Post on 22-Feb-2020
Procesamiento de la Información en la era del
IoT: Aplicación a la Agricultura
Prof. Jhon Jairo Padilla Aguilar, PhD.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
2
Motivación
●IoT: Internet de las Cosas➢ Gran cantidad de sensores para diferentes objetos●Aplicaciones IoT:➢ Domótica➢ Smart Cities➢ Agricultura● Herramientas de hardware simples y baratas: Motes,
Arduino, raspberry-pi, etc.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
3
Caso Agricultura● Se utiliza gran cantidad de sensores inalámbricos
ubicados en diferentes puntos del terreno
● La cantidad de Sensores es grande
● Cada sensor está generando datos de texto plano
● Datos generados por la medición de diferentes tipos de variables
● Se genera una gran cantidad de datos al día
● ¿Qué hacer con toda esa información?
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
4
Qué tipo de información interesa?●Estamos acostumbrados a gráficos de curvas en Ingeniería●Pero esto qué dice al agricultor?●Muchos agricultores no tienen formación para interpretar esas gráficas
●Un empresario agrícola necesita información sobre:–Qué pasa con el clima?
–Qué pasa con el suelo?
–Cómo evoluciona la producción?
–Qué soluciones hay para lo que está ocurriendo?
–Qué salió mal?
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
5
Cómo procesar toda esa información y sacar conclusiones útiles?
●Se requiere el uso de herramientas automatizadas
●Se requiere hacer un procesamiento inicial a los datos
●Se requiere el uso de algoritmos que obtengan conclusiones
●Cuáles de esas conclusiones son adecuadas para la situación particular?
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
6
La solución está en herramientas de big data y Business Intelligence
Business Intelligence en Agricultura???
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
7
Business Intelligence (BI)
➢ Business Intelligence hace referencia al uso de la tecnología para recopilar y gestionar de manera efectiva la información de forma que se mejore la efectividad de los negocios.
➢ BI es el proceso de transformar datos en información y conocimiento usando técnicas computarizadas con objeto de permitir a los usuarios tomar decisiones basadas en hechos.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
8
Business Intelligence
Business Data
InformaciónConocimiento
Decisión
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
9
Business Intelligence
Concepto que engloba…Arquitecturas, herramientas, bases de datos, herramientas analíticas,
aplicaciones y metodologías
Su principal objetivo esFacilitar el acceso interactivo a los datos, su manipulación y permitir a los
gestores y analistas desarrollar sus propios análisis.Transformación de datos en información que pueda ser utilizada en los
procesos de toma de decisión.Tomar las mejores decisiones rápidamente y alcanzar posiciones de ventaja
competitiva
Método para la gestión empresarial con un enfoque racional y basado en hechos
Identificar la información útil y relevante para la toma de decisionesMétricas más importantes para la empresa: indicadores estratégicos de gestión
KPI (Key Performance Indicators)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
10
Necesidad de BI
Según un estudio de IBM, la mayor parte de las empresas utilizan solo entre el 2% y el 4% de la información que recopilan y almacenan.
las organizaciones disponen de sistemas de información pero…
En ocasiones no son adecuados para aportar la información necesaria a los usuarios finales.
Sistemas transaccionales orientados a resolver los problemas de la operación diaria.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
11
Necesidad del BI
La información que llega a los Directivos suele ser:
Poco oportuna y amistosa
Voluminosa y poco relevante
Sin focalizar y poco confiable
Diferente entre las áreas y en ocasiones confusa
Sin cobertura completa de factores críticos
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
12
Beneficios del BI
BI permite a las organizaciones…
✔ Diseñar estrategias de negocio e identificar oportunidades
✔ Realizar un seguimiento y gestionar sus procesos de negocio.
✔ Incremento y predicción de ganancias
✔ Reducción de costes
✔ Mejorar la eficiencia operacional.
✔ Mejorar las relaciones con sus clientes, gracias a un mayor conocimiento.
✔ Desarrollar ofertas diferenciadas de productos.
