jueves, 23 de junio de 2016

Creación de Subconjunto dinámicos en TM1



Realizado por el SmartB Edgar Barrios.



Una funcionalidad interesante que ofrece Cognos TM1 es la capacidad de crear subconjuntos dinámicos, los cuales permiten crear agrupaciones de elementos en una dimensión y dichas agrupaciones se actualizan de manera automática. La actualización se hará si el nuevo miembro de la dimensión cumple con criterio con el cual fue creado el subconjunto dinámico.


A continuación te mostraremos como crear subconjuntos dinámicos desde IBM Cognos Performance Modeler.


Tenemos la dimensión Artículos Deportivos que contiene artículos que se usan en diversas disciplinas deportivas.


1.    Abra IBM Cognos Performance Modeler. Conéctese al servicio. Presione doble clic sobre la dimensión sobre la cual se creará el subconjunto. Observará todos los elementos de la dimensión.

 2.    Posiciónese sobre la dimensión y presiono clic derecho y selecciono crear nuevo subconjunto o New Subset.


3.    Se le asigna nombre al nuevo subconjunto y se presiona el botón Ok.


 4.    Luego de creado el subconjunto, lo seleccionamos y ubicamos en la sección Properties la opción Expression.


 5.    Presiona doble clic en el contenido de la propiedad y le saldrá la siguiente ventana, en la que podrá marcar la opción Dynamic que convertirá el subconjunto en dinámico, Subset Basis que permitirá seleccionar el criterio de selección del subconjunto y finalmente en Expression se visualizará la expresión MDX generada automáticamente:



 6.    Las opciones disponibles son: por nivel, todos los miembros, los miembros actuales del subconjunto o los miembros seleccionados.

7.    Marque la casilla Dynamic, y seleccione el criterio de filtrado del subconjunto. Para el ejemplo lo haremos por nivel y seleccionaremos el nivel 0 (Level 0) y se preisona el botón OK.


8.    A continuación se puede observar como automáticamente se actualiza el subconjunto. Mostrando un icono distinto y sólo los elementos de la dimensión del nivel 0.




 9.       Si modificamos la dimensión agregando un nuevo elemento de nivel 0, por ejemplo unas rodilleras dentro de la disciplina voleibol.


10.   La dimensión queda de la siguiente manera:

11.   El subconjunto automáticamente mostrará el nuevo elemento agregado.


lunes, 13 de junio de 2016

Metodología CRISP-DM Parte 3 - Final



Realizado por la SmartB María Victoria Díaz
Hola,  a continuación te traemos la parte número 3 y final de la metodología CRISP-DM, en caso de que quieras validar las secciones anteriores puedes verificar nuestro Blog.

5. Fase de evaluación

En esta fase se evalúa el modelo, teniendo en cuenta el cumplimiento de los criterios de éxito del problema. Debe considerarse además, que la fiabilidad calculada para el modelo se aplica solamente para los datos sobre los que se realizó el análisis. Es preciso revisar el proceso, teniendo en cuenta los resultados obtenidos, para poder repetir algún paso anterior, en el que se haya posiblemente cometido algún error. Considerar que se pueden emplear múltiples herramientas para la interpretación de los resultados. Las matrices de confusión Edelstein, 1999 son muy empleadas en problemas de clasificación y consisten en una tabla que indica cuantas clasificaciones se han hecho para cada tipo, la diagonal de la tabla representa las clasificaciones correctas. Si el modelo generado es válido en función de los criterios de éxito establecidos en la fase anterior, se procede a la explotación del modelo. La figura 6 Detalla las tareas que componen esta fase y los resultados que se deben obtener.


Figura No. 6 Fase de evaluación ([CRISP-DM, 2000]).

Las tareas involucradas en esta fase del proceso son las siguientes:

Evaluación de los resultados. En los pasos de evaluación anteriores, se trataron factores tales como la exactitud y generalidad del modelo generado. Esta tarea involucra la evaluación del modelo en relación a los objetivos del negocio y busca determinar si hay alguna razón de negocio para la cual, el modelo sea deficiente, o si es aconsejable probar el modelo, en un problema real si el tiempo y restricciones lo permiten. Además de los resultados directamente relacionados con el objetivo del proyecto, ¿es aconsejable evaluar el modelo en relación a otros objetivos distintos a los originales?, esto podría revelar información adicional.

Revisión del proceso. El proceso de revisión, se refiere a calificar al proceso entero de DM, a objeto de identificar elementos que pudieran ser mejorados.

Determinación de futuras fases. Si se ha determinado que las fases hasta este momento han generado resultados satisfactorios, podría pasarse a la fase siguiente, en caso contrario podría decidirse por otra iteración desde la fase de preparación de datos o de modelación con otros parámetros. Podría ser incluso que en esta fase se decida partir desde cero con un nuevo proyecto de DM 6.

6. Fase de implementación

En esta fase (figura 7), y una vez que el modelo ha sido construido y validado, se transforma el conocimiento obtenido en acciones dentro del proceso de negocio, ya sea que el analista recomiende acciones basadas en la observación del modelo y sus resultados, ya sea aplicando el modelo a diferentes conjuntos de datos o como parte del proceso, como por ejemplo, en análisis de riesgo crediticio, detección de fraudes, etc. Generalmente un proyecto de Data Mining no concluye en la implantación del modelo, pues se deben documentar y presentar los resultados de manera comprensible para el usuario, con el objetivo de lograr un incremento del conocimiento. Por otra parte, en la fase de explotación se debe asegurar el mantenimiento de la aplicación y la posible difusión de los resultados.  Las tareas que se ejecutan en esta fase son las siguientes:

 Figura No. 7. Fase de implementación ([CRISP-DM, 2000])

Plan de implementación. Para implementar el resultado de DM en la organización, esta tarea toma los resultados de la evaluación y concluye una estrategia para su implementación. Si un procedimiento general se ha identificado para crear el modelo, este procedimiento debe ser documentado para su posterior implementación. 

Monitorización y Mantenimiento. Si los modelos resultantes del proceso de Data Mining son implementados en el dominio del problema como parte de la rutina diaria, es aconsejable preparar estrategias de monitorización y mantenimiento para ser aplicadas sobre los modelos. La retroalimentación generada por la monitorización y mantenimiento pueden indicar si el modelo está siendo utilizado apropiadamente

Informe Final. Es la conclusión del proyecto de DM realizado. Dependiendo del plan de implementación, este informe puede ser sólo un resumen de los puntos importantes del proyecto y la experiencia lograda o puede ser una presentación final que incluya y explique los resultados logrados con el proyecto. 

Revisión del proyecto: En este punto se evalúa qué fue lo correcto y qué lo incorrecto, qué es lo que se hizo bien y qué es lo que se requiere mejorar