PARTE PRIMERA

¿Qué es el Business Intelligence  (Inteligencia de Negocio)?

Vamos a aplicar un sistema de Business Intelligence  (Inteligencia de Negocio) en nuestra empresa.

Primero nos hacemos con los datos.

Ya tenemos los datos, ahora los analizamos: KDD (en informática). Data Mining (en inteligencia artificial).

Las herramientas de apoyo a la toma de decisiones de los ejecutivos.

Inteligencia artificial y Aprendizaje automático.

• ¿Qué es el Business Intelligence  (Inteligencia de Negocio)?

1. Todos tenemos mucha información, pero los que triunfan son los que ven las TENDENCIAS entre montañas de información.

a. Para tomar decisiones empresariales hay que tener herramientas de conocimiento. El conocimiento es hoy en día la herramienta más poderosa.
b. El conocimiento hoy en día viene de la tecnología (informática). Los negocios y la tecnología deben entenderse.

3. ¿Qué es el Business Intelligence?

a. Accesibilidad a la información.
b. Apoyo en la toma de decisiones.
c. Orientación al usuario final.

Proceso interactivo
Explorar
Analizar
Información estructurada y datawarehouse
Área de análisis
Comunicar los resultados y efectuar los cambios.

4. El objetivo del Business Intelligence: conseguir información y analizarla.
5. Ya tengo la información en una base de datos, ¿cómo la entiendo? Con una tecnología que se llama DATA MINING.

a. Ayudar a comprender el contenido de una base de datos.
b. Modelado. Conocimiento de base de datos con valor agregado. 

TALLER DE TRABAJO
¿Has utilizado un buscador? Pues ya has hecho “Data Mining”

TALLER DE TRABAJO
No es lo mismo datos (la paja) que información (el trigo).
1. Lo que hace un programa informático de Data Mining es IMITAR el modo de aprendizaje HUMANO.
2. Recopilamos datos (aprender, experiencia).
3. Asimilamos los datos: conocimiento, información.

a. Las 5 “C” de los datos.

• Contextualizados
• Categorizados
• Calculados
• Corregidos
• Condensados

b. Parámetros para utilizar la información.

• Accesibilidad (información de accesibilidad x)
• Comprensividad (información de comprensividad igual a x)
• Precisión (información precisa, o de precisión igual a x)
• Relevancia (información relevante "vs" información superflua)
• Puntualidad (información de alta/baja puntualidad)
• Claridad (información de alta/baja ambigüedad)
• Flexibilidad (información altamente compartible o de x nivel de compartibilidad)
• Verificabilidad (información de alta o baja verificabilidad)
• Cuantificabilidad (información cuantificable "vs" información no cuantificable).

4. Interpretamos la información: Conocimiento, sabiduría.

TALLER DE TRABAJO
Arquitecto Big Data, la profesión del futuro.

1. Las ventajas del Business Intelligence.
2. Ventajas económicas (ingresos y costes).
3. Ventajas competitivas.
4. Ventajas estratégicas.

TALLER DE TRABAJO
Big Data, el valor  de negocio con los datos. 
1. El volumen de los datos  almacenados en los depósitos  de las empresas ha pasado  de ocupar megabytes y  gigabytes a “petabytes”. 
2. Big Data puede tener las respuestas a todas nuestras preguntas. Es el fin de la teoría. 
3. Las oportunidades: las empresas se pueden beneficiar de Big Data en varias áreas, como  el conocimiento del cliente, marketing, operaciones y gestión del riesgo. 

Áreas que se benefician del Big Data 

• Marketing personalizado utilizando tendencias sociales 
• Visión del negocio precisa 
• Segmentación de los clientes
• Captura de oportunidades en ventas y marketing 
• Toma de decisiones en tiempo real 
• Detección de pérdida de clientes 
• Cuantificación del riesgo 
• Tendencias del sentimiento de mercado 
• Comprensión de cambio del negocio 
• Planificación y predicción 
• Mejor análisis de costes 
• Análisis del comportamiento de los clientes
• Rendimiento de la producción 

Las oportunidades del Big Data 

Análisis de los clientes

Marketing impulsado por los clientes: promociones y ofertas personalizadas basándose en las pautas de compras individuales. Prevención de la pérdida de clientes.
Recomendación de productos: filtros colaborativos, recomendaciones basadas en  la actividad multicanal. 

