Identifying Data

2021/22

Subject (*)

Business Intelligence

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

Obligatory

Language

Spanish

Galician

Teaching method

Hybrid

Prerequisites

Department

Ciencias da Computación e Tecnoloxías da Información
Computación

Coordinador

Bernardo Roca, Guillermo de

E-mail

guillermo.debernardo@udc.es

Lecturers

Bernardo Roca, Guillermo de

Ladra González, Susana

Lopez Mato, Javier

E-mail

guillermo.debernardo@udc.es

susana.ladra@udc.es

javier.lopezm@udc.es

Web

http://moodle.udc.es

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.

Contingency plan

1. Modificacións nos contidos

Non se modificarán os contidos previstos

2. Metodoloxías
*Metodoloxías docentes que se manteñen

*Metodoloxías docentes que se modifican

As metodoloxías docentes manteranse, modificando o mecanismo de asistencia.
A docencia teórica e práctica, así como o exame, realizaranse de forma telemática (Teams/Moodle) se non fose posible realizalos presencialmente na aula.

3. Mecanismos de atención personalizada ao alumnado

Poderá contactarse co profesorado da materia polos medios habituais (Teams, email) para concertar atención personalizada. As titorías serán sempre virtuais, empregando preferentemente Teams.

4. Modificacións na avaliación

Non se realizarán modificacións na avaliación

*Observacións de avaliación:

5. Modificacións da bibliografía ou webgrafía

Ningunha

Study programme competencies

Code	Study programme competences
A5	Capacidade de comprender e saber aplicar o funcionamento e organización da internet, as tecnoloxías e protocolos de redes de nova xeración, os modelos de compoñentes, sóftware intermediario e servizos.
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.
B1	Capacidade de resolución de problemas.
B2	Traballo en equipo.
B3	Capacidade de análise e síntese.
B5	Habilidades de xestión da información.
B6	Toma de decisións.
B8	Capacidade de traballar nun equipo interdisciplinar.
B10	Capacidade para proxectar, calcular e deseñar produtos, procesos e instalacións en todos os ámbitos da enxeñaría informática
B11	Capacidade para a dirección de obras e instalacións de sistemas informáticos, cumprindo a normativa vixente e asegurando a calidade do servizo
B12	Capacidade para dirixir, planificar e supervisar equipos multidisciplinares
B13	Capacidade para o modelado matemático, cálculo e simulación en centros tecnolóxicos e de enxeñaría de empresa, particularmente en tarefas de investigación, desenvolvemento e innovación en todos os ámbitos relacionados coa Enxeñaría en Informática
B14	Capacidade para a elaboración, planificación estratéxica, dirección, coordinación e xestión técnica e económica de proxectos en todos os ámbitos da Enxeñaría en Informática seguindo criterios de calidade e ambientais
B17	Capacidade para a aplicación dos coñecementos adquiridos e de resolver problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos e multidisciplinares, sendo capaces de integrar estes coñecementos
B21	Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
B22	Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
B23	Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos
B24	Que os estudantes saiban comunicar as súas conclusións, e os coñecementos e razóns últimas que as sustentan, a públicos especializados e non especializados dun modo claro e sen ambigüidades
B25	Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo
C1	Expresarse correctamente, tanto de forma oral coma escrita, nas linguas oficiais da comunidade autónoma.
C3	Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
C4	Desenvolverse para o exercicio dunha cidadanía aberta, culta, crítica, comprometida, democrática e solidaria, capaz de analizar a realidade, diagnosticar problemas, formular e implantar solucións baseadas no coñecemento e orientadas ao ben común.
C5	Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
C6	Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse.
C7	Asumir como profesional e cidadán a importancia da aprendizaxe ao longo da vida.
C8	Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade

Learning aims

Learning outcomes	Study programme competences
Coñecer, entender e implementar solucións á problemática da integración de datos nos sistemas de información orientados á toma de decisións	AJ5	BJ1 BJ2 BJ3 BJ5 BJ6 BJ8 BC1 BC2 BC3 BC4 BC5	CJ1 CJ3 CJ4 CJ5 CJ6 CJ7 CJ8
Coñecer as características das bases de datos da contorna analítica e ter capacidade para entender e solucionar os problemas de deseño que presentan.	AJ12	BJ1 BJ2 BJ3 BJ5 BJ6 BJ8 BC1 BC2 BC3 BC4 BC5	CJ1 CJ3 CJ4 CJ5 CJ6 CJ7 CJ8
Coñecer, entender e implementar solucións para analizar datos estratéxicos dunha organización, extraer conclusións e obter resultados descoñecidos.	AJ12	BJ1 BJ2 BJ3 BJ5 BJ6 BJ8 BJ10 BJ11 BJ12 BJ13 BJ14 BJ17 BC1 BC2 BC3 BC4 BC5	CJ1 CJ3 CJ4 CJ5 CJ6 CJ7 CJ8

Contents

Topic	Sub-topic
Introduction
Architecture of Integration of Data
Multidimensional databases - Design of DW
Data Mining
Techniques of Statistics of Business: Dashboard, KPI.

