Plan de la asignatura Fundamentos de inteligencia de negocios

I. Identificación
Código 190176
Sección 01
Prerrequisitos (16) Administración de Bases de Datos
Unidades Valorativas 4
Horas teóricas semanales 4
Horas prácticas semanales 1
Duración de la hora clase 50 min.
Docente responsable Silvia Ortiz
sortiz@uca.edu.sv
Horario de atención: martes y jueves 2pm a 6pm
Oficina #3, 2da Planta Edificio Jon de Cortina
Instructor Nombre DEL INSTRUCTOR: Oscar Efraín Martínez Escobar
00038814@uca.edu.sv
Horario de atención: Lunes y miércoles 1:00 a 3:00 pm
Laboratorios DEI

II. Descripción de la asignatura

En esta materia el estudiante conoce los componentes de un sistema de Inteligencia de negocios
como una herramienta para aumentar el valor de los datos acumulados por una entidad a través de
sus operaciones. Se estudia diferentes componentes: desde la extracción de los datos de diferentes
fuentes, la interpretación analítica de los datos y algunas herramientas de presentación de la
información.

III. Objetivos de aprendizaje

 Conocer las oportunidades de implementación de inteligencia de negocios en una empresa.
 Identificar los componentes de un sistema de inteligencia de negocios
 Aplicar técnicas de modelado de datos dimensionales.
 Conocer técnicas de minería de datos y cuadro de mandos

IV. Contenidos
 Generalidades de la estructura organizacional
 La base de datos relacional en la inteligencia de negocios
UNIDAD 1: INTRODUCCIÓN
1.1. Conceptos Generales
1.2. Datos vs. Información vs. Conocimiento.
1.3. ¿Qué es Inteligencia de Negocios (BI)?
1.4. Para qué sirve el BI
1.5. Beneficios del el BI
1.6. ¿Quiénes ocupan BI y para qué?
1.7. Aplicaciones: Data Warehouse, Data Mart, Explotación de Datos, Data Mining, Balanced
ScoreCard, etc.
1.8. Inversión en BI.
UNIDAD 2. DATA WAREHOUSE
2.1 Definición y Características del Data Warehouse.
2.2 Arquitectura del Data Warehouse.
2.3 Beneficios del Data Warehouse.
2.4 Data Warehouse vs. Data Marts.
2.5 Cómo iniciar un proyecto de Data Warehouse.
2.6 Etapas de un proyecto:

UNIDAD 3. ANÁLISIS MULTIDIMENSIONAL

3.1 Modelo Dimensional vs. Modelo Relacional.
3.2 Esquema Estrella y Esquema Copo de Nieve:.

UNIDAD 4. EXTRACCIÓN DE DATOS

4.1 Definición Extracción, Transformación y Carga (ETL).
4.1 Características: Mapeo de Datos. Estandarización y limpieza de datos. Calidad de datos.

UNIDAD 5. EXPLOTACIÓN DE DATOS

5.1. Diseño de reportes.
5.2. Cubos OLAP.
5.3. ROLAP vs. MOLAP.
5.4. Herramientas de BI disponibles en el mercado.

UNIDAD 6. DATA MINING

6.1. Definición y características.
6.2. Técnicas más utilizadas.
6.3. Proceso de descubrimiento de conocimiento en bases de datos.
6.4. Tipos de análisis.

UNIDAD 7. BALANCED SCORECARD (CUADROS DE MANDO)

7.1. Definición y características.
7.2. Ejemplos de aplicación (Cuándo utilizarlo).
7.3. KPI.
 V. Sistema de evaluación
Evaluación Porcentaje Contenido a evaluar Fechas de
de la nota evaluación
Final
Primer 25  La base de datos relacional en la inteligencia de 24 Abril
Examen negocios 2019
Parcial INTRODUCCIÓN
1.1. Conceptos Generales
1.2. Datos vs. Información vs. Conocimiento.
1.3. ¿Qué es Inteligencia de Negocios (BI)?
1.5. Beneficios del el BI
1.6. ¿Quiénes ocupan BI y para qué?
1.7. Aplicaciones: Data Warehouse, Data Mart, Explotación
de Datos, Data Mining, Balanced ScoreCard, etc.
1.8. Inversión en BI.
Taller 10 Análisis de datos, Dashboard, tablas dinámicas. 22 de mayo
evaluado 2019
Análisis de
datos

Segundo 25 DATA WAREHOUSE 29 de mayo

Examen 2.1 Definición y Características del Data Warehouse. 2019
Parcial 2.2 Arquitectura del Data Warehouse.
2.4 Data Warehouse vs. Data Marts.
2.5 Cómo iniciar un proyecto de Data Warehouse.
2.4 Data Warehouse vs. Data Marts.
2.5 Cómo iniciar un proyecto de Data Warehouse.
3.1 Modelo Dimensional vs. Modelo Relacional.
3.2 Esquema Estrella y Esquema Copo de Nieve.