✔ Posibilidad de obtener información y análisis antes irrealizables
✔ Generación de nuevas oportunidades de negocio
✔ Conocimiento de las relaciones entre productos
✔ Excelente imagen externa de la organización
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
13
La información presentada a los empresariosLos gerentes y directivos necesitan que la información que les llegue sea:
Focalizada: menor cantidad y mayor valor agregado.
Amigable: información con formato amistoso y esquemas de navegación intuitivos.
Oportuna: información según la necesidad del momento.
Con cobertura completa de factores clave
Integra, relevante y confiable.
Altos niveles de seguridad y control.
Mayor disponibilidad de tiempo para el análisis y mejora de la comunicación
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
14
Componentes principales del BI
➢ Data warehouse
➢ Business Analytics: herramientas para la manipulación y análisis de los datos
✔ Informes y consultas
✔ Tecnología OLAP
✔ Data, text, web mining y técnicas matemáticas y estadísticas
➢ Business Performance Management (BPM): monitoreo y análisis de funcionamiento
✔ Informes avanzados
✔ Planificación y predicción
➢ Interfaz de usuario
✔ Cuadros de mando: balanced scorecard & dashboards
✔ Herramientas de visualización
✔ Análisis de KPI (Key Performance Indicators)
✔ GIS (Sistemas de Información Geográfica)
✔ Portal corporativo
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
15
Fuentes de datos
Data warehouse
Construcción del data warehouse
Accesos
Estrategias BPM (Business Process
Management ) Informes, resultados
PERSONAL TÉCNICOUSUARIOS DE
NEGOCIODIRECTIVOS/EJECUTIVOS
ENTORNO DATA WAREHOUSE
ENTORNO BUSINESS ANALYTICS
RENDIMIENTO Y ESTRATEGIA
INTERFAZ DE USUARIO
• Browser• Portal• Cuadros de mando
Arquitectura de BI
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
16
Framework de Data Warehouse
ERP
OLT
Web
External data
Fuentes de datos
Data mart(marketing)
Accesos
Data mart(Ingeniería)
Data mart(finanzas)
Data mart(…)
EnterpriseData
Warehouse
Metadatos
Réplicas
Extracción
Transformación
Carga
ETL
Informes
OLAP
Dashboard
Aplicaciones de visualización
Web
Data mining
Personalizadas
AP
I/M
idd
lew
are
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
17
El proceso del BI
Limpieza e integración
Evaluación y presentación
Data Warehouse
Databases
Selección y transformación
Data Mining
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
18
Etapas de un proceso de BI➢ Identificar y conocer el dominio de aplicación
Descubrir conocimiento previos y objetivos de la aplicación➢ Creación de un conjunto de datos objetivo: selección de datos➢ Limpieza y preprocesado de los datos
Puede suponer el 60% del esfuerzo➢ Reducción de datos y transformación
Selección de rasgos, reducción de la dimensionalidad➢ Aplicación de técnicas de data mining
Clasificación, regresión, clustering,...Elección de algoritmos apropiados
➢ Evaluación de patrones y presentación del conocimientoVisualización, transformación, eliminación de patrones redundantes,…
➢ Uso del conocimiento descubierto
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
19
Tecnologías de apoyo al BI
✔ Sistemas de Información Integrados
✔ Almacenes de datos: Data Warehousing
✔ OLAP
✔ Cuadros de mando: executive Dashboards
✔ Visualización: visual analytics
✔ Sistemas de soporte para la decisión: Decision Support Systems (DSS)
✔ Sistemas expertos
✔ Minería de datos y business analytics
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
20
Arquitectura de un Sistema de Business Intelligence
Sistemas deproducción
Extraer Cargar
Transformar
DataWarehouse
Reporting OLAP GUI
DataMiningFuentes
de datosexternas
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
21
Pentaho: Herramienta de BI Open Source
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
22
¿Por qué Pentaho?