Análisis de marketing 

Modelos del marketing mix: optimización del marketing mix y de las promociones  utilizando modelos econométricos para evaluar el aumento de ventas con diferentes  herramientas de marketing e identificar el más efectivo. 
Optimización de los precios: utilizar los datos para evaluar la sensibilidad de la demanda a los precios y para optimizarlos en diversos puntos del ciclo de vida del producto. 

Efectividad operativa 

Análisis de datos operativos aprovechando abundantes datos de producción para  mejorar los procesos y la calidad del producto. 
Mejor planificación y predicción aprovechando la cantidad de datos de procesos  históricos, recursos y productos. 
Análisis de datos sobre clientes, transacciones y mercados para cuantificar el riesgo de  clientes y productos. 
Detección de fraude en tiempo real aprovechando datos de los puntos de venta y de los  sistemas de transacciones y análisis. 
Análisis de internet/móviles/redes sociales 
Análisis de la actividad del cliente: almacenar las preferencias del cliente para personalizar lo que se muestra, monitorizar el uso para evaluar las métricas de la web. Monitorizar los medios sociales: analizar los sentimientos del consumidor hacia la  marca y sus productos en redes sociales. 

Modelos de negocio  emergentes (visión del sector) 

TALLER DE TRABAJO
Las claves del Big Data.
1. Los datos en crudo carecen de valor.
2. Los datos hay que verificarlos.
3. Los datos hay que estructurarlos.

• El ejemplo de la geolocalización como suministro de datos.
• Ejemplos de aprovechamiento de datos en ciudades inteligentes.
• Ejemplos de datos por sensores (M2M) internet de las cosas.
• Datos de transacciones
• Datos oficiales.
• Licenciamiento de datos
• Datos que serán explotados por las empresas.

4. Tecnología del almacenamiento de datos. Las bases de datos NoSQL.

TALLER DE TRABAJO
El Big Data ya se ha quedado pequeño: ha llegado el Huge Data.
1. En los últimos 10 años se ha creado más información que en toda la historia de la humanidad.
2. Edge Computing como único modelo de gestión de datos capaz de absorber todo el huge data.

TALLER DE TRABAJO
Big Data empresarial. ¿Para qué podemos usar todos estos datos? ¿De qué nos sirve cuantificar?

TALLER DE TRABAJO
¿Qué es CRM (Customer Relationship Management) y Software CRM?
1. CRM (Customer Relationship Management)

a. ¿Qué es CRM (Customer Relationship Management)?
b. Funcionalidad del CRM

• CRM operativo
• CRM analítico
• CRM colaborativo

2. Ventajas de utilizar un CRM marketing

a. Unificación de todas las bases de datos en una sola.
b. Análisis de datos y toma de decisiones.
c. Segmentación de clientes y oportunidades.

3. Marketing digital inmobiliario y sistema CRM.
4. Utilidades del CRM

a. Marketing de administración de clientes (marketing directo de base de datos).
b. Automatización y promoción de ventas, tecnologías "data warehouse".

5. Utilidad del CRM: gestionar la interacción de una empresa con sus clientes actuales y potenciales.

a. Aporta información completa del cliente sobre el proyecto, las facturas, inventario, etc.
b. CRM como modelo de gestión: la información para obtener una ventaja competitiva.
c. Redes sociales para volver al marketing 1 a 1 de las grandes empresas.
d. Acciones dentro de la base de datos: convertir datos en oportunidades de marketing..

• Módulo de ventas
• Módulo de mercado

TALLER DE TRABAJO
El Big data como ayuda para tomar la mejor decisión inmobiliaria.
1. El Big Data permite diseñar y configurar una promoción adaptada a la demanda actual existente en una zona específica de una ciudad.
2. El cliente inmobiliario dispone de más datos para tomar la decisión económica más importante de su vida.

TALLER DE TRABAJO
Big Data inmobiliario. La analítica de datos puede utilizarse para reducir los costos operativos de la construcción o mejorar la eficiencia energética.

