilidad Mejor control

de costes

Co-localización
Mejora de la En torno al big data, las empresas buscan
aprovechar los nuevos flujos de datos y

agilidad nuevos tipos de análisis para apoyar e

impulsar nuevas áreas, tales como:
análisis predictivo, detección de
fraude, análisis de IoT y el
establecimiento de los datos como
centro de beneficio.

Es más rápido, más fácil y más eficiente

iniciar estos nuevos proyectos
centrados en los datos utilizando los
servicios en la nube.
Mayor control Muchos equipos de TI están buscando

de costes maneras de consolidar los data marts

existentes, cada uno ejecutándose en
hardware dedicado o incluso en
hardware propietario, en un único
entorno integrado.
 Co-
Localización La mayoría de los data warehouses
generan datos directamente
desde aplicaciones clave, como
entrada de pedidos, ventas,
finanzas y fabricación. Por lo
tanto, tiene mucho sentido
ubicar conjuntamente el data
warehouse junto con los sistemas
fuente que ya se estén
ejecutándose en la nube
2.1.2 Data
Mart
Data Mart es un modelo
multidimensional basado
en tecnología OLAP que representa
a un área específica de la empresa,
incluyendo las variables claves y los
indicadores para el proceso de
toma de decisiones

Es un sistema orientado a la consulta,

cuya distribución interna de los
datos es clara y no hay dudas al
respecto, estando éstos
estructurados en modelos
dimensionales.
 Es preciso encontrar la estructura óptima

Como crear para el análisis de su información,

estructura que puede estar montada
sobre una base de datos OLTP, como el

un Data Mart
propio datawarehouse, o sobre una
base de datos OLAP
Tipos de Data Mart
 Data mart OLAP
 Se basan en los
populares cubos OLAP, que
se construyen agregando,
según los requisitos de cada
área o departamento, las
dimensiones y los
indicadores necesarios de
cada cubo relacional
 Data mart OLTP
 Pueden basarse en un simple
extracto del datawarehouse,
no obstante, lo común es
introducir mejoras en su
rendimiento (las agregaciones
y los filtrados suelen ser las
operaciones más usuales)
aprovechando las
características particulares de
cada área de la empresa.
Ventajas del DataMart 20

 Poco volumen de datos

 Mayor rapidez de consulta
 Consultas SQL
 Validación directa de la
información
 Facilidad para la
historización de los datos
 Características de los Data Mart 21

 Son poblados por usuario finales

Se actualizan constantemente
Contiene información detallada
Escalable
Análisis Data Mart 22

 Analizar factores que conduce el negocio

 Analizar los objetivos del negocio
 Analizar las necesidades la información alto nivel
 Recolectar información de procesos
 Identificar áreas criticas
 Identificar roles de personas
23
 24

2.1.3 sistemas OLTP

¿Qué es un sistema OLTP 25

 Procesamiento de Transacciones en Línea. Estos procedimientos

facilitan la gestión de aplicaciones transaccionales para la
entrada de datos, la recuperación y el procesamiento.

 Dichos sistemas los suelen utilizar empresas que disfrutan de una

red informática distribuida, como los agentes responsables de la
cadena de suministro, aerolíneas, entidades bancarias, la industria,
etc.

 Utilizan la arquitectura cliente/servidor.

OLTP 26

 Las aplicaciones de OLTP se

suelen utilizar para almacenar
nuevos datos o actualizar los ya
existentes, y en sistemas con
numerosos usuarios, con
consultas y actualizaciones
frecuentes y que requieren
tiempo de respuesta rápidos
 27

BENEFICIOS DE OLTP
La simplicidad y la optimización de 28

la tecnología OLTP
 La capacidad de optimizar y simplificar la
administración de transacciones es uno
de los beneficios más destacados para
las empresas que cuentan con un sistema
de Procesamiento de Transacciones en
Líneas
Eficiencia y mayor satisfacción 29

para los clientes

 Otra de las ventajas más importantes que aporta el OLTP es acerca
de la eficiencia, ya que amplía la base de consumidores, y cada
proceso se lleva a cabo de una manera mucho más rápida, por lo
que el desarrollo de las transacciones tienen lugar de una manera
mucho más eficaz
Mayor efectividad en la resolución 30
de problemas
 Por último, el procesamiento OLTP proporciona otras ventajas
como la prevención de problemas o anomalías de actualización,
reduce el esfuerzo requerido para llevar a cabo modificaciones de
aplicaciones y asegurar la consistencia de los datos que se
emplean en las transacciones.
Operaciones del sistema OLTP 31