Tiempos de integración y costos de infraestructura menores con respecto a otras soluciones BI
Una gran comunidad de soporte Fácilmente escalable y adecuado para big data Gran variedad de formatos y fuentes de datos Módulos independientes con sus propias
comunidades de desarrollo Arquitectura de tres capas:
– Capa de integración de datos– Capa de gestión y administración del sistema– Capa de presentación
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
23
Community Edition vs Enterprise Edition
La versión “community” es recomendada para:– Personas interesadas en dar los primeros pasos en
el BI– Formación y capacitación de estudiantes– Programadores de software open source
La versión libre exige la instalación, configuración y mantenimiento con los propios recursos.
Únicos soportes oficiales: – Foro: http://forums.pentaho.org – Wiki: http://wiki.pentaho.com
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
24
Arquitectura funcional del sistema Pentaho BI
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
25
Herramientas BI open source
Soluciones completas– Pentaho Community Edition, JasperReports, SpagoBI, BIRT
Herramientas ETL– Kettle, Clover , Enhydra Octopus
Desarrollos OLAP– Mondrian, JPivot
Dashboards– JetSpeed, JBoss Portal
Bases de Datos– MySQL , PostgreSQL
Herramientas de minería de datos– Weka
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
26
Principales herramientas de Pentaho
Aplicación Funcionalidad
Pentaho BI Server
Servidor de aplicación para que el usuario final puede visualizar los diferentes informes, cubos OLAP, cuadros de mando, etc.
Pentaho Data Integration
Entorno gráfico que permite realizar los procesos de extracción, transformación y carga de los datos
Pentaho Report Designer
Herramienta de escritorio que permite el diseño, creación y publicación de informes mediante una interfaz gráfica.
Aggregation Designer
Herramienta gráfica que ayuda a mejorar la eficiencia de un cubo construido con Mondrian (Schema Workbench).
Schema Workbench
Herramienta gráfica que permite la creación de cubos OLAP para el análisis.
Metadata Editor Herramienta que permite agregar una capa de metadatos a una fuente de datos existente.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
27
Instalación
Requisitos:– Se recomienda al menos 2GB RAM y 1GB de espacio HD– Posibilidad de utilización en diferentes sistemas operativos:
Windows, Linux, MacOS– Necesidad del Sun Java Runtime Environment (JRE) versión
1.5– Navegador Web para el acceso a la interface Web de
Pentaho
La Community Edition requiere la instalación de las diferentes componentes de manera independiente– Descomprimir la carpeta de cada herramienta– Cada herramienta viene con un “script” de inicio
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
28
Herramientas ETL
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
29
Herramientas ETL
ETL = Extract, Transform and Load– Herramientas para la obtención,
transformación y volcado de datos desde diferentes orígenes y a diferentes destinos
– Extracción: acceso a bases de datos, ficheros CSV, fuentes de noticias RSS, portales de datos abiertos,…
– Transformación: hacer cálculos, unir tablas, seleccionar atributos, filtrar datos,...
– Carga: generar ficheros de texto, cargar en bases de datos, hojas de cálculo,…
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
30
Pentaho Data Integration
También conocida como “Kettle”, es la herramienta ETL de Pentaho
Cuenta con diferentes herramientas internas:– Spoon: herramienta gráfica de escritorio
para el diseño de transformaciones y trabajos
– Pan: ejecuta transformaciones definidas con spoon
– Kitchen: permite planificar la ejecución de trabajos en modo batch.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
31
Transformaciones y trabajos
Transformación: realización de tareas con los datos a través de diferentes pasos (steps) enlazados por saltos (hops):– Entrada– Salida– Transformación– Utilidad
Trabajo (job): nivel superior a las transformaciones utilizado para el control del flujo de ejecución de las mismas
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
32
Saltos (hops)
Marcan el flujo de realización de las acciones (pasos)
Posibilidad de paralelizar la acción– Ejemplo: enviar los datos a diferentes pasos
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
33
Interfaz gráfica de Kettle
Inicio a través del script Spoon.bat Permite trabajar con un repositorio que
actuará de almacén de todas las transformaciones
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
34
Creación de trabajos en PDI
Los trabajos permiten coordinar las actividades ETL:– Determinar el flujo de ejecución de las
transformaciones– Poder establecer condiciones para la
ejecución• Si el fichero existe…, si la tabla de la base de
datos existe…
– Enviar notificaciones de éxito o fracaso por email.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
35
Minería de Datos
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
36
Proceso de descubrimiento de conocimiento KDD (Knowledge Discovery in Databases)
Datos•Recogen un conjunto de hechos (BD)•Identificación, selección, preparación de datos.
