Niveles de analítica y jerarquía de datos

Curso de Data Warehousing y Modelado OLAP

Contenido del curso

No sé dónde empezar

Introducción a BI y Data Warehouse

Modelos dimensionales

ETL para inserción en Data Warehouse

Cierre

26
De datos crudos a modelo dimensional listo
01:18 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:003:20

Niveles de analítica y jerarquía de datos

Curso de Data Warehousing y Modelado OLAP

Clase 2 de 26

Clase 2 / 26

Recursos

Entender los niveles de analítica y la jerarquía de los datos es lo que separa a una empresa que reacciona de una que decide con criterio. Aquí verás cómo se ubica la inteligencia de negocios dentro de esos niveles, qué tipos de analítica existen y cómo un dato suelto se transforma en sabiduría que mueve al negocio.

¿Qué tipos de analítica existen en inteligencia de negocios?

No toda la analítica trabaja igual. Algunas miran al pasado, otras intentan adivinar el futuro y otras te dicen qué mover para que algo pase. Esa diferencia define cuánto valor genera y cuánta complejidad implica implementarla.

¿Qué es la analítica descriptiva y de diagnóstico?

La analítica descriptiva y la analítica de diagnóstico se enfocan en analizar el pasado. Escarban en datos históricos para encontrar patrones y explicar qué pasó y por qué pasó [00:34].

Aquí es donde se ubica Business Intelligence. Toma los datos del ayer, los organiza y te entrega información para que puedas decidir hoy con base en lo que ya ocurrió.

¿Dónde se ubica Business Intelligence dentro de los niveles de analítica? Business Intelligence pertenece a la analítica descriptiva, porque trabaja con datos del pasado para hallar patrones y soportar decisiones.

¿Qué hacen la analítica predictiva y la prescriptiva?

La analítica predictiva usa machine learning y modelos analíticos para clasificar información y anticipar comportamientos futuros. Genera mayor valor al negocio, pero también exige mayor complejidad técnica para implementarla [01:10].

La analítica prescriptiva va un paso más allá: busca entender cómo, al alterar un atributo dentro de tus datos, puedes provocar un comportamiento esperado. Es decir, no solo predice, sino que te dice qué palanca mover [01:35].

Descriptiva: qué pasó.
Diagnóstica: por qué pasó.
Predictiva: qué va a pasar.
Prescriptiva: qué hacer para que pase lo que quieres.

¿Cómo se convierten los datos en conocimiento y sabiduría?

Los datos por sí solos no sirven. Su valor aparece cuando los agrupas, los analizas y, sobre todo, cuando actúas con ellos. Esa progresión tiene una jerarquía clara.

¿Cuál es la jerarquía de los datos?

La jerarquía va así: dato, información, conocimiento y sabiduría. Un dato se vuelve información cuando lo agrupas con otros datos de diferentes fuentes. Esa información se convierte en conocimiento cuando le aplicas análisis. Y se vuelve sabiduría cuando ejecutas una acción basada en ese conocimiento [02:00].

¿Cuál es la diferencia entre dato e información? Un dato es un valor aislado sin contexto. La información aparece cuando agrupas varios datos y les das un marco que los hace interpretables.

¿Cómo se ve esto con un ejemplo real?

Piensa en el número 39 grados centígrados. Solo. Aislado. No te dice absolutamente nada [02:30].

Ahora súmale contexto: 39 grados centígrados de temperatura corporal en un paciente. Ya tienes información, no un simple dato.

Si además sabes que esa temperatura indica una infección y que el 60% de la población presenta esos síntomas, ya tienes conocimiento. Y si con ese conocimiento decides comunicar que los síntomas se asocian a un virus altamente transmisible y defines acciones concretas, ahí aparece la sabiduría [03:00].

¿Por qué la acción es lo que da valor a los datos?

Todo el proceso de transformar, enriquecer y centralizar datos pierde sentido si no ejecutas algo con el resultado. Si no actúas, no ves el valor. Es así de directo.

Desgastarte cambiando datos, enriqueciéndolos y almacenándolos en un repositorio central solo tiene sentido cuando ese conocimiento se traduce en una decisión concreta dentro del negocio [03:45].

¿Por qué no basta con tener datos almacenados? Porque el valor no está en almacenar, sino en ejecutar. Sin acción, el proceso de transformación de datos no genera retorno para el negocio.

En la siguiente clase vas a ver qué es un data warehouse, qué es data warehousing y qué es un data mart, las piezas que hacen posible toda esta cadena de valor. ¿Cómo aplicarías esta jerarquía en tu trabajo actual? Cuéntamelo en los comentarios.