 Altas/bajas/modificaciones.
 Consultas rápidas y predecibles.
 Poco volumen de información.
 Transacciones rápidas.
 Gran nivel de concurrencia.
 Modo de actualización on-line.
 Baja redundancia de datos
 32

2.1.4 sistemas OLAP

 33

 Procesamiento analítico en línea(On-Line Analytical

Processing) cuyo objetivo es agilizar la consulta de
grandes cantidades de datos. Para ello utiliza estructuras
multidimensionales (o Cubos OLAP) que contienen datos
resumidos de grandes Bases de datos o Sistemas
Transaccionales (OLTP).

 Sin embargo, es importante subrayar que si bien los

cubos OLAP son muy ventajosos en cuanto a rapidez y
procesamiento, no es posible modificar la estructura de
estas bases de datos multidimensionales
 34

 Los cubos OLAP tienen un número indefinido de dimensiones, razón

por la cual también reciben el nombre de hipercubos.
 Un cubo OLAP contendrá datos de una determinada variable que
se desea analizar, proporcionando una vista lógica de los datos
provistos por el sistema de información hacia el data warehouse,
esta vista estará dispuesta según unas dimensiones y podrá
contener información calculada.

El análisis de los datos está basado en las dimensiones del
hipercubo, por lo tanto, se trata de un análisis multidimensional.
 35

Este análisis suele implicar,

generalmente, la lectura de grandes
cantidades de datos para llegar a
extraer algún tipo de información útil:
tendencias de ventas, patrones de
comportamiento de los consumidores,
elaboración de informes complejos…
etc.
OLAP 36

 Se puede utilizar para minería de

datos o para el descubrimiento
de relaciones antes no
conocidas entre datos. Una
base de datos OLAP no necesita
ser tan grande como una
bodega de datos, dado que no
toda la información
transaccional se requiere para el
análisis de tendencias.
Características de OLAP 37

 Las herramientas de OLAP presentan al usuario una visión

multidimensional de los datos (esquema multidimensional) para
cada actividad que es objeto de análisis.
 El usuario formula consultas a la herramienta OLAP seleccionando
atributos de este esquema multidimensional sin conocer la estructura
interna (esquema físico) del almacén de datos.
 La herramienta OLAP genera la correspondiente consulta y la envía
al gestor de consultas del sistema.
 38

Usos Comunes de OLAP

Sistemas de información 39

ejecutivos.
 Los usuarios y los administradores generalmente de mandos altos y
medios, reciben la información sobre los indicadores de
funcionamiento dominantes del negocio y de las excepciones o
las variaciones según sea de patrones y de estándares
preestablecidos

OLAP en EIS
 Alertas.
 Toma de decisiones.
Aplicaciones financieras. 40

 Para diversos usos de tipo financiero se utilizan las bases de datos

de OLAP como ser para comunicar, planear, y analizar. Los
ejemplos de usos financieros incluyen la comunicación, análisis del
mes-cierre, análisis de lo beneficioso del producto, los presupuestos
y pronóstico.

OLAP en la Actividad Financiera

 Reportes analíticos.
 Planeamiento.
 Análisis.
Ventas y aplicaciones de 41

Marketing.
 Existen diferentes formas de llegar a los clientes para alcanzar los
objetivos de venta y de comercialización propuestos. Por esto, la
utilización de sistemas OLAP, donde es importante contar con
información organizada de manera rápida, es aconsejable. Los
ejemplos incluyen análisis de la facturación, análisis de producto,
análisis del cliente, y análisis de ventas regional.

OLAP en el Marketing
 Análisis de productos.
 Análisis de Clientes.
 Análisis de Facturación.
Diferencias entre OLAP y OLTP 42
43
 44
 Los dos se centran en cosas completamente diferentes. OLTP se
enfoca en hacer el trabajo y OLAP en analizar los resultados del
trabajo.

