1. Inteligencia de Negocios

Business Intelligence (BI) se refiere principalmente al equipo basado en las técnicas utilizadas en la identificación, extracción , y el análisis de los datos de negocio, tales como los ingresos por ventas de productos y / o departamentos, o por los costos asociados y los ingresos.

Tecnologías de BI proporcionan vistas históricas, actuales y predicción de las operaciones comerciales. Funciones comunes de las tecnologías de inteligencia de negocios están reportando, procesamiento analítico en línea , análisis , minería de datos , proceso de minería , procesamiento de eventos complejos , gestión del rendimiento empresarial , benchmarking , minería de textos y análisis predictivo .

La inteligencia de negocios tiene como objetivo apoyar una mejor toma de decisiones empresariales. Así, un sistema de BI puede ser llamado un sistema de apoyo a las decisiones (DSS). A pesar de la inteligencia empresarial a largo plazo a veces se usa como sinónimo de inteligencia competitiva , ya que tanto la toma de decisiones de apoyo, utiliza las tecnologías de BI, los procesos y aplicaciones para analizar en su mayoría internos, datos estructurados y procesos de negocio, mientras que la inteligencia competitiva recoge, analiza y difunde información con un enfoque de actualidad sobre los competidores de la empresa. La inteligencia de negocios entenderse en sentido amplio puede incluir el subconjunto de la inteligencia competitiva.

Business Intelligence y data warehousing

A menudo, las aplicaciones de BI uso de los datos recogidos en un almacén de datos o data mart . Sin embargo, no todos los almacenes de datos se utilizan para inteligencia de negocios, ni todas las aplicaciones de inteligencia empresarial requiere un almacén de datos.
Con el fin de distinguir entre los conceptos de inteligencia de negocios y almacenes de datos, Forrester Research a menudo define la inteligencia de negocios en una de dos maneras:
Utilizando una definición amplia: "Business Intelligence es un conjunto de metodologías, procesos, arquitecturas y tecnologías que transforman datos en información significativa y útil que se usa para permitir más eficaz una visión estratégica, táctica y operativa y la toma de decisiones". Cuando se utiliza esta definición, la inteligencia de negocios también incluye tecnologías como la integración de datos, calidad de datos, almacenamiento de datos, gestión de datos maestros, textos y análisis de contenido, y muchos otros que a veces el mercado de masas en la gestión de la información del segmento. Por lo tanto, Forrester se refiere a la preparación de datos y el uso de datos como dos separados, pero estrechamente vinculados segmentos de la pila de inteligencia de negocios de arquitectura.
Forrester define el mercado de este último, más estrecha de inteligencia de negocios como "sólo se refiere a las capas superiores de la pila de BI arquitectónicos, tales como informes, análisis y cuadros de mando ".

 

 

 

 

 

Inteligencia de negocios y análisis de negocios

Thomas Davenport ha argumentado que la inteligencia de negocio se debe dividir en consultas , informes , OLAP , una "alerta" de la herramienta, y análisis de negocios . En esta definición, análisis de negocios es el subconjunto de BI basadas en las estadísticas, la predicción y optimización. 

Aplicaciones en una empresa

La inteligencia de negocios se pueden aplicar a los siguientes fines comerciales (MARCKM), con el fin de impulsar el valor de negocio:

1. Medición - programa que crea una jerarquía de indicadores de desempeño (véase también el modelo de métricas de referencia ) y de referencia que informa a los empresarios sobre los avances hacia los objetivos de negocio ( Business Process Management ).
2. Analytics - programa que establece los procesos cuantitativos de una empresa para llegar a decisiones óptimas para realizar el descubrimiento y conocimiento del negocio. Con frecuencia se refiere a: la minería de datos , minería de proceso , análisis estadístico , análisis predictivo , modelos de predicción , modelado de procesos de negocios , procesamiento de eventos complejos .
3. Informes / empresa que presenta - el programa que se basa la infraestructura de información estratégica para servir a la gestión estratégica de un negocio, no informes de operaciones. Con frecuencia implica la visualización de datos , sistema de información ejecutiva y OLAP .
4. Colaboración / plataforma de colaboración - programa que se las distintas áreas (tanto dentro como fuera de la empresa) para trabajar juntos a través de intercambio de datos y el intercambio de datos electrónicos .
5. La gestión del conocimiento - programa para hacer que los datos de la empresa impulsada a través de estrategias y prácticas para identificar, crear, representar, distribuir y permitir la adopción de ideas y experiencias que son de conocimiento de negocio real. La gestión del conocimiento lleva a la gestión del aprendizaje y de cumplimiento normativo / cumplimiento .

Además de lo anterior, la inteligencia de negocios también puede proporcionar un enfoque pro-activo, tales como la función de alarma para alertar de inmediato a los usuarios finales. Hay muchos tipos de alertas, por ejemplo, si algún valor de negocio supera el umbral del color de esa cantidad en el informe se vuelve rojo y el analista de negocios es alertado. A veces un mail será enviado al usuario también. Este extremo a otro proceso requiere la gobernabilidad de datos, que debe ser manejado por el experto.

Priorización de proyectos de Business Intelligence

A menudo es difícil establecer un modelo de negocios positivo para las iniciativas de inteligencia de negocios y, a menudo los proyectos tendrán que ser priorizados a través de iniciativas estratégicas. He aquí algunas sugerencias para aumentar los beneficios de un proyecto de BI.