Práctica de 10 Análisis de datos, Dashboard, tablas dinámicas. 3 junio

análisis de 2019
datos
virtual
Caso de 30 EXTRACCIÓN DE DATOS 3 de julio
estudio: 4.1 Definición Extracción, Transformación y Carga (ETL).
Aplicando 4.2 Características: Mapeo de Datos. Estandarización y limpieza
inteligencia de datos .Calidad de datos.
EXPLOTACIÓN DE DATOS
de negocios
5.1. Diseño de reportes.
5.2. Cubos OLAP.
5.3. ROLAP vs. MOLAP.
5.4. Herramientas de BI disponibles en el mercado.
Total 100%
VI. Metodología
 Clases expositivas participativas: Exposición de la clase, discusión y ejemplos aplicados a
empresas.
 Resolución de problemas.
 Estudio de casos para análisis grupal e individual
 Desarrollo de curso virtual “Introducción al análisis de datos”
 Taller práctico
Sobre las clases
 Las clases en el aula son teóricas/prácticas participativas.
 El curso en línea es individual.
 Se realizaran 1 taller como apoyo al curso en línea.
 Para participar en el taller el estudiante deberá tener el 75% de avance en el curso en línea.

Sobre los exámenes parciales y examen final

 El Primer y segundo examen parcial serán teóricos prácticos individual.
 Taller evaluado sobre temas del curso en línea.
 Resolución de Caso Estudio: Aplicar los componentes de inteligencia de negocios para la
resolución de un caso empresarial. Trabajo grupal y defensa final práctica/individual

Sobre Caso de estudio

Resolución de un caso de estudio: Instalación de la herramienta SQL server data tolos (SSDT),
creación del modelo y visualización de dashboard utilizando una base de datos en SQL

Datos generales de entrega

Fecha de entrega: 26 de junio de 2019
Productos esperados: Presentación Modelo dimensional y un dashboard. (15%)
Defensa final individual: 3 de julio de 2019 (15%)

VII. Políticas
Asistencia
 Se anima a asistir a todas las clases y discusiones, aunque la asistencia no es obligatoria.
 Se recomienda asistir a los exámenes en las fechas establecidas. Si no asiste deberá presentar
en el término de tres días hábiles, después de la fecha fijada por el decanato, la solicitud de
examen diferido en línea, el Decano la aprobará si encuentra razones de fuerza mayor (Art.
110 del RAA). Las fechas de los exámenes diferidos son establecidos por el Decanato de
ingeniería y arquitectura.
 La llegada tarde al examen deberá ser justificarla ante el docente y queda a discreción de este
recibirlo. En caso de recibirlo solo podrá darle el tiempo restante.
 Copia, fraude o plagio
 En caso de plagio, copia o fraude en una evaluación, la sanción a aplicar será la
amonestación escrita, y como consecuencia de la falta, la evaluación ilícitamente realizada
por el estudiante será invalidada (nota de cero). (Art. 24 del RFSE).
Convivencia
 El estudiantado debe tener siempre un comportamiento con sus compañeros y encargado(s)
de la(s) actividad(es) respetuoso e inclusivo, independientemente de la raza, sexo, orientación
sexual, religión, profesión u oficio, edad, etc.
 Asimismo, se espera que participe de manera activa en todas las actividades.
 Los celulares deberán estar en modo silencioso o apagado durante la duración de las
actividades.
Exámenes escritos
No será permitido el uso de apuntes de clases y libro texto en los exámenes escritos. Solo se
permitirá el ingreso y uso de forma personal de lápiz, lapicero, sacapuntas, regla y borrador.

