Clase n°3

Universidad Nacional Hermilio Valdizán de Huánuco

Maestría en Gestión Pública para el Desarrollo Social Dr. MSc. Aland Bravo Vecorena

Sistemas Informáticos de Gestión Pública

Acerca del Curso 1.

2.

3.

4.

Fundamentos de las TICs y de la Sociedad de la Información.

Sistemas Informáticos de Gestión Pública.

Modelado de Bases de Datos, Data Warehouse, Datamining y Cloud Computing.

Integración de Web Services y BPM.

Agenda de Trabajo Retos del Gobierno Regional Hu谩nuco

Modelado Data Warehouse y Data Mining Arquitecturas de Computaci贸n en Nube Fundamentos de Labview - Diadem Laboratorio Guiado Labview - Diadem

Retos del Gobierno Regional Huรกnuco

ยกConvertir a la Regiรณn Huรกnuco al 2021,

como Lider mundial en Desarrollo Tecnolรณgico Multisectorial!

Retos del Gobierno Regional Huánuco

¡Reducir la Pobreza en la Región Huánuco al 2021,

del 64.5 % hasta menos del 14.5 % mediante generación de trabajo vía APP – Pro Inversión!

Retos del Gobierno Regional Huánuco Servicios al Ciudadano Portal del Ciudadano

Perfil de Empresa

Multicanal

Ciudadano

Representante

Empresa

Sistema de Atención al Ciudadano

Servicios de Administración Electrónica Catálogo de Trámites Motor de Tramitación Administración y Soporte

Identificación Administrativa Digital Valija Electrónica Expediente Digital

Archivo Electrónico Apoyo en la Toma de Decisiones Apoyo en la Toma de Decisiones Gestión de Representantes Legales Registro Electrónico de Licitadores

Elementos Habilitantes - Firma Electrónica - Notificaciones Telemáticas - Sello Temporal -Pasarela de Pago - Registro Telemático

Escritorio del Empleado Público Inter Operatividad Administrativa

Escritorio de Tramitación Web

Escritorio de Tramitación Móvil

Back Office

¡Mejorar la Atención Ciudadana en la Región Huánuco al 2021,

Realizando los trámites TUPA, TUSNE y MAPRO por Internet las 24 horas al día los 365 días del año!

Retos del Gobierno Regional Huรกnuco

ยกReducir las Brechas de Infraestructura en la Regiรณn Huรกnuco al 2021,

Lograr atraer Inversiรณn Privada Cofinanciada en Modalidad APP por $ 20,000 Millones USD!

Promoción de la Inversión Privada 









Mega Proyecto 1: Programa de Empoderamiento Urbano y Rural de Servicios Básicos del Ciudadano Huanuqueño (Agua, Desagüe, Salud, Educación, Telecomunicaciones).

Mega Proyecto 2: Clusters Hidro Energético de la Región Huánuco.

Mega Proyecto 3: Hub Logístico de Transportes de la Región Norte Centro Oriental.

Mega Proyecto 4: Cluster Turístico Inter Planetario del Chinchaysuyo – La Capital Logística del Imperio Inca.

Mega Proyecto 5: Clusters de Parques Científicos Tecnológicos Industriales Región Huánuco.

Actores Clave de una Asociaci贸n P煤blico Privada

Comit茅s de Conducci贸n de Procesos APP

Conducción de una Iniciativa Pública en Modalidad APP vía Cofinanciamiento

Conducci贸n de una Iniciativa Privada

Flujograma Inversión Privada Cofinanciada

- DGPI: DIRECCIÓN GENERAL DE POLÍTICA DE INVERSIONES - DI: DECLARATORIA DE INTERÉS - IP: INICIATIVA PRIVADA - MEF: MINISTERIO DE ECONOMÍA Y FINANZAS - UF: UNIDAD FORMULADORA

