Documente Academic
Documente Profesional
Documente Cultură
Este documento se proporciona "tal cual". La informacin y los puntos de vista expresados en este documento, incluyendo las referencias a sitios web de
Internet y direcciones URL, est sujeta a cambios sin aviso. Este documento no implica ningn derecho legal respecto a ninguna propiedad intelectual de ningn
nombre de producto o producto de Microsoft. Puede copiar y utilizar este documento con fines internos y de referencia. Se permite que modifique este
documento para sus fines internos y de referencia. 2013 Microsoft. Reservados todos los derechos. Trminos de uso
(http://msdn.microsoft.com/cc300389.aspx) | Marcas comerciales (http://www.microsoft.com/library/toolbar/3.0/trademarks/en-us.mspx)
Table Of Contents
Captulo 1
Tutoriales de Analysis Services
Captulo1
Vea tambin
Otros recursos
TechNet WIKI: Ejemplos de SQL Server 2012
Conjunto de datos Picnic (datos de ejemplo)
Aprendizaje
En el transcurso de este tutorial, aprender lo siguiente:
Requisitos previos
Para completar este tutorial, debe tener los siguientes requisitos previos instalados:
Instancia de SQL Server 2014 Analysis Services que se ejecuta en modo Tabular.
SQL Server Data Tools (SSDT).
Base de datos de ejemplo AdventureWorksDW. Esta base de datos de ejemplo incluye los datos necesarios para completar este tutorial. Para descargar la base
de datos de ejemplo, vea http://go.microsoft.com/fwlink/?LinkID=335807.
Microsoft Excel 2003 o posterior para su uso con la caracterstica Analizar de Excel en la leccin 11
Lecciones
Este tutorial incluye las siguientes lecciones:
Leccin
10 minutos
20 minutos
20 minutos
3 minutos
10 minutos
15 minutos
30 minutos
15 minutos
5 minutos
20 minutos
15 minutos
15 minutos
20 minutos
5 minutos
Lecciones complementarias
Este tutorial tambin incluye Lecciones complementarias. Los temas de esta seccin no son necesarios para completar el tutorial, pero pueden ser tiles para
comprender mejor las caractersticas avanzadas de creacin de modelos tabulares.
Este tutorial incluye las siguientes lecciones complementarias:
Leccin
30 minutos
Configurar las propiedades de notificacin para informes de Power View Configurar las propiedades de notificacin para
informes de Power View
30 minutos
Paso siguiente
Para comenzar el tutorial, vaya a la primera leccin: Leccin 1: Crear un nuevo proyecto de modelo tabular.
Requisitos previos
Este tema es la primera leccin de un tutorial de creacin de modelos tabulares. Para completar esta leccin, debe tener la base de datos AdventureWorksDW
instalada en una instancia de SQL Server. Para obtener ms informacin, vea Creacin de modelos tabulares tutorial de Adventure Works.
Descripcin del entorno de creacin de modelos tabulares con las herramientas de datos de
SQL Server
Ahora que ha creado un nuevo proyecto de modelo tabular, dedique un momento a examinar el entorno de creacin de modelos tabulares de SQL Server Data Tools
(Visual Studio 2010 o posterior).
Despus de crear el proyecto, este se abre en SQL Server Data Tools. Aparecer un modelo vaco en el diseador de modelos y el archivo Model.bim se seleccionar
en el Explorador de soluciones. Cuando agregue datos, aparecern tablas y columnas en el diseador. Si no ve el diseador la ventana vaca con la pestaa
Model.bim), en el Explorador de soluciones, en MT Ventas AW, haga doble clic en el archivo Model.bim.
Puede ver las propiedades bsicas del proyecto en la ventana Propiedades. En el Explorador de soluciones, haga clic en MT Ventas AW. Observe que en la ventana
Propiedades, en Archivo de proyecto, aparece MT Ventas AW.smproj. Este es el nombre de archivo del proyecto y en Carpeta del proyecto ver la ubicacin del
archivo del proyecto.
En Explorador de soluciones, haga clic con el botn secundario en el proyecto MT Ventas AW y, a continuacin, haga clic en Propiedades. Aparece el cuadro de
dilogo Pginas de propiedades del MT Ventas AW. Estas son las propiedades avanzadas del proyecto. Establecer alguna de estas propiedades ms adelante
cuando est preparado para implementar el modelo.
Ahora, examinemos las propiedades del modelo. En el Explorador de soluciones, haga clic en Model.bim. En la ventana Propiedades ver ahora las propiedades del
modelo, de las cuales la ms importante es DirectQueryMode. Esta propiedad especifica si el modelo se va a implementar en modo de almacenamiento en memoria
(desactivada) o en modo DirectQuery (activada). En este tutorial, crear e implementar el modelo en modo de almacenamiento en memoria.
Cuando crea un modelo nuevo, algunas propiedades del modelo se establecen automticamente segn la configuracin del modelo de datos, que puede especificarse
en Herramientas\cuadro de dilogo Opciones. Las propiedades Copia de seguridad de datos, Retencin de rea de trabajo y Servidor del rea de trabajo especifican
cmo y dnde se realiza una copia de seguridad, se conserva en memoria y se crea la base de datos del rea de trabajo la base de datos de creacin del modelo.
Puede cambiar esta configuracin ms adelante si es necesario, pero de momento deje estas propiedades tal como estn.
Cuando instal SQL Server Data Tools, se agregaron varios elementos de men nuevos al entorno de Visual Studio. Examinemos los nuevos elementos de men que
son especficos de la creacin de modelos tabulares. Haga clic en el men Modelo. Desde aqu, puede iniciar el Asistente para la importacin de tablas, ver y editar
conexiones existentes, actualizar los datos del rea de trabajo, examinar el modelo en Microsoft Excel con la caracterstica Analizar de Excel, crear perspectivas y roles,
seleccionar la vista del modelo y definir opciones de clculo.
Haga clic en el men Tabla. Aqu puede crear y administrar las relaciones entre tablas, crear y administrar tablas, especificar la configuracin de las tablas de datos,
crear particiones y editar las propiedades de tabla.
Haga clic en el men Columna. Aqu puede agregar y eliminar columnas de una tabla, inmovilizar columnas y especificar el criterio de ordenacin. Tambin puede
utilizar la caracterstica de autosuma para crear una medida de agregacin estndar para una columna seleccionada. Otros botones de la barra de herramientas
proporcionan acceso rpido a caractersticas y comandos usados con frecuencia.
Examine algunos de los cuadros de dilogo y ubicaciones de las distintas caractersticas especficas de la creacin de modelos tabulares. Aunque algunos elementos
an no estn activos, puede hacerse una idea de cmo es el entorno de creacin de modelos tabulares.
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 2: Agregar datos.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 1: Crear un nuevo proyecto de modelo tabular.
Nombre descriptivo
DimDate
date
DimGeography
Geography
DimProduct
Product
DimProductCategory
Product Category
DimProductSubcategory
Product Subcategory
FactInternetSales
Internet Sales
Ahora que se ha conectado a la base de datos, ha seleccionado las tablas que se importarn y ha asignado nombres descriptivos a las tablas, vaya a la siguiente
seccin, Filtrar los datos de la tabla antes de importar.
SpanishProductCategoryName
FrenchProductCategoryName
Product Subcategory
SpanishProductSubcategoryName
FrenchProductSubcategoryName
Internet Sales
OrderDateKey
DueDateKey
ShipDateKey
Ahora que ha obtenido una vista previa de los datos innecesarios y los ha filtrado, puede importar los datos. Vaya a la siguiente seccin, Importar los datos de las
columnas y las tablas seleccionadas.
Paso siguiente
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 3: Cambiar el nombre de las columnas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 2: Agregar datos.