TALLER DE TRABAJO
¿Cómo saber manejar el Big Data inmobiliario? Búsqueda y emplazamiento de inmuebles.
1. Para la búsqueda y emplazamiento de inmuebles.

• ¿Qué lugar va a ser mejor para la captación y retención del talento altamente cualificado que es imprescindible para vuestro negocio?
• ¿Es mejor comprar o alquilar?
• ¿Es preferible que el inmueble esté en una zona céntrica o es mejor algo en la periferia?
• ¿Tiene sentido construir un edificio desde cero o sería más razonable reformar y adaptar algo existente?

2. ¿Qué necesitamos?

• Modelos analíticos
• Datos estructurados y no estructurados (costes inmobiliarios, transporte de la zona, etc.)

3. Edificios inteligentes.

TALLER DE TRABAJO
El Big Data en la valoración inmobiliaria. Herramientas de valoración de los bancos, tasadoras online y de las webs inmobiliarias.

TALLER DE TRABAJO
El Big data aplicado a un sistema de valoración automática de inmuebles basado en inteligencia artificial.
1. Big Data como machine learning que permite automatizar la valoración masiva de inmuebles.
2. Modelización de precios inmobiliarios. Modelo Big Data capaz de aprender y calcular automáticamente el precio de mercado en cada momento
3. Valoración periódica de las garantías inmobiliarias. Uso determinante para la revisión del valor de las garantías de las carteras hipotecarias de la banca.

TALLER DE TRABAJO
El Big Data del Registro de la Propiedad. MVI (Metodología de valoración inmobiliaria).

TALLER DE TRABAJO
El Big Data de predicción de tendencias inmobiliarias.

TALLER DE TRABAJO
Geointeligencia inmobiliaria.
1. El 80% de los datos de las organizaciones son susceptibles de ser geolocalizados.
2. La geointeligencia inmobiliaria muestra la importancia de la explotación inteligente del dato (catastro, etc).
3. Ventajas de la geointeligencia inmobiliaria (comparativas inmobiliarias, predicciones, etc.).

a. Predicciones (precio, liquidez, etc.) y gestionar de forma analítica una cartera inmobiliaria.
b. Combinación de capacidades de Big Data y geolocalización.
c. Digitalización total de procesos de planeamiento urbanístico.
d. Identificar patrones de conducta inmobiliaria.

TALLER DE TRABAJO
Caso práctico. Informe de Big Data inmobiliario del mercado en la Comunidad de Madrid y predecir tendencias.

TALLER DE TRABAJO
Caso práctico. Un análisis inmobiliario realizado mediante Big Data confirma que las viviendas situadas en un radio de 500 metros de un centro escolar eran un 6% más caras que las que se encuentran entre 500 y 1.000 metros.

TALLER DE TRABAJO
Caso práctico: Big data inmobiliario que analiza datos sociodemográficos para descubrir las tendencias de compra, venta o alquilar de cualquier área geográfica en España. Caso real de Big Data específico para inmobiliarias y APIs.

• ¿Cuántos particulares venden o alquilan una propiedad en una zona determinada?
• ¿Es el precio de esos inmuebles acorde con la tendencia inmobiliaria de la zona?
• ¿Cuánto tiempo permanecen las viviendas a la venta o en alquiler en un área?

TALLER DE TRABAJO
Big data BIM
1. El BIM y el Big Data aportan valor porque los datos cruzados generan información útil en la creación de valor empresarial.
2. ¿Qué puede hacer el Big Data por la construcción?
3. La metodología BIM integra bases de datos procedentes del Big Data
4. El control de suministros de proyecto también se monitoriza con técnicas de Big Data.

TALLER DE TRABAJO
Big data y planificación urbanística. Urban Discovery 'reordena' los mapas de Madrid, Barcelona y México con ayuda del 'Big Data'.