Estrategia Regional PRO INVERSION Mega Proyectos Cofinanciados

Iniciativa Privada en Modalidad APP Cofinanciada

Proyectos Cofinanciados

Iniciativa PĂşblica en Modalidad APP Cofinanciada

Proyectos Financiados

Iniciativa PĂşblica en Modalidad APP Financiada

SNIP - MEF

Agenda de Trabajo Retos del Gobierno Regional Hu谩nuco

Modelado Data Warehouse y Data Mining Arquitecturas de Computaci贸n en Nube Fundamentos de Labview - Diadem Laboratorio Guiado Labview - Diadem

Desarrollo de un Data Warehouse Multi-Tier Data Warehouse

Distributed Data Marts

Data Mart

Data Mart

Model refinement

Enterprise Data Warehouse

Model refinement

Define a high-level corporate data model

Arquitectura Data Warehouse Otras fuentes

Operational DBs

Metadata

Extract Transform Load Refresh

Monitor & Integrator

Data Warehouse

OLAP Server

Serve

Analysis Query Reports Data mining

Data Marts

Data Sources

Data Storage

OLAP Engine

Front-End Tools

CaracterĂ­sticas Importantes de la Data Estructurada

Proceso de Descubrimiento del Conocimiento Data de Entrada

Pre Procesamiento de Data

Integración de Data Normalización Selección de Característica Reducción de Dimension

Minería de Data

PostProcesamiento

Descubrimiento del Patrón Asociación & correlación Clasificación Clustering Análisis Outlier

Evaluación del Patrón Selección del Patrón Interpretación del Patrón Visualización del Patrón

Tipos de Conjuntos de Datos  coach

ball

score

game

win

lost

timeout

season

3

0

5

0

2

6

0

2

0

2

Document 2

0

7

0

2

1

0

0

3

0

0

Document 3

0

1

0

0

1

2

2

0

3

0

play

team

Document 1

TID

Items

1

Bread, Coke, Milk

2 3 4 5

Beer, Bread Beer, Coke, Diaper, Milk Beer, Bread, Diaper, Milk Coke, Diaper, Milk







Registro ◦ Registro relacional ◦ Data Matricial, e.g., matriz numérica, crosstabs ◦ Data Documental: documento de texto: vector frecuencia ◦ Data de Transacción Gráfico y red ◦ World Wide Web ◦ Redes Sociales o de información ◦ Estructuras Moleculares Ordenadas ◦ Data de Video: sequencia de imágenes ◦ Data Temporal : series de tiempo ◦ Data Sequencial: secuencias transaccionales ◦ Data de secuencia Genética Espacial, imagenes y multimedia: ◦ Data espacial : mapas ◦ Data de Imágenes: ◦ Data de Video:

Análisis Boxplot 

Five-number summary of a distribution ◦ Minimum, Q1, Median, Q3, Maximum



Boxplot ◦ Data is represented with a box ◦ The ends of the box are at the first and third quartiles, i.e., the height of the box is IQR ◦ The median is marked by a line within the box ◦ Whiskers: two lines outside the box extended to Minimum and Maximum

◦ Outliers: points beyond a specified outlier threshold, plotted individually

Visualizaci贸n de la Dispersi贸n de Data 3D-Boxplot

Desde las Tablas y Registros hacia los Cubos de Datos 

A data warehouse is based on a multidimensional data model which views data in the form of a data cube



A data cube, such as sales, allows data to be modeled and viewed in multiple dimensions ◦ Dimension tables, such as item (item_name, brand, type), or time(day, week, month, quarter, year) ◦ Fact table contains measures (such as dollars_sold) and keys to each of the related dimension tables



In data warehousing literature, an n-D base cube is called a base cuboid. The top most 0-D cuboid, which holds the highest-level of summarization, is called the apex cuboid. The lattice of cuboids forms a data cube.