VIII. Programación de Clases y Actividades

Programación de Clases
Fechas de
Semana Fechas Tema
Actividades/Observaciones
Semana 9- Inicio de clases miércoles 06
4-mar -- Evaluación diagnóstica: Conversatorio
1 mar de marzo
 Generalidades de la estructura organizacional
 La base de datos relacional en la inteligencia de
Semana 16- negocios
11-mar --
2 mar INTRODUCCIÓN
1.1. Conceptos Generales
1.2. Datos vs. Información vs. Conocimiento.
1.3. ¿Qué es Inteligencia de Negocios (BI)?
Semana 23-
18-mar -- 1.4. Para qué sirve el BI
3 mar
1.5. Beneficios del BI
1.6. ¿Quiénes ocupan BI y para qué?
Semana 30-
25-mar --
mar
1.7. Aplicaciones: Data Warehouse, Data Mart, Explotación de
4
Datos, Data Mining, Balanced ScoreCard, etc.

Semana 1.7. Aplicaciones: Data Warehouse, Data Mart, Explotación

1-abr -- 6-abr de Datos, Data Mining, Balanced ScoreCard, etc.
5
1.8. Inversión en BI.
Semana 13- Primeras evaluaciones
8-abr -- PRIMER PARCIAL
6 abr parciales (8/04 al 27/04)
Semana 20-
15-abr -- Semana Santa
7 abr
DATA WAREHOUSE
2.1 Definición y Características del Data Warehouse.
Semana 27- 2.2 Arquitectura del Data Warehouse.
22-abr --
8 abr 2.4 Data Warehouse vs. Data Marts.
Reinicio de actividades martes
2.5 Cómo iniciar un proyecto de Data Warehouse. 23/04. Primeras evaluaciones
2.6 Etapas de un proyecto: parciales (8/04 al 27/04)
 Fechas de
Semana Fechas Tema
Actividades/Observaciones
ANÁLISIS MULTIDIMENSIONAL
3.1 Modelo Dimensional vs. Modelo Relacional.
Semana 4-
29-abr --
9 may 3.2 Esquema Estrella y Esquema Copo de Nieve.

Asueto Miércoles 1 de mayo

EXTRACCIÓN DE DATOS
4.1 Definición Extracción, Transformación y Carga (ETL).
4.2 Características: Mapeo de Datos. Estandarización y
limpieza de datos. Calidad de datos.
Semana 11- EXPLOTACIÓN DE DATOS
6-may --
10 may 5.1. Diseño de reportes.
5.2. Cubos OLAP.
5.3. ROLAP vs. MOLAP.
5.4. Herramientas de BI disponibles en el mercado. Asueto viernes 10 de mayo
Semana 18-
13-may --
11 may
 Taller Análisis de datos con Tablas dinámicas
Semana 25-
20-may -- Taller: 20/05/2019
12 may
 Corto evaluado: Análisis de datos con Tablas dinámicas Evaluado 22/05/2019
Semana
27-may -- 1-jun
13 SEGUNDO PARCIAL 29/05/2019
DATA MINING
6.1. Definición y características.
6.2. Técnicas más utilizadas.
Semana 22- 6.3. Proceso de descubrimiento de conocimiento en bases de
17-jun --
16 jun datos.
6.4. Tipos de análisis.
Asueto lunes 17 de junio y
sábado 22 de junio
BALANCE SCORECARD
7.1. Definición y características.
7.2. Ejemplos de aplicación (Cuándo utilizarlo).
Semana 29- 7.3. KPI.
24-jun --
17 jun
Entrega de CASO DE ESTUDIO: Análisis, extracción, explotación y
visualización de datos 26 de junio 2019

Semana
1-jul -- 6-jul
18 DEFENSA FINAL Evaluación final 03/07/2019
Semana
8-jul -- 13-jul
19 )
Programación de Laboratorios
# de práctica de laboratorio y Fechas de
Semana Fechas
tema a desarrollar Actividades/Observaciones
Semana 1 4-mar -- 9-mar Inicio de clases miércoles 06 de marzo
Semana 2 11-mar -- 16-mar
Semana 3 18-mar -- 23-mar
Semana 4 25-mar -- 30-mar
Semana 5 1-abr -- 6-abr
Primeras evaluaciones parciales
Semana 6 8-abr -- 13-abr
(8/04 al 27/04)
Semana 7 15-abr -- 20-abr Semana Santa
Reinicio de actividades martes 23/04.
Semana 8 22-abr -- 27-abr Primeras evaluaciones parciales (8/04
al 27/04)
Semana 9 29-abr -- 4-may Asueto Miércoles 1 de mayo
Semana 10 6-may -- 11-may Asueto viernes 10 demayo
Semana 11 13-may -- 18-may
Taller: Refuerzo de análisis de datos 20/5/2019
Semana 12 20-may -- 25-may
Evaluado de análisis de datos Evaluado 22/5/2019
Segundas evaluaciones parciales
Semana 13 27-may -- 1-jun
(24/05 al 04/06)
Semana 14 3-jun -- 8-jun
Semana 15 10-jun -- 15-jun
Asueto lunes 17 de junio y sábado 22
Semana 16 17-jun -- 22-jun
de junio
Semana 17 24-jun -- 29-jun
Semana 18 1-jul -- 6-jul Evaluación final (01/07 al 10/07)
Semana 19 8-jul -- 13-jul Evaluación final (01/07 al 10/07)

