clase n°3

Sistemas Informáticos de

Gestión Pública

Dr. MSc. Aland Bravo Vecorena

Universidad Nacional Hermilio

Valdizán de Huánuco

Maestría en Gestión Pública

para el Desarrollo Social

Acerca del Curso

1. Fundamentos de las TICs y de la

Sociedad de la Información.

2. Sistemas Informáticos de Gestión

Pública.

3. Modelado de Bases de Datos, Data

Warehouse, Datamining y Cloud

Computing.

4. Integración de Web Services y BPM.

Agenda de Trabajo

Modelado Data Warehouse y Data Mining

Retos del Gobierno Regional Huánuco

Fundamentos de Labview - Diadem

Laboratorio Guiado Labview - Diadem

Arquitecturas de Computación en Nube


¡Convertir a la Región Huánuco al 2021,

como Lider mundial en Desarrollo Tecnológico Multisectorial!


¡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!


Portal del Ciudadano Perfil de Empresa

Catálogo de Trámites Archivo Electrónico

Motor de TramitaciónApoyo en la Toma de

Decisiones

Identificación Administrativa Digital

Apoyo en la Toma de Decisiones

Valija ElectrónicaGestión de

Representantes Legales

Expediente DigitalRegistro Electrónico de

Licitadores

Escritorio de Tramitación Web

Escritorio de Tramitación Móvil

Administración y Soporte

Escritorio del Empleado Público

Servicios de Administración Electrónica

Servicios al Ciudadano

Ciudadano Representante Empresa

Inter Operatividad

Administrativa

Elementos Habilitantes

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

Back Office

Sistema de Atención al CiudadanoMulticanal

¡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!


¡Reducir las Brechas de Infraestructura en la Región Huánuco al 2021,

Lograr atraer Inversión 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 Asociación Público Privada

Comités de Conducción de Procesos APP

Conducción de una Iniciativa Pública en

Modalidad APP vía Cofinanciamiento

Conducción 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

Mega Proyectos

Cofinanciados

Proyectos

Cofinanciados

Proyectos

Financiados

Iniciativa Privada en

Modalidad APP

Cofinanciada

Iniciativa Pública en

Modalidad APP

Cofinanciada

Iniciativa Pública en

Modalidad APP Financiada

PRO INVERSION

SNIP - MEF

Agenda de Trabajo






Desarrollo de un Data Warehouse

Define a high-level corporate data model

Data

Mart

Data

Mart

Distributed

Data Marts

Multi-Tier Data

Warehouse

Enterprise Data

Warehouse

Model refinement Model refinement

Arquitectura Data Warehouse

Data

Warehouse

Extract

Transform

Load

Refresh

OLAP Engine

Analysis

Query

Reports

Data mining

Monitor

&

Integrator

Metadata

Data Sources Front-End Tools

Serve

Data Marts

Operational

DBs

Otras

fuentes

Data Storage

OLAP

Server

Características Importantes de la

Data Estructurada

Proceso de Descubrimiento del Conocimiento

Data de Entrada

Minería de Data

Pre Procesamiento

de Data

Post-Procesamiento

Integración de Data

Normalización

Selección de Característica

Reducción de Dimension

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 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:

Document 1

se

aso

n

time

ou

t

lost

win

ga

me

sco

re

ba

llpla

y

co

ach

tea

m

Document 2

Document 3

3 0 5 0 2 6 0 2 0 2

0

0

7 0 2 1 0 0 3 0 0

1 0 0 1 2 2 0 3 0

TID Items

1 Bread, Coke, Milk

2 Beer, Bread

3 Beer, Coke, Diaper, Milk

4 Beer, Bread, Diaper, Milk

5 Coke, Diaper, Milk

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

Visualización de la Dispersión 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