• Los cambios en el entorno de la ciudad (comercios, infraestructuras, fluctuaciones inmobiliarias) influyen en la toma de decisión de la demanda inmobiliaria y en la toma de decisiones de gestión urbanística.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: herramienta de geolocalización, basada en Big Data inmobiliario, que ofrece información detallada sobre el mercado de la vivienda residencial en España a nivel de sección censal.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: en el caso de Housfy el Big Data indica, en un radio de 500 metros de dónde se encuentra una vivienda, cuáles son las viviendas que están en venta, a qué precio y cuantos días llevan a la venta. En función de este último se determina cual es el ratio de liquidez de la zona.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: fabricante de electrodomésticos ha implementado un proyecto para mejorar la eficiencia del uso de su edificio corporativo, que incluye instalaciones inteligentes que generan diariamente datos útiles respecto a su ocupación puntual por áreas. A partir de esta información, el sistema ajusta los parámetros de iluminación y aire acondicionado de manera eficiente.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: técnicas de racionalización de costes inmobiliarios (facility management).

TALLER DE TRABAJO
Caso real de explotación de la información con BIM, Big Data y Data Analytics para el desarrollo de sistemas de gestión inteligente de infraestructuras concesionales y la implantación de plataformas de gestión integrables con las smart cities para sincronizar las operaciones de la compañía con las demandas de las ciudades.

TALLER DE TRABAJO
El Big Data aplicado a los centros comerciales. Monitorizar todos los movimientos en interiores y exteriores para entender los comportamientos de los clientes.
1. Saber de qué parte de la ciudad viene el usuario, para dónde va, y cuándo viene al centro comercial, y si lo hace con regularidad
2. Conocer el perfil de cliente que visita el centro investigando en qué lugares ha estado anteriormente para después enviarle sugerencias específicas de su gusto, o también para controlar a la competencia.
3. Big Data como previsor de la remodelación de una infraestructura (centro comercial).

TALLER DE TRABAJO
Esquemas. Caso práctico. Aplicación del BIG DATA en una cadena de grandes centros comerciales de alimentación.

TALLER DE TRABAJO
Telegestión y monitorización de instalaciones de centros comerciales. Aplicación de técnicas de inteligencia artificial y Big Data para la mejora de estándares de eficiencia de instalaciones multisite.
1. ¿Qué es la telegestión y monitorización de instalaciones de centros comerciales?
2. La implantación de plataforma monitorización y control.
3 Funcionalidades de la implantación de plataforma telegestión y monitorización en centros comerciales.
4. Ejemplos de resultados

a. Equipos de climatización no conectados al sistema de control centralizado.
b. Problemas en circuitos concretos: Escaleras mecánicas.
c. Ejemplo de registro de temperatura ambiente en local en la que una zona tiene problemas de temperatura.
d. Ajustes en la operativa de local comercial con un sistema de refrigeración basada en aporte de agua fría por parte del centro.
e. Averías localizadas remotamente

1. Alarma de máquina derivada de configuración incorrecta del horario
2. Climatización parada por falsa alarma de incendios
3. Red de recarga vehículos eléctricos.

• Vamos a aplicar un sistema de Business Intelligence  (Inteligencia de Negocio) en nuestra empresa.

1. ¿Cómo crear un sistema de información en la empresa?

• Una forma simplificada del cálculo del ROI: Valor para el negocio /   Coste del proyecto. 

2. Planificación de proyectos de  Business  Intelligence.

Planificación del proyecto
Arquitectura tecnológica
Diseño
Construcción
Despliegue
Operación

3. Fase preliminar de la planificación de proyectos de  Business  Intelligence.
4. Selección del programa informático adecuado.

Inicio del proyecto
Análisis de los procesos de negocio
Definir los requerimientos
Punto de decisión
Gestión de los proveedores

5. Fase de ejecución de proyectos de  Business  Intelligence.

TALLER DE TRABAJO
Arquitectura del Sistema. También aquí hay un certificado ISO.

TALLER DE TRABAJO
Herramientas  informáticas del  Business Intelligence.

TALLER DE TRABAJO
Selección del programa informático adecuado para un sistema de Business Intelligence.

• Primero nos hacemos con los datos.

1. Características del almacenamiento de datos (datawarehouse).
2. Objetivos del almacenamiento de datos (datawarehouse).
3. Clases del almacenamiento de datos. Data Mart

TALLER DE TRABAJO
La experiencia de las grandes empresas españolas con el Big Data.
Consejo para empezar: focalizar los esfuerzos iniciales - tanto de inversión como de recursos - de la transformación Big Data en realizar primeros pilotos más que en construir grandes arquitecturas de almacenamiento y explotación de datos.