Nombre descriptivo
GeographyKey
Id. de geografa
CustomerAlternateKey
FirstName
Nombre
MiddleName
Segundo nombre
LastName
Apellidos
NameStyle
BirthDate
Fecha de nacimiento
MaritalStatus
Estado civil
EmailAddress
YearlyIncome
Ingresos anuales
TotalChildren
Hijos
NumberChildrenAtHome
Hijos a su cuidado
EnglishEducation
Educacin
EnglishOccupation
Ocupacin
HouseOwnerFlag
NumberCarsOwned
AddressLine1
Lnea de direccin 1
AddressLine2
Lnea de direccin 2
Phone
Nmero de telfono
DateFirstPurchase
CommuteDistance
Distancia de viaje
Date
Nombre de origen
Nombre descriptivo
FullDateAlternateKey
date
DayNumberOfWeek
Da de la semana
EnglishDayNameOfWeek
Nombre del da
DayNumberOfMonth
Da del mes
DayNumberOfYear
Da del ao
WeekNumberOfYear
EnglishMonthName
MonthNumberOfYear
Mes
CalendarQuarter
CalendarYear
Ao del calendario
CalendarSemester
FiscalQuarter
Trimestre fiscal
FiscalYear
Ao fiscal
FiscalSemester
Semestre fiscal
Geography
Nombre de origen
Nombre descriptivo
GeographyKey
Id. de geografa
StateProvinceCode
StateProvinceName
CountryRegionCode
SpanishCountryRegionName
PostalCode
Cdigo postal
SalesTerritoryKey
Product
Nombre de origen
Nombre descriptivo
ProductKey
Id. de producto
ProductAlternateKey
ProductSubcategoryKey
WeightUnitMeasureCode
SizeUnitMeasureCode
EnglishProductName
StandardCost
Costo estndar
FinishedGoodsFlag
Es producto final
SafetyStockLevel
ReorderPoint
ListPrice
Precio de lista
SizeRange
Rango de tamao
DaysToManufacture
ProductLine
Lnea de productos
Dealer Price
ModelName
LargePhoto
Foto grande
EnglishDescription
Descripcin
StartDate
EndDate
Status
Product Category
Nombre de origen
Nombre descriptivo
ProductCategoryKey
ProductCategoryAlternateKey
EnglishProductCategoryName
Product Subcategory
Nombre de origen
Nombre descriptivo
ProductSubcategoryKey
ProductSubcategoryAlternateKey
EnglishProductSubcategoryName
ProductCategoryKey
Internet Sales
Nombre de origen
Nombre descriptivo
ProductKey
Id. de producto
CustomerKey
Id. de cliente
PromotionKey
Id. de promocin
CurrencyKey
Id. de moneda
SalesTerritoryKey
SalesOrderNumber
SalesOrderLineNumber
RevisionNumber
Nmero de revisin
OrderQuantity
UnitPrice
ExtendedAmount
Importe extendido
UnitPriceDiscountPct
DiscountAmount
Importe de descuento
ProductStandardCost
TotalProductCost
SalesAmount
Importe de ventas
TaxAmt
Importe de impuesto
CarrierTrackingNumber
CustomerPONumber
OrderDate
Fecha de pedido
DueDate
Fecha de vencimiento
ShipDate
Fecha de envo
Paso siguiente
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 4: Marcar como tabla de fechas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 3: Cambiar el nombre de las columnas.
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 5: Crear relaciones.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 3: Cambiar el nombre de las columnas.
Tabla
Si
Si
Si
Si
Si
Si falta alguna de las relaciones en la tabla, compruebe que el modelo incluye las tablas siguientes: Customer, Date, Geography, Product, Product Category, Product
Subcategory y Internet Sales. Si las tablas de la misma conexin del origen de datos se importan en momentos distintos, no se crear ninguna relacin entre estas
tablas y las relaciones debern crearse manualmente.
En algunos casos, tal vez necesite crear relaciones adicionales entre las tablas de su modelo para permitir una determinada lgica empresarial. En este tutorial, tendr
que crear tres relaciones adicionales entre la tabla Internet Sales y la tabla Date.
Al crear relaciones, el orden entre la tabla primaria y la tabla de bsqueda relacionada se fija de manera correcta automticamente.
2. En el diseador de modelos, en la tabla Internet Sales, haga clic y mantenga seleccionada la columna Due Date, arrastre el cursor hasta la columna Date de la
tabla Date y sultelo.
Aparece una lnea de puntos que indica que ha creado una relacin inactiva entre la columna Due Date de la tabla Internet Sales y la columna Date de la tabla
Date. Puede haber varias relaciones entre las tablas, pero solo una puede estar activa cada vez.
3. Por ltimo, cree una relacin ms; en la tabla Internet Sales, haga clic y mantenga seleccionada la columna Ship Date, arrastre el cursor hasta la columna Date
de la tabla Date y sultelo.
Aparece una lnea de puntos que indica que ha creado una relacin inactiva entre la columna Ship Date de la tabla Internet Sales y la columna Date de la tabla
Date.
Paso siguiente
Para continuar esta leccin, vaya a la leccin siguiente: Leccin 6: Crear columnas calculadas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 5: Crear relaciones.
La columna calculada Calendario del mes proporciona un nombre ordenable del mes.
Crear una columna calculada Nombre de subcategora del producto en la tabla Product
1. En el diseador de modelos, seleccione la tabla Product.
2. Desplcese hasta el extremo derecho de la tabla. Observe que la columna situada ms a la derecha se denomina Agregar columna (en cursiva); haga clic en el
encabezado de columna.
La columna calculada Nombre de subcategora del producto se utiliza para crear una jerarqua en la tabla Product que incluya los datos de la columna con igual
nombre en la tabla Product Subcategory. Las jerarquas no pueden abarcar ms de una tabla. Ms adelante, en la leccin 7, crear jerarquas.
Crear una columna calculada Nombre de categora del producto en la tabla Product
1. Con la tabla Product activa, haga clic en el men Columna y, a continuacin, en Agregar columna.
2. En la barra de frmulas, escriba la frmula siguiente:
=RELATED('Product Category'[Product Category Name])
Cuando termine de crear la frmula, presione ENTRAR.
3. Cambie el nombre de la columna a Nombre de categora del producto.
La columna calculada Nombre de categora del producto se utiliza para crear una jerarqua en la tabla Product que incluya los datos de la columna con igual nombre
en la tabla Product Category. Las jerarquas no pueden abarcar ms de una tabla.
La columna calculada Margen se utiliza para analizar los mrgenes de beneficios de cada fila producto.
Paso siguiente
Para continuar esta leccin, vaya a la leccin siguiente: Leccin 7: Crear medidas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 6: Crear columnas calculadas.
Crear medidas
Para crear una medida Das del trimestre actual hasta la fecha en la tabla Fecha
1. En el diseador de modelos, haga clic en la tabla Fecha.
2. Si no aparece una cuadrcula de medidas vaca debajo de la tabla, haga clic en el men Tabla y despus en Mostrar cuadrcula de medidas.
3. En la cuadrcula de medidas, haga clic en la celda vaca superior izquierda.
4. En la barra de frmulas situada encima de la tabla, escriba la siguiente frmula:
=COUNTROWS( DATESQTD( 'Date'[Fecha]))
Cuando termine de crear la frmula, presione ENTRAR.
Observe que ahora la celda superior izquierda contiene un nombre de medida, Medida 1, seguido del resultado, 30. El nombre de medida tambin precede a la
frmula en la barra de frmulas.
5. Para cambiar el nombre de la medida, en la barra de frmulas, resalte el nombre, Medida 1, escriba Das del trimestre actual hasta la fecha y despus
presione ENTRAR.
Sugerencia
Cuando escriba una frmula en la barra de frmulas, tambin puede escribir el nombre de la medida seguido de dos puntos :, seguido de un espacio y
seguido de la frmula. Con este mtodo, no tiene que cambiar el nombre de la medida.
Para crear una medida Das del trimestre actual en la tabla Fecha
1. Con la tabla Fecha activa en el diseador de modelos, en la cuadrcula de medidas, haga clic en la celda vaca debajo de la medida que acaba de crear.
2. En la barra de frmulas, escriba la frmula siguiente:
Das del trimestre actual :=COUNTROWS DATESBETWEEN 'Date'[Fecha], STARTOFQUARTER LASTDATE'Date'[Fecha],
ENDOFQUARTER('Date'[Fecha])))
Observe que en esta frmula primero se incluye el nombre de medida seguido de dos puntos :.
Cuando termine de crear la frmula, presione ENTRAR.