Planning

Methodologies / tests	Competencies	Ordinary class hours	Student’s personal work hours	Total hours
Laboratory practice	A5 A12 B1 B2 B3 B5 B6 B8 B10 B11 B12 B14 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	20	28	48
Problem solving	A5 A12 B1 B2 B3 B5 B6 B8 B10 B11 B12 B13 B14 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	0	12	12
Workbook	A5 B3 B5 B6 B10 B14 B17 B21 B22 B23 B25 C4 C6 C7 C8	0	10	10
Mixed objective/subjective test	A5 A12 B1 B2 B3 B5 B6 B8 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	3	0	3
Supervised projects	A5 B1 B2 B3 B5 B6 B8 B14 B17 B21 B22 B23 B24 B25 C1 C3 C4 C5 C6 C7 C8	0	12	12
Guest lecture / keynote speech	A5 A12 B1 B3 B5 B6 B10 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	20	40	60

Personalized attention		5	0	5

(*)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 nas que se desenvolven as competencias procedimentais relacionadas cos contidos da materia. Nelas realizaranse, por unha parte, exercicios cuxo obxetivo é madurar os conceptos das clases teóricas, e por otra, introduciranse novos conceptos de carácter práctico que acompañaranse de exercicios.
Problem solving	Son probas que plantexan uns supostos de carácter práctico que os estudantes deben resolver para complementar as habilidades adquiridas nas prácticas de laboratorio.
Workbook	Propondrase a lectura de diversos traballos que complementen e axuden a entender os conceptos plantexados.
Mixed objective/subjective test	Exame da materia que combina conceptos teóricos e prácticos.
Supervised projects	Traballos realizados baixo a orientación do profesorado, cuxo objetivos é que os estudantes asuman a responsabilidade do seu propio aprendizaxe e que aprenden "como facer".
Guest lecture / keynote speech	Clases teóricas nas que se exponen os contidos fundamentais da materia, que poden acompañarse da propuesta e da resolución de exemplos.

Personalized attention

Methodologies

Laboratory practice

Problem solving

Description

Atenderanse as dúbidas e as preguntas que se orixinen, podendo aportar solucións ou ideas que orienten a algunha solución.

Assessment

Methodologies	Competencies	Description	Qualification
Laboratory practice	A5 A12 B1 B2 B3 B5 B6 B8 B10 B11 B12 B14 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	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.	50
Mixed objective/subjective test	A5 A12 B1 B2 B3 B5 B6 B8 B17 B21 B22 B23 B24 B25 C1 C3 C4 C6 C7 C8	The maximum grade will be of 4.2 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. If the minimum grade is not exceeded, the final grade will be 4.5. The student will have the chance of repeating this test in the second opportunity.	40
Supervised projects	A5 B1 B2 B3 B5 B6 B8 B14 B17 B21 B22 B23 B24 B25 C1 C3 C4 C5 C6 C7 C8	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
Students with part-time enrollment or any circumstance that prevents attendance to the lectures, should contact teachers to decide alternatives for the correct monitoring and evaluation of the subject

Sources of information

Basic	Sharda, R. Delen, D.; Turban, E. (2014). Business Intelligence: A managerial perspective on analytics. Prentice Hall Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making . Wiley Tan, P.; Steinbach, M.; Kumar, V. (2006). Introduction to Data Mining . Addison-Wesley Kimball, R.; Ross, M. (2013). The Data Warehouse Toolkit (3 ed.). Wiley

Complementary	Inmon, W. H. (2002). Building the Data Warehouse, 3nd edition. Wiley Witten, I.; Frank, E.; Hall, M. (2011). Data Mining . Morgan Kaufmann Williams, G. (2011). Data Mining with Rattle and R. Springer Golfarelli, M.; Rizzi, S. (2009). Data Warehouse Design: Modern Principles and Methodologies. McGraw-Hill Conesa Caralt, J.; Curto Díaz, J. (2010). Introducción al Business Intelligence . UOC Kimball, R.; Ross, M.; Thornthwaite, W.; Mundy, J.; Becker, B. (2008). The Data Warehouse Lifecycle Toolkit (2nd ed) . 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.