TALLER DE TRABAJO
NoSQL: las Bases de Datos del Big Data

1. Técnicas de explotación del  Data Warehouse.
2. OLAP (On Line Analytical Processing)
3. Query & Reporting

TALLER DE TRABAJO
¿Cuál es la diferencia entre el Data Warehouse (almacenar información) y el y Data Mining (extraer de los datos información útil para la empresa)?

• Ya tenemos los datos, ahora los analizamos: KDD (en informática). Data Mining (en inteligencia artificial).

• Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis)

1. ¿Qué es el (KDD) (Knowledge Discovery in Databases)? Pues el descubrimiento de datos.
2. Proceso KDD

Pre-procesamiento de Datos: Limpieza, integración y transformación. 
Data Mining: Uso  de  métodos  inteligentes  para  extraer  conocimiento  (búsqueda de oro) . 
Evaluación de patrones encontrados y presentación 

3. ¿Por qué utilizo el KDD? ¿Qué consigo con ello?
4. ¿Qué fases sigue el KDD?

a.  Selección de datos.
b.  Preprocesamiento.
c.  Transformación.

5. ¿Qué herramientas utiliza el KDD?

TALLER DE TRABAJO
El proceso de KDD. Desde el preprocesamiento al post procesamiento.

TALLER DE TRABAJO
El KDD, un proceso interactivo  de búsqueda de información entre un volumen de datos que excede de la capacidad humana.
1. Técnicas de análisis automatizadas de bases de datos.
2. La identificación de los datos útiles para extraer la información que nos permita anticiparnos al FUTURO.

1. ¿Qué es el Data Mining?
2. Data Mining: inteligencia  artificial y  análisis estadístico.

a. Clasificación
b. Asociación (linkage  analysis)
c. Secuencia
d. Clúster

TALLER DE TRABAJO
Data Mining (en inteligencia artificial) o KDD (en informática).

TALLER DE TRABAJO
¿Qué es el Data Mining y cómo se relaciona con el KDD?

TALLER DE TRABAJO
La calidad de datos. El proceso KDD Extracción de datos ocultos en bases de datos (KDD)

1. Análisis en Data Mining.

a. En una montaña de datos, seguro que hay oro (claves para el futuro empresarial).
b. Elegir el sistema informático que analice la información y saque conclusiones.

2.  Los indicadores que miden si el Data Mining es el adecuado.

TALLER DE TRABAJO
Ejemplos de usos empresariales del Data Mining.
1. Relación con el cliente.
2. Patrones de fuga de clientes a la competencia.
3. Recursos humanos.
4. Internet. Comportamiento de los visitantes de páginas web.

TALLER DE TRABAJO
El Data Mining y su aplicación en el marketing.

1. Clasificación por técnicas del Data Mining.

Visualización.
Verificación.
Descubrimiento.

2. Clasificación por objetivos del Data Mining.
3. Clasificación por tendencias o líneas de investigación del Data Mining.
4. Clasificación por lenguaje de resultados del Data Mining.

TALLER DE TRABAJO
Data Mining: entre la estadística y la inteligencia artificial.

TALLER DE TRABAJO
Data Mining: obtener datos con métodos estadísticos y el  aprendizaje automático (inteligencia artificial) me interpreta el futuro empresarial en base a estos datos.

TALLER DE TRABAJO
Técnicas estadísticas.

• Visualización
• Procesamiento paralelo

TALLER DE TRABAJO
Indicadores clave de negocio (KPI)

TALLER DE TRABAJO
En un ticket de compra tenemos mucha información (hora, producto, etc).

TALLER DE TRABAJO
Control del coste de suministro vía el análisis de los pedidos.

1. El Data Mining en la fase de modelamiento.
2. Fases del Data Mining.
3.  Reconocimiento de patrones, parte fundamental de la Data Mining.

TALLER DE TRABAJO
Fases del Data Mining.

TALLER DE TRABAJO
Metodologías  de Data Mining. CRISP-DM y SEMMA.

TALLER DE TRABAJO
Ventajas del BIG DATA en el mercado inmobiliario.
1. Estudios de mercado inmobiliario al instante.
2. Anticipar tendencias de preferencias inmobiliarias de los consumidores.
3. Seguimiento del valor de una cartera inmobiliaria
4. Exploración comparativa de inversores inmobiliarios.
5. El Geomarketing o mapas con datos de precios, tipología, etc.