Al crear un coeficiente de comparacin entre un perodo incompleto y el perodo anterior, la frmula debe tener en cuenta la parte del perodo que ha transcurrido y
compararla con la misma parte del perodo anterior. En este caso, [Das del trimestre actual hasta la fecha]/[Das del trimestre actual] da como resultado la parte
transcurrida del perodo actual.
Para crear una medida Pedido de venta de recuento distinto por Internet en la tabla Ventas por Internet
1. En el diseador de modelos, haga clic en la tabla pestaa Ventas por Internet.
Si no aparece la cuadrcula de medidas, haga clic con el botn secundario en la tabla pestaa Ventas por Internet y despus haga clic en Mostrar cuadrcula
de medidas.
Columna
Autosuma
Frmula
Recuento
Suma
Importe de descuento
Suma
=SUM([Importe de descuento])
Suma
Importe de ventas
Suma
=SUM([Importe de ventas])
Margen
Suma
=SUM([Margen])
Importe de impuesto
Suma
=SUM([Importe de impuesto])
Cargos
Suma
=SUM([Cargos])
2. Haciendo clic en una celda vaca de la cuadrcula de medidas y usando la barra de frmulas, cree y asigne un nombre a las medidas siguientes:
Importante
Debe crear las medidas siguientes en orden; las frmulas de las medidas posteriores hacen referencia a las medidas anteriores.
Nombre de medida
Frmula
=[Margen del trimestre anterior por Internet]*[Das del trimestre actual hasta la fecha]/[Das
del trimestre actual])
=[Ventas del trimestre anterior por Internet]*[Das del trimestre actual hasta la fecha]/[Das del
trimestre actual])
Las medidas creadas para la tabla Ventas por Internet se pueden utilizar para analizar datos financieros crticos como ventas, costos y margen de beneficios para los
elementos definidos por el filtro seleccionado por el usuario.
Paso siguiente
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 8: Crear indicadores clave de rendimiento.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 7: Crear medidas.
Para crear un KPI Rendimiento de margen de ventas por Internet del trimestre actual
1. En la cuadrcula de medidas de la tabla Ventas por Internet, haga clic en una celda vaca.
2. En la barra de frmulas situada encima de la tabla, escriba la siguiente frmula:
Rendimiento de margen de ventas por Internet del trimestre actual :=IF[Proporcin del margen del trimestre anterior de ventas por Internet hasta la
fecha]<>0,[Margen del trimestre actual de ventas por Internet][Proporcin del margen del trimestre anterior de ventas por Internet hasta la
fecha]/[Proporcin del margen del trimestre anterior de ventas por Internet hasta la fecha],BLANK
Cuando termine de crear la frmula, presione ENTRAR.
3. En la cuadrcula de medidas, haga clic con el botn secundario en la medida Rendimiento de margen de ventas por Internet del trimestre actual y haga clic
en Crear KPI.
4. En el cuadro de dilogo Indicador clave de rendimiento, en Definir valor de destino, seleccione la opcin Valor absoluto.
5. En el campo Valor absoluto, escriba 1.25.
6. En Definir umbrales de estado, desplace el campo de control deslizante de abajo a la izquierda hasta que el campo muestre 0.8 y el de arriba a la derecha
hasta que muestre 1.03.
7. En Seleccionar estilo de icono, seleccione el tipo de icono de rombo rojo, tringulo amarillo y crculo verde, y haga clic en Aceptar.
Paso siguiente
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 9: Crear perspectivas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 8: Crear indicadores clave de rendimiento.
Crear perspectivas
Para crear una perspectiva Venta por Internet
1. En el diseador de modelos, haga clic en el men Modelo y, a continuacin, haga clic en Perspectivas.
2. En el cuadro de dilogo Perspectivas, haga clic en Nueva perspectiva.
3. Para cambiar el nombre de la perspectiva, haga doble clic en el encabezado de columna Nueva perspectiva 1 y, a continuacin, escriba Venta por Internet.
4. En Campos, seleccione las tablas siguientes: Fecha, Geografa, Producto, Categora del producto, Subcategora del producto y Venta por Internet.
Tenga en cuenta que excluy la tabla Cliente y todas sus columnas de esta perspectiva. Ms adelante, en la leccin 12, utilizar la caracterstica Analizar en Excel
para probar esta perspectiva. La lista de campos de tabla dinmica de Excel incluir todas las tablas, excepto la tabla Cliente.
5. Compruebe sus selecciones, asegrese de que no est activada la tabla Cliente y, a continuacin, hace clic en Aceptar
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 10: Crear jerarquas.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 9: Crear perspectivas.
Crear jerarquas
Para crear una jerarqua Categora en la tabla Product
1. En el diseador de modelos, haga clic en el men Modelo; a continuacin, seleccione Vista de modelo y haga clic en Vista de diagrama.
Sugerencia
Utilice los controles de Minimapa situados en la parte superior derecha del diseador de modelos para cambiar el modo en que se muestran los objetos en
la vista de diagrama. Si cambia la posicin de los objetos en la vista de diagrama, esa vista se conservar cuando guarde el proyecto.
2. En el diseador de modelos, haga clic con el botn secundario en el tabla Product y haga clic en Crear jerarqua. Aparece una nueva jerarqua en la parte
inferior de la ventana de tabla.
3. En el nombre de jerarqua, cambie el nombre escribiendo Categora y, a continuacin, presione ENTRAR.
4. En la tabla Product, haga clic en la columna Product Category Name, arrstrela hasta la jerarqua Categora y sultela sobre el nombre Categora.
5. En la jerarqua Categora, haga clic con el botn secundario en la columna Product Category Name, haga clic en Cambiar nombre y escriba Categora.
Nota
Al cambiar el nombre de una columna de la jerarqua no se cambia el nombre de esa columna en la tabla. Una columna de una jerarqua es simplemente una
representacin de la columna de la tabla.
6. En la tabla Product, haga clic con el botn secundario en la columna Product Subcategory Name y, en el men contextual, elija Agregar a jerarqua y haga clic
en Categora.
7. Cambie el nombre de Product Subcategory Name a Subcategora.
8. Mediante la tcnica de hacer clic y arrastrar o mediante el comando Agregar a jerarqua del men contextual, agregue las columnas Model Name y Product
Name en orden y colquelas debajo de la columna Product Subcategory Name. Cambie el nombre de estas columnas a Modelo y Producto, respectivamente.
Cambiar el nombre a:
Calendar Year
Ao
Calendar Semester
Semestre
Calendar Quarter
Trimestre
Month Calendar
Mes
Day Of Month
Da
4. En la tabla Date, repita los pasos anteriores y cree una jerarqua Fiscal que incluya las siguientes columnas:
Columna
Cambiar el nombre a:
Fiscal Year
Ao
Fiscal Semester
Semestre
Fiscal Quarter
Trimestre
Month Calendar
Mes
Day Of Month
Da
5. Finalmente, en la tabla Date, repita los pasos anteriores y cree una jerarqua Calendario de produccin que incluya las columnas siguientes:
Columna
Cambiar el nombre a:
Calendar Year
Ao
Semana
Day Of Week
Da
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 11: Crear particiones.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 10: Crear jerarquas.
Crear particiones
Para crear particiones en la tabla Internet Sales
1. En el diseador de modelos, haga clic en la tabla Internet Sales, haga clic en el men Tabla y, a continuacin, en Particiones.
Se abrir el cuadro de dilogo Administrador de particiones.
2. En el cuadro de dilogo Administrador de particiones, en Particiones, haga clic en la particin Internet Sales.
3. En Nombre de particin, cambie el nombre a Ventas por Internet 2005.
Sugerencia
Antes de continuar con el paso siguiente, observe que los nombres de columna de la ventana Vista previa de la tabla muestran las columnas incluidas
(activadas) en la tabla del modelo con los nombres de columna del origen. Esto es porque la ventana Vista previa de la tabla muestra las columnas de la
tabla de origen, no de la tabla del modelo.
4. Seleccione el botn Editor de consultas situado sobre el margen derecho de la ventana de vista previa.
Como desea que la particin solo incluya las filas de un determinado perodo, debe incluir una clusula WHERE. Solo puede crear una clusula WHERE usando
una instruccin SQL.