Cubo: Una escalera de Cuboides all

time

item

time,location time,item

0-D (apex) cuboid

location

item,location

time,supplier

supplier

1-D cuboids

location,supplier

2-D cuboids item,supplier

time,location,supplier

3-D cuboids time,item,location

time,item,supplier

item,location,supplier

4-D (base) cuboid time, item, location, supplier

Modelamiento Conceptual de Data Warehouses 

Modeling data warehouses: dimensions & measures

◦ Star schema: A fact table in the middle connected to a set of dimension tables ◦ Snowflake schema: A refinement of star schema where

some dimensional hierarchy is normalized into a set of smaller dimension tables, forming a shape similar to snowflake

◦ Fact constellations: Multiple fact tables share dimension tables, viewed as a collection of stars, therefore called galaxy schema or fact constellation

Ejemplo de Esquema Estrella time

item

time_key day day_of_the_week month quarter year

Sales Fact Table

time_key item_key branch_key

branch

location_key

branch_key branch_name branch_type

units_sold dollars_sold avg_sales

Measures

item_key item_name brand type supplier_type

location location_key street city state_or_province country

Ejemplo de Esquema Snowflake time time_key day day_of_the_week month quarter year

item Sales Fact Table time_key item_key branch_key

branch

location_key

branch_key branch_name branch_type

units_sold

dollars_sold avg_sales

Measures

item_key item_name brand type supplier_key

supplier supplier_key supplier_type

location location_key street city_key

city city_key city state_or_province country

Ejemplo de Fact Constellation time time_key day day_of_the_week month quarter year

item Sales Fact Table time_key

item_key item_name brand type supplier_type

item_key

location_key

branch_key branch_name branch_type

units_sold dollars_sold avg_sales

Measures

time_key

item_key shipper_key from_location

branch_key branch

Shipping Fact Table

location

to_location

location_key street city province_or_state country

dollars_cost units_shipped shipper shipper_key shipper_name location_key shipper_type 28

Data Multidimensional Sales volume as a function of product, month, and region Dimensions: Product, Location, Time Hierarchical summarization paths Industry Region

Year

Category Country Quarter Product

ď‚—

Product

City Office

Month

Month Week Day

Un Ejemplo de un Cubo de Dato TV PC VCR sum

1Qtr

2Qtr

3Qtr

4Qtr

sum

Total annual sales of TVs in U.S.A.

U.S.A Canada Mexico sum

Country

Date

Arreglo Multidimensional para ComputaciĂłn del Cubo (3D a 2D)

ď‚—

The best order is the one that minimizes the memory requirement and reduced I/Os

Agenda de Trabajo Retos del Gobierno Regional Hu谩nuco

Modelado Data Warehouse y Data Mining Arquitecturas de Computaci贸n en Nube Fundamentos de Labview - Diadem Laboratorio Guiado Labview - Diadem

¿Qué es la Computación en Nube? ► Capacidad de proveer recursos de IT bajo demanda sobre Internet. ► Plataforma de cómputo dinámica. ► Outsourced de recursos de tecnología. ► Existen nubes privadas y públicas.

El Cloud Computing se puede comparar con los servicios de: – –

Electricidad, gas natural, agua, telefóno donde se paga por el uso.

Estos servicios pueden ser requeridos y discontinuados bajo necesidad.

La Computación en Nube, un Camino para la Próxima Generación de Centros de Datos Next Generation Data Center Cloud

Modelo de Utilidad

Flexibilidad

Computing Hosting Virtual

Automatización

Virtualización

Modelo Compartido Hosting Dedicado

Consolidación

Estandarización

Modelo Dedicado

+ Confiabilidad + Flexibilidad + Time to market + Menores Costos

Solución Tradicional versus Nueva Generación de Centros de Datos Solución Tradicional

NGDC Adquisición de Servicios

Adquisición de Recursos y construcción de la arquitectura técnica

Poca flexibilidad y grandes tiempos de Respuesta

Esquema de escalabilidad simple en función del crecimiento de su negocio

Soluciones Flexibles y menor tiempo de respuesta

Ambientes complejos y costos

Facilidades en la administración y menor costo

Infraestructura No Compartida y estática

Infraestructura escalable, Elástica, dinámica

Modelo de Computaci贸n en Nube (Cloud Computing)