• Según lo descrito por Kimball debe determinar los beneficios tangibles tales como el costo de eliminar la producción de informes anteriores.
• Forzar un acceso a los datos para toda la organización. De esta manera, incluso un pequeño beneficio, como por ejemplo unos minutos salvó, hará una diferencia en lo que se multiplica por el número de empleados en toda la organización.
• Según lo descrito por Ross, Weil y Roberson para Enterprise Architecture, considere dejar que el proyecto BI ser impulsada por otras iniciativas empresariales con casos de negocio excelente. Para apoyar este enfoque, la organización debe tener Enterprise Architects, que será capaz de detectar los proyectos adecuados de negocios.

Factores de éxito de la aplicación

Antes de implementar una solución de BI, vale la pena tomar en cuenta diversos factores antes de proceder. . Según Kimball et al, estas son las tres áreas críticas que es necesario evaluar dentro de su organización antes de prepararse para hacer un proyecto de BI: 

1. El nivel de compromiso y el patrocinio del proyecto de la alta dirección
2. El nivel de actividad necesario para crear una implementación de BI
3. La cantidad y calidad de los datos de negocios.

Datos semi-estructurados y no estructurados

Las empresas a crear una enorme cantidad de información valiosa en forma de correos electrónicos, memorandos, notas de call-centers, noticias, material de los grupos de usuarios, chats, informes, páginas web, presentaciones, archivos de imágenes, archivos de vídeo, y la comercialización y noticias. Según Merrill Lynch, más del 85% de toda la información empresarial que existe en estas formas. Este tipo de información se llaman ya sea de datos semi-estructurados y no estructurados. Sin embargo, las organizaciones suelen utilizar estos documentos sólo una vez. 
La gestión de los datos semi-estructurados es reconocido como un problema importante sin resolver en la industria de tecnología de la información.  Según las proyecciones de Gartner (2003), los trabajadores de cuello blanco pasará de 30 a 40 por ciento de su tiempo a buscar, encontrar y la evaluación de los datos no estructurados. BI utiliza tanto los datos estructurados y no estructurados, pero la primera es fácil de buscar, y el segundo contiene una gran cantidad de la información necesaria para el análisis y la toma de decisiones.  Debido a la dificultad de forma adecuada buscar, encontrar y evaluar los datos no estructurados o semi-estructuradas, las organizaciones no pueden recurrir a estas vastas reservas de información, lo que podría influir en una decisión particular, tarea o proyecto. Esto puede dar lugar a la toma de decisiones mal informadas. 
Por lo tanto, en el diseño de una inteligencia de negocios / DW-solución, los problemas específicos asociados a los datos semi-estructurados y no estructurados se deben acomodar a, así como aquellos para los datos estructurados. 

Los datos no estructurados frente a los datos semi-estructurados

Los datos no estructurados y semi-estructurados tener diferentes significados según el contexto. En el contexto de los sistemas de base de datos relacional, se refiere a datos que no pueden ser almacenados en columnas y filas . Debe ser almacenado en un BLOB (objeto binario grande), un cajón de sastre tipo de datos disponibles en la mayoría de bases de datos relacionales sistemas de gestión.
Pero muchos de estos tipos de datos, como e-mails, archivos de texto de texto, PPT, archivos de imágenes, y archivos de vídeo se ajustan a un estándar que ofrece la posibilidad de metadatos. Los metadatos pueden incluir información como el autor y el momento de la creación, y esto puede ser almacenada en una base de datos relacional. Por lo tanto, puede ser más exacto hablar de esto como documentos semi-estructurados o los datos, pero no hay consenso específica parece haber sido alcanzado.

Problemas con los datos semi-estructurados y no estructurados

Hay varios retos para el desarrollo de BI con datos semi-estructurados. De acuerdo con Inmon y Nesavich, Algunos de ellos son:

1. Acceder físicamente a los datos no estructurados de texto - los datos no estructurados se almacena en una gran variedad de formatos.
2. Terminología - Entre los investigadores y analistas, hay una necesidad de desarrollar una terminología estandarizada.
3. Volumen de datos - Como se indicó anteriormente, hasta el 85% de todos los datos existe como datos semi-estructurados. A esto le añadimos la necesidad de palabra a palabra y el análisis semántico.
4. De búsqueda de datos no estructurados textual - Una simple búsqueda en algunos datos, por ejemplo, manzana, da lugar a enlaces en los que se hace referencia a este término de búsqueda más precisas. (Inmon y Nesavich, 2008) da un ejemplo: "se realiza una búsqueda en el delito de plazo. En una búsqueda simple, el delito se utiliza el término, y en todas partes hay una referencia a delito grave, un golpe a un documento estructurado se hace. Sin embargo, una simple búsqueda es crudo. No encontramos referencias a la delincuencia, incendios, asesinatos, malversación de fondos, homicidio vehicular, y tal, a pesar de que estos crímenes son los tipos de delitos. "

El uso de metadatos

Para resolver los problemas con búsquedas y evaluación de datos, es necesario saber algo sobre el contenido. Esto puede hacerse mediante la adición de contexto a través del uso de metadatos . Muchos de los sistemas ya la captura de algunos metadatos (por ejemplo, nombre, autor, tamaño, etc), pero lo más útil sería la de metadatos sobre el contenido real - por ejemplo, resúmenes, temas, personas o empresas mencionadas. Dos tecnologías diseñadas para la generación de metadatos sobre el contenido son categorización automática y extracción de información .