5. En el campo Instruccin SQL, sustituya la instruccin existente pegando la instruccin siguiente:
SELECT
[dbo].[FactInternetSales].[ProductKey],
[dbo].[FactInternetSales].[CustomerKey],
[dbo].[FactInternetSales].[PromotionKey],
[dbo].[FactInternetSales].[CurrencyKey],
[dbo].[FactInternetSales].[SalesTerritoryKey],
[dbo].[FactInternetSales].[SalesOrderNumber],
[dbo].[FactInternetSales].[SalesOrderLineNumber],
[dbo].[FactInternetSales].[RevisionNumber],
[dbo].[FactInternetSales].[OrderQuantity],
[dbo].[FactInternetSales].[UnitPrice],
[dbo].[FactInternetSales].[ExtendedAmount],
[dbo].[FactInternetSales].[UnitPriceDiscountPct],
[dbo].[FactInternetSales].[DiscountAmount],
[dbo].[FactInternetSales].[ProductStandardCost],
[dbo].[FactInternetSales].[TotalProductCost],
[dbo].[FactInternetSales].[SalesAmount],
[dbo].[FactInternetSales].[TaxAmt],
[dbo].[FactInternetSales].[Freight],
[dbo].[FactInternetSales].[CarrierTrackingNumber],
[dbo].[FactInternetSales].[CustomerPONumber],
[dbo].[FactInternetSales].[OrderDate],
[dbo].[FactInternetSales].[DueDate],
[dbo].[FactInternetSales].[ShipDate]
FROM [dbo].[FactInternetSales]
WHERE (([OrderDate] >= N'2005-01-01 00:00:00') AND ([OrderDate] < N'2006-01-01 00:00:00'))
Esta instruccin especifica que la particin debe incluir todos los datos de las filas en las que OrderDate corresponda al ao del calendario 2005, tal como se
especifica en la clusula WHERE.
6. Haga clic en Validar.
Observe que se muestra una advertencia en la que se indica que algunas columnas no existen en el origen. Esto se debe a que en Leccin 3: Cambiar el nombre
de las columnas cambi el nombre de esas columnas en la tabla Internet Sales del modelo para que tuvieran un nombre diferente de las columnas del origen.
WHERE (([OrderDate] >= N'2006-01-01 00:00:00') AND ([OrderDate] < N'2007-01-01 00:00:00'))
WHERE (([OrderDate] >= N'2007-01-01 00:00:00') AND ([OrderDate] < N'2008-01-01 00:00:00'))
WHERE (([OrderDate] >= N'2008-01-01 00:00:00') AND ([OrderDate] < N'2009-01-01 00:00:00'))
WHERE (([OrderDate] >= N'2009-01-01 00:00:00') AND ([OrderDate] < N'2010-01-01 00:00:00'))
Procesar particiones
En el cuadro de dilogo Administrador de particiones, observe el asterisco (*) situado junto a los nombres de particiones de cada una de las nuevas particiones que
acaba de crear. Este asterisco indica que la particin no se ha procesado actualizado. Cuando crea nuevas particiones, debe ejecutar una operacin Procesar
particiones o Procesar tabla para actualizar los datos de esas particiones.
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 12: Crear roles.
Jefe de ventas: este rol puede incluir a los usuarios de la organizacin a los que desea otorgar permiso de lectura para todos los objetos y datos del modelo.
Analista de ventas EE. UU.: este rol puede incluir a los usuarios de la organizacin que desea que solo puedan examinar los datos relacionados con las ventas en
EE. UU. Para este rol, utilizar una frmula DAX para definir un Filtro de fila, que restringe los miembros para que solo examinen los datos correspondientes a
Estados Unidos.
Administrador: este rol puede incluir a los usuarios a los que desea otorgar el permiso Administrador, que permite acceso y permisos ilimitados para realizar
tareas administrativas en la base de datos del modelo.
Dado que las cuentas de usuario y grupo de Windows de su organizacin son nicas, puede agregar cuentas de su propia organizacin a los miembros. Sin embargo,
para este tutorial, tambin puede dejar los miembros en blanco. Todava podr probar el efecto de cada rol ms adelante en la leccin 12: Analizar en Excel.
Tiempo estimado para completar esta leccin: 15 minutos
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 11: Crear particiones.
Crear roles
Para crear un rol de usuario Administrador de ventas
1. En SQL Server Data Tools, haga clic en el men Modelo y, a continuacin, en Roles.
2. En el cuadro de dilogo Administrador de roles, haga clic en Nuevo.
Se agrega a la lista un nuevo rol con el permiso Ninguno.
3. Haga clic en el nuevo rol y, en la columna Nombre, cambie el nombre del rol a Administrador de ventas por Internet.
4. En la columna Permisos, haga clic en la lista desplegable y, a continuacin, seleccione el permiso Lectura.
5. Opcional: Haga clic en la pestaa Miembros y, a continuacin, en Agregar.
6. En el cuadro de dilogo Seleccionar usuarios o grupos, especifique los usuarios o grupos de Windows de su organizacin que desee incluir en el rol.
7. Compruebe las opciones seleccionadas y haga clic en Aceptar
7. En el cuadro de dilogo Seleccionar usuarios o grupos, especifique los usuarios o grupos de Windows de su organizacin que desee incluir en el rol.
8. Compruebe las opciones seleccionadas y haga clic en Aceptar
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 13: Analizar en Excel.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 11: Crear particiones.
Pasos siguientes
Para continuar este tutorial, vaya a la leccin siguiente: Leccin 14: Implementar.
Requisitos previos
Este tema es parte de un tutorial de creacin de modelos tabulares, que se debe completar en orden. Antes de realizar las tareas de esta leccin, debe haber
completado la leccin anterior: Leccin 13: Analizar en Excel.
Implementar el modelo
Para configurar propiedades de implementacin
1. En SQL Server Data Tools, en Explorador de soluciones, haga clic con el botn secundario en Modelo tabular de ventas por Internet de Adventure Works y,
en el men contextual, haga clic en Propiedades.
2. En el cuadro de dilogo Pginas de propiedades del modelo tabular de ventas por Internet de AW, bajo Servidor de implementacin, en la propiedad
Servidor, escriba el nombre de una instancia de Analysis Services que se ejecute en modo tabular. Esta ser la instancia en la que se implementar el modelo.
Importante
Debe tener permisos de administrador en una instancia de Analysis Services remota para poder implementarlo.
3. Compruebe que la propiedad Modo de consulta est establecida en In-Memory.
Nota
El modelo creado mediante este tutorial no admite el modo DirectQuery.
4. En la propiedad Base de datos, escriba Modelo de ventas por Internet de Adventure Works.
5. En la propiedad Nombre del cubo, escriba Modelo de ventas por Internet de Adventure Works.
6. Compruebe las opciones seleccionadas y haga clic en Aceptar.
Conclusin
Enhorabuena! Ha terminado de crear e implementar su primer modelo tabular de Analysis Services. Este tutorial le ha guiado por las tareas ms comunes para crear
un modelo tabular. Ahora que su modelo Ventas por Internet de Adventure Works est implementado, puede utilizar el SQL Server Management Studio para
administrarlo, crear scripts de proceso y realizar un plan de copia de seguridad. Los usuarios pueden conectarse al modelo mediante una aplicacin cliente de
informes como Microsoft Excel o Power View.
Recursos adicionales
Para obtener ms informacin acerca de las propiedades del modelo tabular que admiten los informes de Power View, vea Propiedades de informes de Vista avanzada
(SSAS tabular).
Vea tambin
Conceptos
Modo DirectQuery (SSAS tabular)
Configurar las propiedades predeterminadas de modelado de datos y de implementacin SSAS tabular
Bases de datos de modelo tabular (SSAS tabular)
Lecciones complementarias
SQL Server 2014
Esta seccin proporciona informacin adicional y lecciones sobre cmo utilizar las caractersticas tabulares avanzadas del modelo.
Sugerencia
Se pueden agregar ms lecciones e informacin a esta seccin de forma continuada. Realice comprobaciones a menudo.
Lecciones complementarias
Leccin
30
30
Requisitos previos
Este tema de leccin complementaria forma parte de un tutorial de creacin de modelos tabulares, que se debe completar de forma ordenada. Antes de realizar las
tareas de esta leccin complementaria, debe haber completado todas las lecciones anteriores.
