Business Intelligence (BI): Conceptes Clau i Components Essencials

Business Intelligence (BI): Objectiu

La Business Intelligence (BI) té com a objectiu principal transformar les dades brutes de l'empresa en informació útil i valuosa, per tal de distribuir-la eficaçment al llarg de tota la cadena de valor de l'organització.

Beneficis de la Business Intelligence

• Cercle Virtuós de la informació, millorant la presa de decisions.
• Visió única i consolidada del negoci.
• Definició i seguiment de Mètriques Clau (KPIs - Key Performance Indicators).
• Agregació de dades per a una anàlisi més profunda.
• Millor integració de sistemes i dades.
• Augment de la competitivitat empresarial.

Components Clau de la BI

• Processos ETL (Extracció, Transformació i Càrrega) per alimentar el DW.
• Magatzem de Dades (Data Warehouse - DW).
• Eines analítiques (amb capacitat de càlcul i consultes complexes).
• Eines de visualització (informes, quadres de comandament).

Processos ETL (Extracció, Transformació i Càrrega)

• Consum de temps: Representen aproximadament el 60% del temps total d'un projecte BI.
• Eines: Faciliten l'extracció de dades de les fonts, la seva transformació i la càrrega al Data Warehouse (DW).
• Fases:
  • Extracció: Recuperar les dades de les fonts originals.
  • Transformació: Netejar, validar i estructurar les dades en models adequats.
  • Càrrega: Introduir les dades transformades al DW.
• Resultat: Dades consistents, integrades i útils per a l'anàlisi.
• Actualització: Permeten afegir noves dades al DW de forma periòdica.

Magatzem de Dades (Data Warehouse - DW)

Un Data Warehouse és un repositori de dades orientades a un tema específic, integrades, variants en el temps i no volàtils, que proporcionen una visió global i comuna de les dades de l'organització.

Característiques del DW:

• Integració: Dades unificades de diverses fonts.
• Orientació al tema: Enfocat en àrees de negoci específiques.
• Franja temporal: Permet l'anàlisi històrica de dades.
• No volatilitat: Les dades no s'eliminen ni es modifiquen un cop carregades.

Components principals del DW:

• Taula de fet: Representa un procés de negoci i conté les mètriques.
• Dimensió: Representa una vista o context del procés de negoci (ex: temps, producte, client).
• Mètrica: Indicadors quantificables del procés de negoci.

Metadades

Les metadades són "dades sobre les dades". Descriuen les característiques d'altres dades i faciliten la seva administració i ús.

Ús de les Metadades:

• Emmagatzemar dades.
• Definir la forma d'emmagatzemar.
• Establir el significat de les dades.
• Informació de seguretat i polítiques d'accés.

Utilitat per a:

• Equip de desenvolupament del DW.
• Tècnics de manteniment del sistema.
• Usuaris finals.

Tipus de Metadades:

• De construcció: Descriuen l'estructura de les fonts de dades.
• De gestió: Indiquen usuaris permesos i tipus d'accés.
• D'ús: Selecció de metadades de construcció i gestió per a un propòsit específic.

Exemples: extensió d'un document, codi de seguretat bancari.

Datamart

Un Datamart és un subconjunt del Data Warehouse (DW).

• Estan enfocats a un departament concret o a usuaris d'un determinat nivell organitzatiu.
• Emmagatzemen informació d'un nombre limitat d'àrees de negoci.

Eines OLAP (Online Analytical Processing)

Les eines OLAP permeten l'anàlisi multidimensional de dades.

• Estan estructurades en cubs OLAP amb 3 components principals:
  • Dimensions: Categories per analitzar les dades (ex: temps, producte, regió).
  • Mesures o indicadors: Valors numèrics a analitzar (ex: vendes, beneficis).
  • Nivells d'agregació: Diferents granularitats de les dades.
• Els cubs OLAP estan associats a les taules de fet del DW.

Quadre de Comandament (Dashboard)

Un quadre de comandament és un sistema que informa de l'evolució dels paràmetres fonamentals del negoci, organització, àrea o departament.

• Sol incloure molts gràfics i visualitzacions.
• Conté aspectes clau del negoci.
• Pot incloure elements interactius per a una anàlisi més profunda.

Data Mining (Mineria de Dades)

El Data Mining consisteix a trobar tendències i correlacions en grans volums de dades per solucionar i preveure problemes de negoci.

• Utilitza algorismes de processament de dades complexos per conèixer millor els clients i el mercat.
• Tècniques comunes:
  • Arbres de decisió
  • Regressions lineals
  • Agrupament (Clustering)