Mario Alexander Vargas Celis

Hace 2 años

Niveles de Analítica

La analítica de datos puede dividirse en diferentes niveles, dependiendo de la complejidad y el tipo de preguntas que busca responder. Estos niveles son:

Analítica Descriptiva (¿Qué pasó?)
- Propósito: Resumir y entender eventos pasados.
- Ejemplo: Informes de ventas, análisis de desempeño, gráficos de tendencias.
- Herramientas comunes: Dashboards, reportes, herramientas de BI (Power BI, Tableau).
Analítica Diagnóstica (¿Por qué pasó?)
- Propósito: Identificar las causas detrás de los eventos.
- Ejemplo: Análisis de la disminución de ventas en una región específica.
- Técnicas utilizadas: Análisis de correlación, minería de datos, análisis causal.
Analítica Predictiva (¿Qué pasará?)
- Propósito: Predecir eventos futuros basados en patrones históricos.
- Ejemplo: Predicción de demanda de productos o tendencias de mercado.
- Herramientas comunes: Modelos estadísticos, machine learning (Python, R, TensorFlow).
Analítica Prescriptiva (¿Qué debería hacerse?)
- Propósito: Recomendar acciones para obtener los mejores resultados.
- Ejemplo: Proponer estrategias de precios dinámicos para maximizar ganancias.
- Técnicas utilizadas: Optimización, simulación, aprendizaje reforzado.
Analítica Cognitiva (¿Cómo puedo hacer que ocurra automáticamente?)
- Propósito: Integrar inteligencia artificial para decisiones automatizadas.
- Ejemplo: Motores de recomendación, chatbots inteligentes.
- Herramientas comunes: Inteligencia Artificial, NLP (Procesamiento de Lenguaje Natural).

Jerarquía del Conocimiento

La jerarquía del conocimiento, conocida como DIKW (Data, Information, Knowledge, Wisdom), explica cómo se transforman los datos en conocimiento aplicable y sabiduría:

Datos (Data):
- Definición: Hechos y cifras crudos sin contexto ni interpretación.
- Ejemplo: "2024-11-23", "23°C".
- Propósito: Materia prima para el análisis.
- Clave: Los datos no tienen significado por sí mismos.
Información (Information):
- Definición: Datos procesados y organizados para que sean útiles.
- Ejemplo: "La temperatura actual en Bogotá es 23°C".
- Propósito: Proporcionar contexto y relevancia a los datos.
Conocimiento (Knowledge):
- Definición: Información aplicada y combinada con experiencia o comprensión.
- Ejemplo: "La temperatura promedio en noviembre en Bogotá es 20°C, por lo que 23°C es inusualmente cálido".
- Propósito: Permitir tomar decisiones basadas en comprensión.
Sabiduría (Wisdom):
- Definición: Uso de conocimiento para tomar decisiones estratégicas y resolver problemas complejos.
- Ejemplo: "Debido al aumento de temperaturas, se deben implementar políticas para mitigar el cambio climático".
- Propósito: Orientar acciones éticas, estratégicas y de alto impacto.

Relación entre niveles de analítica y jerarquía del conocimiento

La analítica descriptiva corresponde a transformar datos en información.
La analítica diagnóstica y predictiva ayudan a convertir información en conocimiento.
La analítica prescriptiva y cognitiva contribuyen a tomar decisiones basadas en sabiduría.

Ambos enfoques son esenciales para entender y usar datos estratégicamente en una organización.

Introducción a BI y Data Warehouse

Qué es Business Intelligence y Data Warehousing

Niveles de analítica y jerarquía de datos

Qué son data warehouse, data mart y dimensiones

OLTP vs OLAP: diferencias clave

Inmon, Kimball y Hefesto en BI

Modelos dimensionales

Data Warehouse, Data Lake y Lakehouse

Modelo estrella vs copo de nieve en datos

Tipos de dimensiones lentamente cambiantes

Dimensión tipo 1: sobrescribir sin guardar historia

Dimensión tipo 2

Dimensión tipo 3: historia en columnas

Tabla de hechos (fact)

Configuración de herramientas para Data Warehouse y ETL

Cómo extraer dimensiones de preguntas de negocio

Diseño de tablas en un modelo dimensional

ETL para inserción en Data Warehouse

Documento de mapeo en ETL para data warehouse

Creando tablas dimensionales en Redshift

Extracción: querys en SQL

Cruce de fuentes en Pentaho con Stream Lookup

Transformación ETL con Pentaho paso a paso

Carga de datos transformados a Redshift con Pentaho

Cómo cargar la tabla de hechos con Pentaho

Cómo calcular MaxID y MaxDate en Pentaho

Orquestar ETL en Pentaho: job

Solución ETL con dimensiones en paralelo en Redshift

Cierre

De datos crudos a modelo dimensional listo

Niveles de analítica y jerarquía de datos

Progreso del curso

Introducción a BI y Data Warehouse

Modelos dimensionales

ETL para inserción en Data Warehouse

Cierre

Recursos

Recursos