Nombre descriptivo
SalesTerritoryKey
Sales Territory Id
SalesTerritoryRegion
SalesTerritoryCountry
SalesTerritoryGroup
Sales Territory Id
Nombre
Apellidos
Login Id
<apellido de usuario>
<dominio\nombreUsuario>
<apellido de usuario>
<dominio\nombreUsuario>
<apellido de usuario>
<dominio\nombreUsuario>
<apellido de usuario>
<dominio\nombreUsuario>
3. En la nueva hoja de clculo, reemplace el nombre, el apellido, y el dominio\nombreUsuario con los nombres y los id. de inicio de sesin de tres usuarios de su
organizacin. Coloque el mismo usuario en las dos primeras filas, para el Employee Id 1. Esto mostrar que este usuario pertenece a ms de un territorio de
ventas. Deje los campos Employee Id y Sales Territory Id como estn.
4. Guarde la hoja de clculo como Sample Employee.
5. En la hoja de clculo, seleccione todas las celdas con datos de empleados, incluidos los encabezados, haga clic con el botn secundario en los datos
seleccionados y, a continuacin, haga clic en Copiar.
6. En SQL Server Data Tools, haga clic en el men Edicin y despus en Pegar.
Si la opcin Pegar aparece deshabilitada, haga clic en cualquier columna de una tabla de la ventana del diseador de modelos, haga clic en el men Edicin y, a
continuacin, haga clic en Pegar.
7. En el cuadro de dilogo Vista previa de pegado, en Nombre de la tabla, escriba Employee Security.
8. En Datos que se van a pegar, compruebe que los datos incluyen todos los datos y encabezados de usuario de la hoja de clculo Empleado de ejemplo.
9. Compruebe que est seleccionada la opcin Usar primera fila como encabezados de columna y haga clic en Aceptar.
Se crea una nueva tabla denominada Employee Security con los datos de empleado copiados de la hoja de clculo Empleado de ejemplo.
Crear relaciones entre las tablas Internet Sales, Geography y Sales Territory
Las tablas Internet Sales, Geography y Sales Territory contienen todas ellas una columna comn, Sales Territory Id. La columna Sales Territory Id de la tabla Sales
Territory contiene valores con un identificador diferente para cada territorio de ventas.
Para crear relaciones entre las tablas Internet Sales, Geography y Sales Territory
1. En el diseador de modelos, en la vista de diagramas, en la tabla Geography, haga clic en la columna Sales Territory Id y mantngala seleccionada, arrastre el
cursor hasta la columna Sales Territory Id de la tabla Sales Territory y sultelo.
2. En la tabla Internet Sales, haga clic en la columna Fecha de pedido y mantngala seleccionada, arrastre el cursor hasta la columna Fecha de la tabla Sales
Territory y sultelo.
Observe que la propiedad Active de esta relacin es False, lo que significa que est inactiva. Esto se debe a que la tabla Internet Sales tiene ya otra relacin
activa que se utiliza en las medidas.
Security e impedir que los usuarios puedan consultar sus datos, aplicar un filtro en una tarea posterior.
3. En el cuadro de dilogo Seleccionar usuarios o grupos, en Escribir los nombres de objeto para seleccionar, escriba uno de los nombres de usuario que se
incluyeron en la tabla de empleados y, a continuacin, haga clic en Comprobar nombres.
4. Haga clic en Aceptar para cerrar el cuadro de dilogo Seleccionar usuarios o grupos y despus haga clic en Aceptar para cerrar el cuadro de dilogo Analizar
en Excel.
Excel se abrir con un libro nuevo. Se crea automticamente una tabla dinmica. La lista de campos de tabla dinmica incluye todos la mayora de campos de
datos disponibles en su nuevo modelo.
Observe que la tabla Employee Security no est visible en la lista de campos de la tabla dinmica. Esto se debe a que eligi ocultar esta tabla de las
herramientas cliente en una tarea anterior.
5. En Lista de campos de tabla dinmica, en Internet Sales (medidas), seleccione la medida Internet Total Sales. La medida se agregar a los campos Valores.
6. En Lista de campos de tabla dinmica, seleccione la columna Sales Territory Id de la tabla Sales Territory. La columna se agregar a los campos Etiquetas de
fila.
Observe que las cifras de ventas por Internet solo aparecen para la regin a la que pertenece el nombre de usuario efectivo que us. Si selecciona otra columna;
por ejemplo, City, en la tabla Geography como un campo de etiqueta de fila, solo se mostrarn las ciudades del territorio de ventas al que el usuario efectivo
pertenece.
Este usuario no podr examinar o consultar los datos de ventas por Internet para otros territorios distintos de aquel al que pertenece, porque el filtro de fila
definido para la tabla Sales Territory en el rol de usuario de empleados de ventas por territorio protege eficazmente los datos relacionados con otros territorios
de ventas.
Vea tambin
Referencia
Funcin USERNAME DAX
Funcin LOOKUPVALUE DAX
Funcin CUSTOMDATA DAX
Requisitos previos
Este tema de la leccin complementaria forma parte de un tutorial de creacin de modelos tabulares, que se debe completar de forma ordenada. Antes de realizar las
tareas de esta leccin complementaria, debe haber completado todas las lecciones anteriores.
Para completar esta leccin complementaria concreta, tambin debe tener lo siguiente:
El Adventure Works Internet Sales Model completado a travs de este tutorial listo para implementarse o ya implementado en una instancia de Analysis Services
que se ejecuta en modo Tabular.
Un sitio de SharePoint integrado con SQL Server 2014 Analysis Services SSAS ejecutndose en modo Tabular y SQL Server 2014 Reporting Services SSRS,
configurado para admitir informes de Power View.
Debe tener permisos suficientes para crear una conexin de datos en el sitio de SharePoint que seale al Adventure Works Internet Sales Model.
Agregar datos nuevos: al agregar datos nuevos en una columna calculada con una frmula DAX, se crea informacin de fecha en un formato ms fcil de
mostrar en los grficos.
Ocultar las tablas y las columnas que no son tiles para el usuario final: la propiedad Hidden controla si las tablas y las columnas de tabla se muestran en el
cliente de informes. Los elementos que estn ocultos siguen siendo parte del modelo y permanecen disponibles para las consultas y los clculos.
Habilitar las tablas de un clic: de forma predeterminada, no ocurre nada si un usuario final hace clic en una tabla en la lista de campos. Para cambiar este
comportamiento de modo que al hacer clic en la tabla, se agregue al informe, establecer Conjunto de campos predeterminado en cada columna que desee
incluir en la tabla. Esta propiedad se establece en las columnas de tabla que los usuarios finales es probable que deseen usar.
Establecer agrupacin cuando sea necesario: la propiedad Mantener filas nicas determina si los valores de la columna se deben agrupar por valores en un
campo diferente, como un campo identificador. En las columnas que contienen valores duplicados, como Customer Name (por ejemplo, varios clientes
denominados John Smith, es importante agrupar mantener filas nicas en el campo Identificador de fila para proporcionar a los usuarios finales los
resultados correctos.
Establecer tipos de datos y formatos de datos: de forma predeterminada, Power View aplica las reglas segn el tipo de datos de columna a fin de determinar
si el campo puede usarse como una medida. Dado que cada visualizacin de datos en Power View tambin tiene reglas acerca de dnde se pueden colocar las
medidas y las no medidas, es importante establecer el tipo de datos en el modelo o invalidar el predeterminado para lograr el comportamiento que desee para
el usuario final.
Establezca la propiedad Short by Column: la propiedad Sort By Column especifica si los valores de la columna se deben ordenar por valores en un campo
diferente. Por ejemplo, en la columna Month Calendar que contiene el nombre de mes, ordene por la columna Month Number.
Frmula
Year Quarter
Year Month
Para obtener informacin detallada acerca del conjunto de campos predeterminado, vea Configurar un conjunto de campos predeterminado para informes de Power
View (SSAS tabular) en los Libros en pantalla de SQL Server.