Datos•Recogen un conjunto de hechos (BD)•Identificación, selección, preparación de datos.
Minería de Datos
Patrones•Expresiones que describen un subconjunto de los datos.•Los patrones descubiertos han de ser válidos, novedosos para el sistema.
Patrones•Expresiones que describen un subconjunto de los datos.•Los patrones descubiertos han de ser válidos, novedosos para el sistema.
Interpretación y
evaluación
Conocimiento
Información almacenada en una entidad y que puede ser utilizada por la inteligencia de acuerdo a ciertos objetivos.
Conocimiento
Información almacenada en una entidad y que puede ser utilizada por la inteligencia de acuerdo a ciertos objetivos.
“Conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmente útil y humanamente comprensible, a partir de grandes conjuntos de datos, con objeto de predecir de forma automatizada tendencias y comportamientos y/o descubrir
de forma automatizada modelos previamente desconocidos”(Piatetsky-Shapiro et al, 1992).
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
37
Objetivo de la Minería de Datos
OBJETIVO: dado un conjunto de datos descubrir patrones y modelos que sean:– Válidos: se puedan aplicar con cierta certeza a
nuevos datos– Útiles: se pueda actuar sobre ellos– Inesperados: que no sean obvios para el sistema– Entendibles: que sean interpretables por los
humanos
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
38
Proceso de descubrimiento de conocimiento
Datos DatosObjetivo
Selección
ConocimientoConocimiento
DatosPreprocesados
Patrones
Minería de datos
Interpretación/Evaluación
Pre-procesamiento
Exploración y limpieza
Integración Transformación:
normalización Selección Reducción de la
dimensión Discretización
Reglas de asociación y correlación
clasificación clustering ... ...
Selección de patrones
Interpretación de patrones
Visualización de patrones
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
39
Etapas de la minería de datos
1. Objetivos: Determinación de los objetivos que se quieren alcanzar.
2. Pre-procesamiento: limpieza, integración, selección, transformación y reducción de los datos.
3. Aplicación de las técnicas de explotación de datos : determinación de modelos a utilizar, realizando análisis estadísticos y visualizando gráficamente los datos para tener una primera aproximación.
4. Análisis y evaluación de resultados: verifica si los resultados son coherentes y los coteja con lo analizado estadística y gráficamente.