 Un sistema OLTP puede tener miles de millones de registros por lo

que intentar ejecutar informes en un sistema OLTP es malo ya que
podríamos ralentizarlo o hacer que deje de funcionar. Los sistemas
OLTP suelen ser de misión crítica para el negocio y no es
conveniente sobrecargarlos.

 Ahí es donde entra la tecnología OLAP. Podemos coger los datos

del sistema OLTP y cargarlos en nuestro sistema OLAP, y cuando
hablamos de OLAP nos estamos refiriendo realmente a una base de
datos multidimensional
45
 46

2.1.5 Operaciones analíticas básicas

de los sistemas OLAP
2.1.5 Operaciones analíticas básicas 47

de los sistemas OLAP

Las herramientas OLAP (onLine Analitical Processing) tienen como
objetivo fundamental soportar las consultas “ad-hoc”(consultas en bases
de datos). Trabajan con grandes volúmenes de datos.
 Están optimizados para la manejar términos de negocio (dimensiones
geográficas, dimensiones de tiempo).
 Están combinados con capacidades de generación de informes.
 Trabajan con bases de datos dimensionales.
Operaciones básicas de OLAP 48

 Existen cuatro tipos básicos de operaciones en OLAP para el

análisis de datos. Las operaciones conocidas como “drill down”
y “roll up” básicamente van ha definir el nivel de granularidad
con la que queremos analizar los datos, mientras que las
operaciones “slice” y “dice” nos permitirán navegar entre las
dimensiones.
Drill down y Roll up 49

 Las operaciones “drill down” y “roll up” son utilizadas para

mover la vista hacia y desde un mayor nivel de detalle a un
menor nivel de detalle. Para cada caso, hacia un mayor nivel
de detalle realizamos un “drill down”, mientras que para un
menor nivel de detalle realizamos un “roll up”.
Slice y Dice 50

 Las operaciones de Slice (trocear) y dice (dado) se corresponden a las

operaciones para la visualización de los datos a través del cubo.
 Las operaciones de Slice y dice realizan el proceso de separar y combinar
los datos de infinitas maneras.
 La operación dice, rota el cubo hasta una nueva perspectiva, para que los
usuarios puedan ver los datos desde diferentes perspectivas en su análisis
de los datos.
51
 52

2.1.6 vista de datos de los sistemas

OLAP
La vista de los datos como un cubo es una 53
extensión natural de cómo la mayoría de
los usuarios de negocios interactúan.
Los usuarios de negocios desean poder
analizar un conjunto de números usando
cualquier par de estos componentes, como
así también poder intercambiarlos para
lograr distintas vistas.
 Un ejemplo podría ser el siguiente: la
mayoría de los usuarios desearían ver
cómo se desarrollan las ventas a lo largo
del tiempo. Para ello, se necesitan varias
hojas de la planilla de cálculo. Estas
mismas celdas de datos pueden ser
visualizadas mediante un cubo.
 Dado que las celdas de datos pueden ser fácilmente 54
representadas en un cubo, se puede tomar rebanadas
del mismo para responder a una diversidad de
preguntas. Esta Idea es esquematizada en la siguiente
figura:
2.1.7 Modelos de datos de los 55

sistemas OLAP
Existen tres modelos de almacenamientos:
• MOLAP
• ROLAP
• HOLAP
MOLAP – OLAP multidimensional 56

 Para optimizar los tiempos de respuesta, el resumen de la

información es usualmente calculado por adelantado. Estos
valores precalculados o agregaciones son la base de las
ganancias de desempeño de este sistema.
57
ROLAP 58
 Son sistemas en los cuales los datos se encuentran almacenadas
en una base de datos relacional. Típicamente, los datos son
detallados, evitando las agregaciones y las tablas se encuentran
normalizadas.
HOLAP – OLAP Híbrido 59

Estos sistemas mantienen los registros detallados en la base de

datos relacional, mientras que los datos resumidos o agregados
se almacenan en una base de datos multidimensional separada.
60
Bibliografia: 61

 http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-
56092006000300016
 https://topicoss.wordpress.com/2010/04/28/definiciones-de-
olapmolaprolap/
 http://disi.unal.edu.co/~eleonguz/cursos/md/presentaciones/Sesio
n4-OLAP.pdf
 https://es.slideshare.net/GustavoHernandez10/data-mart