IX. Referencias documentales

1. Inmon, William H. Building the data warehouse. 2ª edición. Wiley Computer Publishing,
Estados Unidos, 2002 (3 ejemplares disponibles en Biblioteca
 PROGRAMA DE FUNDAMENTOS DE INTELIGENCIA DE NEGOCIOS

I. GENERALIDADES

Número de orden : 30
Código : 190176
Prerrequisito : (16) Administración de Bases de Datos
Número de horas por ciclo : 85
Horas teóricas semanales :4
Horas prácticas semanales :1
Duración del Ciclo en semanas : 17
Duración de la hora clase : 50 minutos
Unidades valorativas :4
Identificación del Ciclo académico : VII

II. DESCRIPCIÓN
El término Inteligencia de Negocios, también conocido como BI (Business Intelligence), es usado
para caracterizar un amplio rango de tecnologías, plataformas de software, aplicaciones específicas y
procesos.
Como BI es un concepto interdisciplinario, puede examinarse desde tres diferentes perspectivas:
1. Como la tomando de las mejores decisiones de la manera más rápida.
2. Como la conversión datos en información.
3. Usándolo como parte de la cultura en el manejo de la Organización.

La información en una organización cambia muy rápido y en gran volumen. BI permite identificar
en forma rápida estos cambios, comprender su significado y en consecuencia mejorar las decisiones
estratégicas en busca de alcanzar los objetivos de la organización.

Para conseguir los objetivos que persigue un sistema de BI debe construirse un proyecto que cuente
con el respaldo y entusiasmo de las autoridades de la organización, un líder adecuado y por supuesto
de un equipo técnico capacitado en las metodologías vigentes para este propósito.
Por lo tanto en este curso se detallará cada fase en la implementación de un proyecto de BI, dando a
conocer las principales metodologías, técnicas y herramientas que suelen usarse para este fin.
III. OBJETIVOS
Objetivo General
Estudiar técnicas relacionadas a la Inteligencia de Negocios y su campo de aplicación

IV. CONTENIDO
UNIDAD 1. INTRODUCCIÓN
Objetivo: el estudiante conocerá conceptos básicos de la Inteligencia de Negocios (BI, por sus
siglas en ingles) y su campo de aplicación.
1.1. Conceptos Generales
1.2. Datos vs. Información vs. Conocimiento.
1.3. ¿Qué es Inteligencia de Negocios (BI)?
1.4. Para qué sirve el BI
1.5. Beneficios del el BI
1.6. ¿Quiénes ocupan BI y para qué?
1.7. Aplicaciones: Data Warehouse, Data Mart, Explotación de Datos, Data Mining, Balanced
ScoreCard, etc.
1.8. Inversión en BI.

UNIDAD 2. DATA WAREHOUSE

Objetivo: el estudiante conocerá conceptos y métodos relacionados a la técnica de inteligencia de
negocios denominada Data Warehouse.
2.1 Definición y Características del Data Warehouse.
2.2 Arquitectura del Data Warehouse.
2.3 Beneficios del Data Warehouse.
2.4 Data Warehouse vs. Data Marts.
2.5 Cómo iniciar un proyecto de Data Warehouse.
2.6 Etapas de un proyecto:
UNIDAD 3. ANÁLISIS MULTIDIMENSIONAL
Objetivo: el estudiante conocerá conceptos y métodos relacionados a la técnica de inteligencia de
negocios denominada Análisis Multidimensional.
3.1 Modelo Dimensional vs. Modelo Relacional.
3.2 Esquema Estrella y Esquema Copo de Nieve.
UNIDAD 4. EXTRACCIÓN DE DATOS
Objetivo: el estudiante conocerá conceptos y métodos relacionados la extracción de datos, para ser
usados por las diferentes técnicas de Inteligencia de Negocio.
4.1 Definición Extracción, Transformación y Carga (ETL).
4.1 Características: Mapeo de Datos. Estandarización y limpieza de datos. Calidad de datos.