(Ferri et al., 2004)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
40
Técnicas de minería de datos
Métodos descriptivos– Encontrar patrones interpretables que
describan los datos• Ejemplo: clustering
Métodos predictivos– Usar algunas variables para predecir
valores futuros desconocidos para otras variables• Ejemplo: sistemas recomendadores
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
41
Ejemplo de minería de datos
1854: epidemia de cólera en Londres
El físico John Snow descubrió el origen de la epidemia visualizando los casos en un mapa– Identificación de
grupos (clustering)– Presencia de pozos
de agua que habían sido contaminados http://en.wikipedia.org/wiki/1854 Broad Street cholera outbreak
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
42
La Minería de Datos puede…
Extraer conocimiento Identificar comportamientos Generar predicciones Identificar tendencias o
cambios en éstas Descubrir las relaciones entre
la información. Buscar lo inesperado Buscar asociaciones Detectar tipologías Detectar ciclos temporales
(Aluja, 2001)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
43
Herramientas para la extracción de conocimiento
Clementine / SPSS MicroStrategy Data Mining Services Microsoft SQL Server SAS Enterprise Miner SAS Analytics Open source
– Weka– Orange– Rapid miner– R
Portal dedicado a minería de datos, minería web y extracción de conocimiento: KDNuggets (http://www.kdnuggets.com/software/suites.html)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
44
Minería de Texto (Text Mining)
Tareas de la minería de texto: (Brücher et al.,2002)– Recuperación: búsqueda de documentos relevantes– Clasificación: asignación de documentos a grupos
relacionados:• Clasificación supervisada: categorías predefinidas• Clasificación no supervisada (clustering)
Rama de la minería de datos especializada en la identificación, extracción y gestión de conocimiento a partir de colecciones de
documentos textuales. (Baeza and Riveiro, 1999)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
45
Minería de Texto (Text Mining)
Rama de la minería de datos especializada en la identificación, extracción y gestión de conocimiento a partir de colecciones de
documentos textuales. (Baeza and Riveiro, 1999)
Etapas principales:– Preprocesamiento: transformación a información estructurada.– Descubrimiento: utilización de algoritmos para la generación de
conocimiento.
Tareas de la minería de texto: (Brücher et al.,2002)– Recuperación: búsqueda de documentos relevantes– Clasificación: asignación de documentos a grupos relacionados:
• Clasificación supervisada: categorías predefinidas• Clasificación no supervisada (clustering)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
46
Etapa de preprocesamiento
Transformación del texto original a una forma más adecuada para la aplicación de las técnicas de minería de texto.
• Filtrado y tokenización• Eliminación de stopwords• Lematización y stemming
Representación de documentos Representación vectorial
(Salton, 1971) Ponderación con el esquema tf-idf
Cálculo de similitud Uso de la medida del coseno o
separación angular
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
47
Etapa de descubrimiento: algoritmos de clasificación y clustering
Clasificación Clustering
Aprendizaje supervisado: necesita pre-clasificación de documentos
Aprendizaje no supervisado: necesita número de clusters o umbrales de similitud
Basados en reglas: • Árboles de decisión • Reglas de decisión
Métodos de particiones• Single-pass• K-medias
Clasificadores lineales• Algoritmo de Rocchio• Enfoques Bayesianos• Basados en regresión• Métodos basados en vectores:• SVM y centroides• Perceptrón
Métodos jerárquicos• Single link• Complete link• Average Link• Método de Ward
Clasificadores basados en ejemplos• k-Nearest Neighbor
Métodos basados en modelos• Mapas auto-organizativos• Métodos estadísticos: RPCL y PLSI
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
48
Sistemas de Clasificación jerárquicos y facetados
Categoría
Categoría Categoría
Categoría Categoría Objeto
ObjetoObjeto
Faceta
Subfaceta Subfaceta
Faceta
Categoría Categoría
Objeto Objeto
Categoría Categoría
Temática
Usabilidad(U)
Idioma
Accesibilidad (A)
Programación (P)
Blog (B)
Foro (F)
Portal (P)
Español (E)
Inglés (I)
Tipología
--------------------
Documento
Servicio Web
Usabilidad (U)
Blog (B)
Programación (P)
Foro (F)
Portal (P)
E I E I E I
Blog (B)
Foro (F)
Portal (P)
E I E I E I
Blog (B)
Foro (F)
Portal (P)
E I E I E I
Accesibilidad (A)
E = EspañolI = Inglés
--------------------
Documento
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
49
Clustering
Creación de grupos de objetos relacionados
Asignación de cada objeto a un grupo (cluster) buscando:– Alto grado de
asociación entre sí dentro de cada cluster (minimización distancia intra-cluster)
– Diferenciación con los objetos de otros clusters (maximización distancia inter-clusters)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
50
Algoritmos de clustering
Métodos de particiones– Métodos de pasada única– Métodos de recolocación
• Algoritmos de las k-medias• Método de las medianas
Métodos jerárquicos– Aglomerativos
• CURE• BIRCH
– Divisivos• PDDP• Basados en árboles de recubrimiento mínimo
Clustering difuso Redes neuronales y algoritmos genéticos
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
51
Clustering basado en Swarm Intelligence
Swarm Intelligence– Hace referencia a diversas técnicas
utilizadas en el ámbito de la Inteligencia Artificial
– Se basan en la idea de que grupos de agentes extremadamente sencillos y poco o nada organizados pueden exhibir un comportamiento complejo, incluso inteligente, utilizando reglas y mecanismos de comunicación local simples.