Tendencias de la Computaci贸n en Nube

Traducci贸n Tiempo Real Geolocalizaci贸n

Voz a Texto

Arquitectura Distribuida Virtualizada

Servidores Almacenamiento

Red

Flexible Dinรกmico Rรกpido

Estrategia de Virtualización Desarrollar

Estandarizar

´Todo virtualizado’

Plataformas de Misión Crítica BENEFICIOS

Explorar

Plataformas de Negocio

Servidores Baja Criticidad

Tiempo  Reducción de Capex y Opex  Mejorar niveles de servicio  Mejorar las respuestas a los requerimientos de negocio

Pila de Servicios de la Computaci贸n en Nube

Software as a Service SaaS

Plataforma as a Service PaaS

Infraestructura as a Service IaaS

Aplicaciones

Servidores de Aplicaci贸n

Host - Hypervisor

Tipos de Computación en Nube

Nube Híbrida

vApp vApp

vApp

API

Nube Privada

API

vApp

vApp

Nube Pública

Seguridad – Portabilidad – Administración unificada

Ejemplo de la Administraciรณn de una Aplicaciรณn en Nube

ADMINISTRACION

Aplicaciones

App Ocurre vuelve un al estado incidente normal

Administraciรณn dinamicamente asigna mรกs recursos

Servidor de Aplicaciones

Host - Hypervisor

Administraciรณn monitorea los recursos

Ventajas y Beneficios de los Servicios en Nube - IaaS

Agenda de Trabajo Retos del Gobierno Regional Hu谩nuco

Modelado Data Warehouse y Data Mining Arquitecturas de Computaci贸n en Nube Fundamentos de Labview - Diadem Laboratorio Guiado Labview - Diadem

Motivaci贸n de Labview-Diadem

Tipos de Formatos de Informaci贸n

Complejidad

Flexible

Databases

Custom Binary & XML Files

F谩cil

TDM Files Simple ASCII Files

LVM Files Usuario Final

Principiante

Intermedio

Avanzado

Vi’s LabVIEW de Almacenamiento de Data

Formatos de Archivos TDM XML Header (*.TDM) Root •Description •Title •Author •etc

Binary (*.TDX) Group •Name •Description •etc.

Channel •Name •Comment •Unit •Max & Min •etc

Channels Groups

Los Vi’s Labview de Almacenamiento escriben Archivos TDM Combining the flexibility and structuring of XML together with the compactness that Binary files offer

Capable of storing: •Analog waveforms •1D arrays of numeric values, strings, time stamps •DAQmx waveform attributes •Additional user defined properties

Ejemplo de Almacenamiento VI’s Read data

Acquire & Write data

TDM file

LabVIEW Data Viewer

Minería de Datos con Diadem Almacenamiento

Minería

Análisis

f(x)

Enfoque Labview y Diadem

Encontrar todos los análisis …..

“Data Mining”

Agenda de Trabajo Retos del Gobierno Regional Hu谩nuco

Modelado Data Warehouse y Data Mining Arquitecturas de Computaci贸n en Nube Fundamentos de Labview - Diadem Laboratorio Guiado Labview - Diadem

Diadem - Labview Labview: Laboratory Virtual Instrument Engineering Workbench  Es un entorno de desarrollo gráfico de 4ta Generación, orientado para la Medición Control y Automatización.  Diadem es una Herramienta de software que permite ubicar, cargar, visualizar, analizar y reportar los datos desde diversas fuentes. 

Ejercicios Guiados de Diadem Ejercicio 1: Escribiendo un Archivo TDMS en Labview.  Ejercicio 2: Utilitario DataFinding y generación automática de Reportes.  Ejercicio 3: Minería de Datos y generación interactiva de Reportes.  Ejercicio 4: Creación Automatizada de Análisis y Reportes.  Ejercicio 5: Análisis Interactivo y Plug In ASCII 

Universidad Nacional Hermilio Valdizán de Huánuco

Maestría en Gestión Pública para el Desarrollo Social Dr. MSc. Aland Bravo Vecorena

Sistemas Informáticos de Gestión Pública