UNIDAD 5. EXPLOTACIÓN DE DATOS

Objetivo: el estudiante conocerá conceptos y métodos relacionados a la técnica de inteligencia de
negocios denominada Explotación De Datos
5.1. Diseño de reportes.
5.2. Cubos OLAP.
5.3. ROLAP vs. MOLAP.
5.4. Herramientas de BI disponibles en el mercado.

UNIDAD 6. DATA MINING

Objetivo: el estudiante conocerá conceptos y métodos relacionados a la técnica de inteligencia de
negocios denominada Data Mining (Minería de Datos)
6.1. Definición y características.
6.2. Técnicas más utilizadas.
6.3. Proceso de descubrimiento de conocimiento en Bases de datos.
6.4. Tipos de análisis.

UNIDAD 7. BALANCED SCORECARD (CUADROS DE MANDO)

Objetivo: el estudiante conocerá conceptos y métodos relacionados a la técnica de inteligencia de
negocios denominada Balanced Scorecard.
7.1. Definición y características.
7.2. Ejemplos de aplicación (Cuándo utilizarlo).
7.3. KPI.

V. ESTRATEGIA METODOLÓGICA
El proceso de enseñanza – aprendizaje para este curso, se desarrollará por medio de las siguientes
actividades:
Clases teóricas 80%
Trabajo práctico 20%
VI. EVALUACIÓN
La forma de evaluar el aprendizaje en esta asignatura se hará a través de exámenes escritos u orales,
trabajos ex aula, exposiciones, laboratorios, u otras actividades consistentes con los objetivos de la
asignatura y con el desarrollo del programa en el aula por el docente.
Para lograr esto se sugieren las siguientes evaluaciones y sus porcentajes:
- Exámenes escritos 60%
- Evaluaciones prácticas 20%
- Proyectos 20%

VII. BIBLIOGRAFÍA
1. 1 Berry, Michael J. Data mining techniques: for marketing, sales and customer relationship
management. 2ª edición. John Wiley & Sons, Estados Unidos, 2004 (3 ejemplares disponibles en
Biblioteca).
2. Han, Jiawei; Lamber, Micheline. Data Mining: concepts and techniques. 2ª edición. Morgan
Kaufmann, Estados Unidos, 2006 (3 ejemplares disponibles en Biblioteca)
3. Inmon, William H. Building the data warehouse. 2ª edición. Wiley Computer Publishing,
Estados Unidos, 2002 (3 ejemplares disponibles en Biblioteca
4. Kimball, Ralph; Ross, Margy. The data warehouse toolkit: the complete guide to dimensional
modeling. 2ª edición. Wiley Computer Publishing, Estados Unidos, 2002 (3 ejemplares
disponibles en Biblioteca).
5. Luckervich, Michael; Vitt, Elizabeth. Business Intelligence: técnicas de análisis para la toma de
decisiones estratégicas. 1ª edición. McGraw-Hill, España, 2003 (3 ejemplares disponibles en
Biblioteca).
6. Curto Díaz, Joseph; Curto Díaz, Josep. Introducción al Business Intelligence (Recurso
electrónico). Editorial UOC, España, 2010 (Multiusuario / Disponible a través de la base de
datos E-libro).
7. Howson, Cindi. Business intelligence: estrategias para una implementación exitosa (Recurso
electrónico). McGraw-Hill Interamericana, México, 2009 (Multiusuario / Disponible a través de
la base de datos E-libro).
8. Inmon, William H. Building the data warehouse. 4ª edición. Wiley Computer Publishing,
Estados Unidos, 2005 (3 ejemplares disponibles en Biblioteca).
9. Rodríguez Parrilla, José Miguel. Cómo hacer inteligente su negocio: business intelligence a su
alcance (Recurso electrónico). Larousse - Grupo Editorial Patria, México, 2014 (Multiusuario /
Disponible a través de la base de datos E-libro).
10. Witten, Ian H.; Frank, Eibe; Hall, Mark A. Data mining: practical machine learning tools and
techniques. 3ª edición. Morgan Kaufmann, Estados Unidos, 2011 (3 ejemplar disponible en
Biblioteca