Comportamiento de tabla
Con las propiedades de Comportamiento de tabla, puede cambiar el comportamiento predeterminado de los diferentes tipos de visualizacin y el comportamiento de
agrupacin para las tablas usadas en los informes de Power View. Esto permite una ubicacin predeterminada ms eficaz de la informacin de identificacin como los
nombres, imgenes o ttulos en los diseos de mosaico, tarjeta y grfico.
Cuadro de dilogo Comportamiento de tabla
Para obtener informacin detallada acerca de las propiedades de Comportamiento de tabla, vea Configurar las propiedades de comportamiento de las tablas para
informes de Power View (SSAS tabular) en los Libros en pantalla de SQL Server.
Propiedad
Valor
Id. de geografa
Oculto
True
Birth Date
Formato de datos
Short Date
Date
Nota
Dado que la tabla Date se seleccion como la tabla de fechas de modelos con la opcin Marcar como tabla de fechas, en la leccin 7, Marcar como tabla de
fechas, y la columna Date de la tabla Date como la columna que se usa como identificador nico, la propiedad Identificador de fila de la columna Date se
establecer automticamente en True y no se puede cambiar. Cuando se usan funciones de inteligencia temporal en frmulas DAX, debe especificar una tabla
de fechas. En este modelo, cre una serie de medidas con las funciones de inteligencia temporal para calcular los datos de ventas para varios periodos como
los trimestres anteriores y actuales y tambin para usarse en KPI. Para obtener ms informacin acerca de cmo especificar una tabla de fechas, vea
Especificar Marcar como tabla de fechas con inteligencia de tiempo (SSAS tabular) en los Libros en pantalla de SQL Server.
Columna
Propiedad
Valor
date
Formato de datos
Short Date
Da de la semana
Oculto
True
Nombre del da
Da de la semana
Da de la semana
Oculto
True
Da del mes
Oculto
True
Da del ao
Oculto
True
Month
Month
Oculto
True
Month Calendar
Oculto
True
Trimestre fiscal
Oculto
True
Ao fiscal
Oculto
True
Semestre fiscal
Oculto
True
Geography
Columna
Propiedad
Valor
Id. de geografa
Oculto
True
Sales Territory Id
Oculto
True
Product
Columna
Propiedad
Valor
Id. de producto
Oculto
True
Etiqueta predeterminada
True
Oculto
True
Formato de datos
Short Date
Formato de datos
Short Date
Foto grande
Oculto
True
Internet Sales
Columna
Propiedad
Valor
Id. de producto
Oculto
True
Id. de cliente
Oculto
True
Id. de promocin
Oculto
True
Id. de moneda
Oculto
True
Sales Territory Id
Oculto
True
Tipo de datos
Decimal Number
Formato de datos
Decimal Number
Posiciones decimales
Fecha de pedido
Tipo de datos
Short Date
Fecha de vencimiento
Tipo de datos
Short Date
Fecha de envo
Tipo de datos
Short Date
Para volver a implementar el modelo tabular Ventas por Internet de Adventure Works
En SQL Server Data Tools, haga clic en el men Generar y despus haga clic en Implementar Adventure Works Internet Sales.
Aparece el cuadro de dilogo Implementar en el que se muestra el estado de implementacin de los metadatos y las tablas incluidas en el modelo.
Pasos siguientes
Ahora puede usar Power View para visualizar los datos del modelo. Asegrese de que las cuentas de Analysis Services y Reporting Services en el sitio de SharePoint
tienen permisos de lectura en la instancia de Analysis Services donde implement el modelo.
Para crear un origen de datos de informe de Reporting Services que seale al modelo, vea Tipo de conexin del modelo de tabla SSRS.
Aprendizaje
En este tutorial, aprender a:
Definir orgenes de datos, vistas del origen de datos, dimensiones, atributos, relaciones de atributo, jerarquas y cubos en un proyecto de Analysis Services en
SQL Server Data Tools.
Ver los datos de dimensiones y cubos implementando el proyecto de Analysis Services en una instancia de Analysis Services y a procesar los objetos
implementados para rellenarlos con datos del origen de datos subyacente.
Modificar las medidas, las dimensiones, las jerarquas, los atributos y los grupos de medida del proyecto de Analysis Services, as como a implementar cambios
incrementales en el cubo implementado en el servidor de desarrollo.
Definir clculos, indicadores de claves de rendimiento KPI, acciones, perspectivas, traducciones y roles de seguridad en un cubo.
Este tutorial va acompaado de una descripcin del escenario para poder entender mejor el contexto de estas lecciones. Para obtener ms informacin, vea Escenario
de Tutorial de Analysis Services.
Requisitos previos
Necesitar datos de ejemplo, archivos del proyecto de ejemplo y software para completar todas las lecciones de este tutorial. Para obtener instrucciones sobre cmo
buscar e instalar los requisitos previos para este tutorial, vea Instalar los datos y proyectos de ejemplo para el tutorial de modelado multidimensional de Analysis
Services.
Adems, los permisos siguientes deben existir para realizar correctamente este tutorial:
Debe ser miembro del grupo local Administradores del equipo con Analysis Services o ser miembro del rol de administracin del servidor de la instancia de
Analysis Services.
Debe tener permisos de lectura en la base de datos de ejemplo AdventureWorksDW2012. Esta base de datos de ejemplo es vlida para la versin de SQL
Server 2014.
Lecciones
Este tutorial incluye las siguientes lecciones.
Leccin
Leccin 1: definir una vista del origen de datos en un proyecto de Analysis Services
15 minutos
30 minutos
45 minutos
120 minutos
45 minutos
45 minutos
30 minutos
30 minutos
30 minutos
15 minutos
Nota
La base de datos del cubo que crear en este tutorial es una versin simplificada del proyecto de modelo multidimensional de Analysis Services que forma parte de
las bases de datos de ejemplo Adventure Works que se pueden descargar en el sitio de codeplex. La versin del tutorial de la base de datos multidimensional de
Adventure Works se ha simplificado para centrarse en los conocimientos especficos que le interesar dominar inmediatamente. Despus de completar el tutorial,
considere la posibilidad de explorar el proyecto de modelo multidimensional por su cuenta para entender mejor el modelado multidimensional de Analysis Services.
Paso siguiente
Para comenzar el tutorial, vaya a la primera leccin: Leccin 1: definir una vista del origen de datos en un proyecto de Analysis Services.
Vea tambin
Otros recursos
Tutorials (Analysis Services)
Los informes son estticos. Los usuarios no pueden explorar de forma interactiva los datos de los informes para obtener informacin ms detallada, como
podan hacer con una tabla dinmica de Microsoft Office Excel. Aunque el conjunto existente de informes predefinidos es suficiente para muchos usuarios, los
usuarios ms avanzados necesitan un acceso de consulta directo a la base de datos para realizar consultas interactivas y obtener informes especializados. No
obstante, debido a la complejidad de la base de datos AdventureWorksDW2012, se necesita demasiado tiempo para que estos usuarios puedan aprender a
crear consultas eficaces.
El rendimiento de las consultas es muy variable. Por ejemplo, algunas consultas devuelven resultados con gran rapidez, en pocos segundos, mientras que otras
tardan varios minutos en devolverlos.
Es difcil administrar las tablas agregadas. En un intento de mejorar los tiempos de respuesta de las consultas, el equipo de almacenamiento de datos de
Adventure Works cre varias tablas agregadas en la base de datos AdventureWorksDW2012. Por ejemplo, crearon una tabla que resuma las ventas por mes.
No obstante, si bien estas tablas mejoran notablemente el rendimiento de las consultas, la infraestructura creada para mantener las tablas a lo largo del tiempo
es frgil y propensa a errores.
Las definiciones de informe incluyen lgica de clculo muy compleja que es difcil de compartir entre informes. Puesto que esta lgica empresarial se genera de
forma independiente para cada informe, a veces la informacin de resumen es distinta entre los informes. Por consiguiente, el equipo de direccin tiene una
confianza limitada en los informes del almacenamiento de datos.
Los usuarios de distintas unidades empresariales estn interesados en distintas vistas de los datos. Cada grupo se distrae y confunde con los elementos de
datos que no son relevantes para l.
