Identifying Data

2013/14

Subject (*)

Intelixencia de negocio

Code

614502009

Study programme

Mestrado Universitario en Enxeñaría Informática (plan 2012)

Descriptors

Cycle

Period

Year

Type

Credits

Official Master's Degree

2nd four-month period

First

Obligatoria

Language

Spanish

Galician

Prerequisites

Department

Computación
Tecnoloxías da Información e as Comunicacións

Coordinador

Gonzalez Ares, Luis Andres

E-mail

luis.ares@udc.es

Lecturers

Gonzalez Ares, Luis Andres

Ladra González, Susana

Pan Bermudez, Carlos Alberto

E-mail

luis.ares@udc.es

susana.ladra@udc.es

alberto.pan@udc.es

Web

http://docencia.lbd.udc.es/in/

General description

A materia revisa as temáticas relacionadas co tratamento de datos orientado ao ámbito analítico, fundamentalmente os elementos da análise de negocio, as bases de datos da contorna analítica (ODS, Data Warehouse, Data Marts), a integración e a virtualización de datos, o deseño de Data Warehouse, a Minería de Datos, as técnicas de estatística de negocio (Dashboard e KPIs) e o Big Data e a súa relación coa análise de datos.

Study programme competencies

Code	Study programme competences
A8	Capacidade para analizar as necesidades de información que se presentan nun contorno e levar a cabo en todas as súas etapas o proceso de construción dun sistema de información.
A12	Capacidade para aplicar métodos matemáticos, estatísticos e de intelixencia artificial para modelar, deseñar e desenvolver aplicacións, servizos, sistemas intelixentes e sistemas baseados no coñecemento.

Learning aims

Subject competencies (Learning outcomes)	Study programme competences
Conocer, entender e implementar soluciones a la problemática de la integración de datos en los sistemas de información orientados a la toma de decisiones	AJ8
Conocer las características de las bases de datos del entorno analítico y tener capacidad para entender y solucionar los problemas de diseño que presentan	AJ8
Conocer, entender e implementar soluciones para analizar datos estratégicos de una organización, extraer conclusiones y obtener resultados desconocidos.	AJ8 AJ12

Contents

Topic	Sub-topic
Introduction
Architecture of Integration of Data
Multidimensional databases - Design of DW
Data Mining
Techniques of Statistics of Business
Big Data

Planning

Methodologies / tests	Ordinary class hours	Student’s personal work hours	Total hours
Laboratory practice	20	30	50
Problem solving	0	15	15
Workbook	0	10	10
Mixed objective/subjective test	3	0	3
Supervised projects	0	12	12
Guest lecture / keynote speech	20	40	60

Personalized attention	0		0

(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies

Methodologies	Description
Laboratory practice	Son clases en las que se desarrollan las competencias procedimentales relacionadas con los contenidos de la asignatura. En ellas se realizarán, por una parte, ejercicios cuyo objetivo es madurar los conceptos de las clases teóricas, y por otra, se introducirán nuevos conceptos de carácter práctico que se acompañarán de ejercicios.
Problem solving	Son pruebas que plantean unos supuestos de carácter práctico que los estudiantes deben resolver para complementar las habilidades adquiridas en las prácticas de laboratorio.
Workbook	Se propondrá la lectura de diversos trabajos que complementen y ayuden a entender los conceptos planteados.
Mixed objective/subjective test	Examen de la asignatura que combina conceptos teóricos, prácticos y problemas.
Supervised projects	Trabajos realizados bajo la orientación del profesorado, cuyo objetivos es que los estudiantes asuman la responsabilidad de su propio aprendizaje y que aprenden el "cómo hacer".
Guest lecture / keynote speech	Clases teóricas en las que se exponen los contenidos fundamentales de la asignatura, que pueden acompañarse de la propuesta y la resolución de ejemplos.

Personalized attention

Methodologies

Laboratory practice

Problem solving

Description

Se atenderán las dudas y las preguntas que se originen, pudiendo aportar soluciones o ideas que orienten hacia alguna solución.

Assessment

Methodologies	Description	Qualification
Laboratory practice	The maximum grade of the essays, tests and exercises will be of 4 points out of the total 10 points of the course.The asessment will be a continuous asessment so the grade of the tests of this section counts as much for the first as for the second opportunity. The student will have the chance of repeating this test in the second opportunity.	40
Mixed objective/subjective test	The maximum grade will be of 5 points out of the total 10 points of the course. The test consists of an examination that will include theoretical concepts and the practical assimilation of the course. The student will have the chance of repeating this test in the second opportunity.	50
Supervised projects	The results of the essays, which will have a fixed deadline published with enough time in advance, will be assessed. These essays will not be repeated in the second opportunity.	10

Assessment comments

Sources of information

Basic	Turban, E.; Sharda, R. (2011). Business Intelligence: A managerial approach (2 ed.). Prentice Hall Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making . Wiley Conesa Caralt, J.; Curto Díaz, J. (2010). Introducción al Business Intelligence . UOC

Complementary	Witten, I.; Frank, E.; Hall, M. (2011). Data Mining . Morgan Kaufmann Kimball, R.; Ross, M.; Thornthwaite, W.; Mundy, J.; Becker, B. (2008). The Data Warehouse Lifecycle Toolkit, 2nd edition . John Wiley and Sons

Recommendations

Subjects that it is recommended to have taken before

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments

(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.