– Un colectivo de agentes sociales pueden llevar a cabo actuaciones de nivel complejo y formar sistemas descentralizados y auto-organizativos.
– Ejemplos:• PSO (Particle Swarm
Optimization) • ACO (Ant Colony Optimization)• Ant clustering
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
52
Resultados de un algoritmo ACO
Estado inicial: 250 documentos colocados aleatoriamente en
una rejilla 60x60
Después de 250.000 operaciones básicas de
hormiga
Economía
Contabilidad
Marketing
Recursos Humanos
Sistemas de Información
C1 C2
C3 C4
C5
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
53
Visualización de la Información: Dashboards y Reportes
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
54
Executive Dashboards: cuadros de mando
Permiten realizar un seguimiento de la evolución del negocio– Gestión por objetivos: ventas, satisfacción
del cliente,…
Key Performance Indicators (KPI) Visualización de los indicadores
– Gráficos y controles visuales– Códigos de colores
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
55
Pautas para el diseño de dashboards
Presentación de las métricas con diferentes elementos (valores numéricos, gráficos, indicadores de alertas,…)
Evitar una saturación visual con excesiva información Considerar la utilización de diferentes dispositivos
para el acceso (dispositivos móviles) Permitir la configuración mediante la inclusión de
diferentes widgets. Considerar aspectos de usabilidad y accesibilidad Evaluación heurística de los cuadros de mando para
identificar posibles problemas de usabilidad.
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
56
Ejemplos de Dashboards
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
57
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
58
Arranque de Pentaho BI Platform
Arrancar el servidor BI– Script star-pentaho
dentro del directorio /bi-server-ce/
Inicio de la consola de usuario– http://
localhost:8080/pentaho/Login
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
59
Análisis OLAP con Pentaho
Mondrian Schema Workbench Basado en JPivot
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
60
Dashboards con Pentaho
Community Dashboard Editor (CDE)
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
61
Dashboards con Pentaho
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
62
Creación de Informes con Pentaho
Pentaho Report Designer
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
63
Aplicaciones del DSS
Planificación de la estrategia de producción óptima para unos factores de producción dados
Análisis de riesgos operativos
Orientar la decisiones en relación a localización, piensos, tamaños comerciales,…
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
64
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
65
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
66
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
67
Ejemplo de planificación de un horizonte temporal de 5 años
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
68
Riesgo operativo: influencia de la localización
Comparación de dos localizaciones:– Islas Canarias– Mediterráneo (Levante)
Análisis comparativo de estrategias de producción óptimas y anti-óptimas
Condiciones ambientales en Canarias resultan mejores:– Más rápido crecimiento, mayores retornos de la inversión
El riesgo operativo en Canarias también es mayor que en Levante
Best schedule (mean values in 50 runs)
Worst schedule (mean values in 50 runs)
Operational risk
Location Num lots
Gross margin Num lots Gross margin
CANARY ISLANDS
5 191,24 €/m3 4 135,96 €/m3
40,66%
LEVANTE 4 138,86 €/m3 4 119, 96 €/m3 15,76%
Condiciones:Horizonte temporal: 5 años, máxima densidad de biomasa: 20 kgrs/m3, tipo de interés 5%, retardo máximo: 60 días, pesos admisibles de cosecha: 300-700 grs, tamaños de alevines. 3-10 grs
UPB-Bucaramanga- Encuentro Riegonets Montevideo 2015
69
Comparación entre ambas localizaciones en un horizonte temporal de 5 años