La lgica de clculo es especialmente difcil para los usuarios que necesitan informes especializados. Estos usuarios deben definir la lgica de clculo de forma
independiente para cada informe, por lo que no existe un control centralizado sobre el modo de definir la lgica de clculo. Por ejemplo, algunos usuarios
saben que deben utilizar tcnicas estadsticas bsicas, como medias mviles, pero no saben cmo construir estos clculos y, por consiguiente, no utilizan dichas
tcnicas.
Es difcil combinar los conjuntos de informacin relacionados. Resulta difcil para los usuarios de la compaa crear consultas especializadas que combinen dos
conjuntos de informacin relacionada, como ventas y cuotas de ventas. Las consultas de este tipo han sobrecargado la base de datos, por lo que la compaa
requiere que los usuarios soliciten al equipo del almacenamiento de datos conjuntos de datos comunes entre varias reas. Como consecuencia de ello, se han
definido pocos informes predefinidos que combinan datos de varias reas temticas. Adems, debido a la complejidad de estos informes, los usuarios son
reacios a intentar modificarlos.
Los informes se basan principalmente en informacin de compaas de Estados Unidos. Los usuarios que se encuentran en sedes fuera de Estados Unidos no
estn satisfechos con este enfoque y desean poder ver los informes en distintas monedas y en distintos idiomas.
Es difcil auditar la informacin. Actualmente, el departamento de finanzas usa la base de datos AdventureWorksDW2012 solo como origen de datos en la que
pueden realizarse consultas masivas. Luego descargan los datos en hojas de clculo individuales e invierten mucho tiempo en preparar los datos y manipular
dichas hojas de clculo. Por consiguiente, el proceso de preparacin, auditora y administracin de los informes financieros de la compaa es complejo.
Solucin
Recientemente, el equipo del almacenamiento de datos ha realizado una revisin del diseo del sistema de anlisis actual. La revisin ha incluido un anlisis de las
lagunas que presentan los problemas actuales y las demandas futuras. Este equipo ha determinado que la base de datos AdventureWorksDW2012 es una base de
datos dimensional bien diseada con dimensiones compatibles y claves suplentes. Las dimensiones compatibles permiten utilizar una dimensin en varios puestos de
datos, como una dimensin de tiempo o una dimensin de producto. Las claves suplentes son claves artificiales que vinculan tablas de dimensiones y de hechos y se
utilizan para garantizar la unicidad y mejorar el rendimiento. Adems, el equipo de almacenamiento de datos ha determinado que actualmente no existen problemas
significativos con la carga y la administracin de las tablas base de la base de datos AdventureWorksDW2012. Por tanto, el equipo ha decidido usar Microsoft
Analysis Services para poder hacer lo siguiente:
Proporcionar el acceso a datos unificados a travs de una capa de metadatos comn para la creacin de informes y el anlisis analtico.
Simplificar la vista de datos de los usuarios, acelerando el desarrollo de consultas interactivas y predefinidas, y de informes predefinidos.
Crear correctamente consultas que combinan datos de varias reas temticas.
Administrar los agregados.
Las lecciones del tutorial de Analysis Services proporcionan instrucciones para crear una base de datos de cubo que satisfaga todos estos objetivos. Para empezar,
vaya a la primera leccin: Leccin 1: Crear un nuevo proyecto de modelo tabular.
Vea tambin
Conceptos
Creacin de modelos multidimensionales tutorial de Adventure Works
Opcionalmente, considere la posibilidad de instalar Excel para examinar los datos multidimensionales a medida que recorre el tutorial. Al instalar Excel, se habilita la
caracterstica Analizar en Excel, que inicia Excel utilizando una lista de campos de tabla dinmica conectada al cubo que se est compilando. Se recomienda utilizar
Excel para examinar los datos porque puede se puede crear rpidamente un informe dinmico que permite interactuar con los datos.
O bien, puede examinar los datos usando el diseador de consultas MDX integrado en SQL Server Data Tools SSDT. El diseador de consultas devuelve los mismos
datos, excepto los presentados como un conjunto de filas plano.
Paso 2: descargar SQL Server Data Tools Business Intelligence para Visual Studio 2012
En esta versin, SQL Server Data Tools se descarga e instala de forma independiente de otras caractersticas de SQL Server. Los diseadores y las plantillas de
proyecto que se emplean para crear modelos e informes de BI estn disponibles ahora como una descarga web gratuita.
Descargue la versin Business Intelligence de SQL Server Data Tools. El archivo se guarda en la carpeta Descargas. Ejecute el programa de instalacin para
instalar la herramienta.
Reinicie el equipo para completar la instalacin.
AdventureWorksDW2012: es un almacenamiento de datos relacional que se ejecuta en una instancia del Motor de base de datos. Proporciona los datos
originales que sern utilizados por las bases de datos de Analysis Services y los proyectos que va a compilar e implementar a lo largo del tutorial.
Puede usar esta base de datos de ejemplo con SQL Server 2014 y con SQL Server 2012.
1. Descargue el Tutorial de Analysis Services SQL Server 2012 de la pgina de ejemplos del producto en codeplex.
Los tutoriales de 2012 son vlidos para la versin SQL Server 2014.
El archivo Analysis Services Tutorial SQL Server 2012.zip se guardar en la carpeta de descarga en su equipo.
2. Mueva el archivo de .zip a una carpeta que est debajo de la unidad raz por ejemplo, C:\Tutorial. Este paso mitiga el error Ruta de acceso demasiado larga
que aparece en ocasiones si intenta descomprimir los archivos en la carpeta Descargas.
3. Descomprima los proyectos de ejemplo: haga clic con el botn secundario en el archivo y seleccione Extrae todo. Despus de extraer los archivos, debera tener
los siguientes proyectos instalados en su equipo:
Leccin 1 completa
Leccin 2 completa
Leccin 3 completa
Leccin 4 completa
Leccin 4 inicio
Leccin 5 completa
Leccin 6 completa
Leccin 7 completa
Leccin 8 completa
Leccin 9 completa
Leccin 10 completa
4. Quite los permisos de solo lectura de estos archivos. Haga clic con el botn secundario en la carpeta principal, Analysis Services Tutorial SQL Server 2012,
seleccione Propiedades y desactive la casilla Solo lectura. Haga clic en Aceptar. Aplique los cambios a esta carpeta, sus subcarpetas y sus archivos.
Paso siguiente
Ahora est preparado para utilizar el tutorial. Para obtener ms informacin acerca de cmo empezar, vea Creacin de modelos multidimensionales tutorial de
Adventure Works).
Vea tambin
Tasks
Instalar SQL Server 2014 desde el Asistente para la instalacin programa de instalacin
Conceptos
Configurar Firewall de Windows para permitir el acceso a Analysis Services
Configurar Firewall de Windows para permitir el acceso a SQL Server
Compare sus resultados en un archivo de proyecto de ejemplo que se cre para esta leccin. Para obtener ms informacin acerca de cmo descargar los proyectos de
ejemplo relacionados con este tutorial, vea SSAS Multidimensional Model Projects for SQL Server 2012 en la pgina de ejemplos del producto de codeplex.
Leccin siguiente
Leccin 2: Definir e implementar un cubo
Vea tambin
Conceptos
Crear un proyecto de Analysis Services (SSDT)
Tipos de orgenes de datos admitidos SSAS multidimensional
Vistas del origen de datos en modelos multidimensionales
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Ha creado correctamente el proyecto Tutorial de Analysis Services, basado en la plantilla Proyecto multidimensional y de minera de datos de Analysis Services,
dentro de una nueva solucin denominada tambin Tutorial de Analysis Services.
Vea tambin
Conceptos
Crear modelos multidimensionales utilizando las herramientas de datos de SQL Server (SSDT)
Crear un proyecto de Analysis Services (SSDT)
Nota
Para modificar las propiedades del origen de datos una vez creado este, haga doble clic en el origen de datos de la carpeta Orgenes de datos para mostrar las
propiedades del origen de datos en el Diseador de origen de datos.