time,item

time,item,location

time, item, location,

supplier

all

time item location supplier

time,location

time,supplier

item,location

item,supplier

location,supplier

time,item,supplier

time,location,supplier

item,location,supplier

0-D (apex) cuboid

1-D cuboids

2-D cuboids

3-D cuboids

4-D (base) cuboid

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_key

day

day_of_the_week

month

quarter

year

time

location_key

street

city

state_or_province

country

location

Sales Fact Table

time_key

item_key

branch_key

location_key

units_sold

dollars_sold

avg_sales

Measures

item_key

item_name

brand

type

supplier_type

item

branch_key

branch_name

branch_type

branch

Ejemplo de Esquema Snowflake

time_key

day

day_of_the_week

month

quarter

year

time

location_key

street

city_key

location

Sales Fact Table

time_key

item_key

branch_key

location_key

units_sold

dollars_sold

avg_sales

Measures

item_key

item_name

brand

type

supplier_key

item

branch_key

branch_name

branch_type

branch

supplier_key

supplier_type

supplier

city_key

city

state_or_province

country

city

Ejemplo de Fact Constellation

28

time_key

day

day_of_the_week

month

quarter

year

time

location_key

street

city

province_or_state

country

location

Sales Fact Table

time_key

item_key

branch_key

location_key

units_sold

dollars_sold

avg_sales

Measures

item_key

item_name

brand

type

supplier_type

item

branch_key

branch_name

branch_type

branch

Shipping Fact Table

time_key

item_key

shipper_key

from_location

to_location

dollars_cost

units_shipped

shipper_key

shipper_name

location_key

shipper_type

shipper

Data Multidimensional

Sales volume as a function of product,

month, and region

Pro

duct

Month

Dimensions: Product, Location, Time

Hierarchical summarization paths

Industry Region Year

Category Country Quarter

Product City Month Week

Office Day

Un Ejemplo de un Cubo de Dato

Total annual sales

of TVs in U.S.A. Date

Cou

ntr

y sum

sum TV

VCR PC

1Qtr 2Qtr 3Qtr 4Qtr

U.S.A

Canada

Mexico

sum

Arreglo Multidimensional para

Computación del Cubo (3D a 2D)

The best order is

the one that

minimizes the

memory

requirement and

reduced I/Os

Agenda de Trabajo






¿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

Flexibilidad

Hosting Dedicado

Hosting Virtual

Modelo

Dedicado

Modelo

Compartido

Modelo

de Utilidad

+ Confiabilidad + Flexibilidad + Time to market + Menores Costos

Estandarización

Consolidación

Virtualización

Automatización

Cloud

Computing

Next Generation Data Center

Solución Tradicional versus Nueva

Generación de Centros de Datos

NGDC

Adquisición de

Servicios

Soluciones Flexibles

y menor tiempo

de respuesta

Facilidades

en la administración

y menor costo

Infraestructura

escalable,

Elástica, dinámica

Solución Tradicional

Adquisición de

Recursos y construcción

de la arquitectura técnica

Poca flexibilidad y

grandes tiempos de

Respuesta

Ambientes

complejos

y costos

Infraestructura

No Compartida

y estática

Esquema de

escalabilidad simple en

función del crecimiento

de su negocio

Modelo de Computación en

Nube (Cloud Computing)

Tendencias de la Computación

en Nube

Geolocalización

Traducción

Tiempo Real

Voz a Texto

Arquitectura Distribuida Virtualizada

Servidores

Almacenamiento

Red

Flexible

Dinámico

Rápido

Estrategia de Virtualización

Tiempo

Desarrollar Estandarizar Explorar

Servidores Baja Criticidad

Plataformas de Negocio

Plataformas de Misión Crítica

´Todo virtualizado’

Reducción de Capex y Opex

Mejorar niveles de servicio

Mejorar las respuestas a los requerimientos de negocio

BE

NE

FIC

IOS

Pila de Servicios de la Computación en Nube

Infraestructura

as a Service

IaaS

Host - Hypervisor

Plataforma

as a Service

PaaS

Servidores de Aplicación

Aplicaciones Software

as a Service

SaaS

Tipos de Computación en Nube

Nube

Híbrida

Nube

Privada

vApp vApp

Nube

Pública

vApp vApp

AP

I AP

I

Seguridad – Portabilidad – Administración unificada

vApp

Ejemplo de la Administración de

una Aplicación en Nube

Host - Hypervisor

Servidor de Aplicaciones

Aplicaciones

Ocurre un

incidente

AD

MIN

IST

RA

CIO

N

Administración

monitorea los

recursos

Administración

dinamicamente asigna

más recursos

App vuelve

al estado normal

Ventajas y Beneficios de los

Servicios en Nube - IaaS

Agenda de Trabajo






Motivación de Labview-Diadem

Tipos de Formatos de Información

Principiante Intermedio Avanzado

Simple ASCII Files

Databases

TDM Files

Custom Binary & XML Files

LVM Files

Complejidad

Usuario Final

Fácil

Flexible

Vi’s LabVIEW de

Almacenamiento de Data

Formatos de Archivos TDM

Root •Description

•Title

•Author

•etc

Group •Name

•Description

•etc.

Groups

Channel •Name

•Comment

•Unit

•Max & Min

•etc

Channels

XML Header (*.TDM)

Binary (*.TDX)

Los Vi’s Labview de Almacenamiento

escriben Archivos TDM

Capable of storing:

•Analog waveforms

•1D arrays of numeric values, strings, time stamps

•DAQmx waveform attributes

•Additional user defined properties

Combining the flexibility and structuring of XML together with the

compactness that Binary files offer

Ejemplo de Almacenamiento VI’s

Acquire & Write data TDM file

LabVIEW Data Viewer

Read data

Minería de Datos con Diadem

Análisis

f(x)

Minería Almacenamiento

Enfoque Labview y Diadem

“Data Mining”

Encontrar todos los análisis …..

Agenda de Trabajo






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

Sistemas Informáticos de

Gestión Pública

Dr. MSc. Aland Bravo Vecorena

Universidad Nacional Hermilio

Valdizán de Huánuco

Maestría en Gestión Pública

para el Desarrollo Social

clase n°3

Documents