TALLER DE TRABAJO
La revolución del ‘BIG DATA’ en el sector inmobiliario.
1. La información del mercado inmobiliario se está adaptando a los procesos de gestión de grandes datos (Urban Data Analytics).
2. Las inmobiliarias pueden agilizar la toma de decisiones de inversión o venta con un click.
3. ¿Qué puede descubrir un sector tan volátil como el inmobiliario con el Big Data?
4. Casos reales de inmobiliarias que utilizan BIG DATA.

TALLER DE TRABAJO
Ventajas del BIG DATA en el mercado inmobiliario.
1. Estudios de mercado inmobiliario al instante.
2. Anticipar tendencias de preferencias inmobiliarias de los consumidores.
3. Seguimiento del valor de una cartera inmobiliaria
4. Exploración comparativa de inversores inmobiliarios.
5. El Geomarketing o mapas con datos de precios, tipología, etc.

TALLER DE TRABAJO
BIG DATA en el sector inmobiliario. 

• Informe en inglés de empresa líder en BIG DATA inmobiliario.

1. Grandes volúmenes de datos inmobiliarios ya están siendo recopilados y analizados en tiempo real, lo que permite reformar edificios sobre la marcha.

Ejemplos: mejora de la eficiencia energética.

2. Reduce los costes de las operaciones inmobiliarias. 
3. Los perfiles de los clientes inmobiliarios permiten desarrollar servicios de mayor calidad ajustados a las necesidades concretas.

Ejemplo: servicio de atención al cliente.

4. Las grandes estrategias de datos ayudan a conocer los riesgos inmobiliarios y tomar decisiones de inversión.
5. Mayor impacto del BIG DATA en el sector inmobiliario.

• Consultoría de transacciones inmobiliarias. Informes del mercado inmobiliario. Predicciones más precisas. Identificación de relaciones complejas que afectan al mercado inmobiliario.
• Inversión en propiedades. Análisis de riesgos del mercado inmobiliario.
• Gestión de edificios.
• Gestión de fondos inmobiliarios.
• Finanzas inmobiliarias.
• Desarrollo del proyecto/implementación.

TALLER DE TRABAJO
La revolución del ‘BIG DATA’ en el urbanismo. Ciudades inteligentes (smart cities).
1. Infraestructura de ciudades inteligentes (contadores de servicios públicos, alumbrado público, sistemas de agua, etc.)
2. El diseño del urbanismo eliminará el ruido gracias al BIG DATA.

TALLER DE TRABAJO
La experiencia de IBM en el Data Mining (sistemas de consulta QUERY) y los sistemas SQL. Análisis de datos de empresas.

TALLER DE TRABAJO
Ejemplos de sistemas Data Mining en base a esquemas.

• IBM Intelligent Miner
• SAS Enterprise Miner
• Microsoft SQLServer
• SGI MineSet
• Clementine (SPSS) 
• DBMiner (DBMiner Technology Inc.) 

TALLER DE TRABAJO
Cross-Industry Standard Process for Data Mining (CRISP-DM)

TALLER DE TRABAJO
Recomendación de marcas de programas informáticos para el Data Mining.

• Las herramientas de apoyo a la toma de decisiones de los ejecutivos.

• Sistemas de apoyo a la toma de decisiones.

• Inteligencia artificial y Aprendizaje automático.

1. Inteligencia artificial y Aprendizaje automático.
2. El aprendizaje inductivo.
3.  Agrupamiento. Clustering.  (“Segmentación”)
4.  Reglas de Asociación
5.  La predicción

a. Árboles de Predicción
b. Estimador de Núcleos
c. Árboles de Decisión
d. Redes de Neuronas
e. Técnicas Genéticas: Algoritmos Genéticos  (“Genetic Algorithms”)

TALLER DE TRABAJO
¿Cómo aprenden las máquinas (inteligencia artificial). El aprendizaje inductivo del programa informático NO SUPERVISADO POR EL HOMBRE. En esquemas.

TALLER DE TRABAJO
El Big data aplicado a  la segmentación de clientes mediante inteligencia artificial.