Vea tambin
Conceptos
Crear un origen de datos (SSAS multidimensional)
Vea tambin
Conceptos
Vistas del origen de datos en modelos multidimensionales
Leccin siguiente
Leccin 2: Definir e implementar un cubo
Vea tambin
Conceptos
Vistas del origen de datos en modelos multidimensionales
Cambiar las propiedades de una vista del origen de datos (Analysis Services)
Leccin siguiente
Leccin 3: modificar medidas, atributos y jerarquas
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Dimensiones en modelos multidimensionales
Cubos en modelos multidimensionales
Configurar las propiedades de un proyecto de Analysis Services (SSDT)
Generar proyectos de Analysis Services (SSDT)
Implementar proyectos de Analysis Services (SSDT)
Vea tambin
Tasks
Crear una dimensin usando una tabla existente
Crear una dimensin usando el Asistente para dimensiones
Conceptos
Dimensiones en modelos multidimensionales
Definir un cubo
SQL Server 2014
El Asistente para cubos le ayuda a definir los grupos de medida y las dimensiones de un cubo. En la tarea siguiente, usar el Asistente para cubos para generar un cubo.
Vea tambin
Conceptos
Cubos en modelos multidimensionales
Dimensiones en modelos multidimensionales
SafetyStockLevel
ReorderPoint
ListPrice
Size
SizeRange
Weight
DaysToManufacture
ProductLine
DealerPrice
Class
Style
ModelName
StartDate
EndDate
Status
5. En el men Archivo, haga clic en Guardar todo.
Vea tambin
Conceptos
Referencia de las propiedades de los atributos de dimensin
Para revisar las propiedades del cubo y de las dimensiones en el Diseador de cubos
1. Para abrir el Diseador de cubos, haga doble clic en el cubo Tutorial de Analysis Services en el nodo Cubos del Explorador de soluciones.
2. En el panel Medidas de la pestaa Estructura de cubo del Diseador de cubos, expanda el grupo de medida Internet Sales para ver las medidas definidas.
Si desea cambiar el orden de dichas medidas, arrstrelas para obtener el orden que desee. El orden afectar al modo en que determinadas aplicaciones cliente
ordenarn las medidas. El grupo de medida y cada una de sus medidas tienen propiedades que pueden modificarse en la ventana Propiedades.
3. En el panel Dimensiones de la pestaa Estructura de cubo del Diseador de cubos, revise las dimensiones de cubo que se encuentran en el cubo Tutorial de
Analysis Services.
Observe que, si bien solo se crearon tres dimensiones en el nivel de base de datos, como se muestra en el Explorador de soluciones, hay cinco dimensiones de
cubo en el cubo Tutorial de Analysis Services. El cubo contiene ms dimensiones que la base de datos porque la dimensin de base de datos Date se utiliza como
base para tres dimensiones de cubo independientes relacionadas con fechas, basadas en los hechos relacionados con fechas de la tabla de hechos. Estas
dimensiones relacionadas con fechas tambin se denominan dimensiones realizadoras de roles. Las tres dimensiones de cubo relacionadas con fechas permiten que
los usuarios dimensionen el cubo mediante tres hechos independientes que estn relacionados con cada venta de producto: la fecha de pedido del producto, la
fecha de vencimiento de satisfaccin del pedido y la fecha de envo del pedido. Si se reutiliza una nica dimensin de base de datos para las dimensiones de cubo,
Analysis Services simplifica la administracin de las dimensiones, utiliza menos espacio en el disco y reduce el tiempo general de procesamiento.
4. En el panel Dimensiones de la pestaa Estructura de cubo, expanda Customer y, a continuacin, haga clic en Editar Customer para abrir la dimensin en el
Diseador de dimensiones.
El Diseador de dimensiones contiene estas pestaas: Estructura de dimensin, Relaciones de atributo, Traducciones y Explorador. Observe que la pestaa
Estructura de dimensin incluye tres paneles: Atributos, Jerarquas y Vista del origen de datos. Los atributos que contiene la dimensin aparecen en el panel
Atributos. Para obtener ms informacin, vea Referencia de las propiedades de los atributos de dimensin, Crear jerarquas definidas por el usuario y Definir
relaciones de atributo.
5. Para cambiar al Diseador de cubos, haga clic con el botn secundario en el cubo Tutorial de Analysis Services del nodo Cubos en el Explorador de soluciones y,
a continuacin, haga clic en Ver diseador.
6. En el Diseador de cubos, haga clic en la pestaa Uso de dimensiones.
En esta vista del cubo Tutorial de Analysis Services, puede ver las dimensiones de cubo que se utilizan en el grupo de medida Internet Sales. Asimismo, puede
definir el tipo de relacin entre cada dimensin y cada grupo de medida en el que se utiliza.
7. Haga clic en la pestaa Particiones.
El Diseador de cubos define una nica particin para el cubo, utilizando el modo de almacenamiento de procesamiento analtico en lnea multidimensional
(MOLAP) sin agregaciones. Con MOLAP, todos los datos de nivel hoja y todas las agregaciones se almacenan en el cubo para maximizar el rendimiento. Las
agregaciones son resmenes de datos precalculados que mejoran el tiempo de respuesta de las consultas ya que tienen las respuestas preparadas antes de que
se planteen las preguntas. Puede definir particiones adicionales, parmetros de almacenamiento y parmetros de reescritura en la pestaa Particiones. Para
obtener ms informacin, vea Particiones (Analysis Services - Datos multidimensionales), Agregaciones y diseos de agregaciones y Disear el almacenamiento y
las agregaciones de una particin.
8. Haga clic en la pestaa Explorador.
Observe que el cubo no puede examinarse porque todava no se ha implementado en una instancia de Analysis Services. En este punto, el cubo del proyecto
Tutorial de Analysis Services es simplemente una definicin de un cubo, que puede implementar en cualquier instancia de Analysis Services. Cuando implementa y
procesa un cubo, puede crear los objetos definidos en una instancia de Analysis Services y rellenar los objetos con datos de los orgenes de datos subyacentes.
9. En el Explorador de soluciones, haga clic con el botn secundario en Tutorial de Analysis Services en el nodo Cubos y, a continuacin, haga clic en Ver cdigo. Es
posible que tenga que esperar.
El cdigo XML del cubo Tutorial de Analysis Services se muestra en la pestaa Tutorial.cube [XML] de Analysis Services. Es el cdigo real que se utiliza para
crear el cubo en una instancia de Analysis Services durante la implementacin. Para obtener ms informacin, vea Ver el XML de un proyecto de Analysis Services
(SSDT).
10. Cierre la pestaa Cdigo XML.
Vea tambin
Tasks
Examinar los datos de dimensiones en el Diseador de dimensiones
Ha implementado correctamente el cubo Tutorial de Analysis Services en la instancia local de Analysis Services y luego lo ha procesado.
Vea tambin
Conceptos
Implementar proyectos de Analysis Services (SSDT)
Configurar las propiedades de un proyecto de Analysis Services (SSDT)
Examinar el cubo
SQL Server 2014
Una vez implementado un cubo, los datos de este pueden verse en la pestaa Explorador del Diseador de cubos y los datos de dimensin pueden verse en la pestaa
Explorador del Diseador de dimensiones. La exploracin de los datos de cubos y dimensiones es una forma de comprobar el trabajo incrementalmente. Puede
comprobar que los pequeos cambios en las propiedades, las relaciones y otros objetos tienen el efecto deseado una vez que se procesa el objeto. Si bien la pestaa
Explorador se usa para ver datos de cubos y dimensiones, tambin ofrece diversas funciones dependiendo del objeto que se est examinando.
Para las dimensiones, la pestaa Explorador proporciona una manera de ver los miembros o de navegar por una jerarqua hasta el nodo hoja. Puede examinar datos de
dimensiones en distintos idiomas, suponiendo que se hayan agregado las traducciones al modelo.
Para los cubos, la pestaa Explorador proporciona dos mtodos para explorar datos. Puede usar el Diseador de consultas de MDX integrado para crear consultas que
devuelven un conjunto de filas plano de una base de datos multidimensional. O bien, puede usar un mtodo abreviado de Excel. Cuando se inicia Excel desde SQL Server
Data Tools, Excel se abre con una tabla dinmica en la hoja de clculo y una conexin predefinida a la base de datos del rea de trabajo del modelo.
Excel suele ofrecer una mejor experiencia de exploracin porque puede explorar datos de cubos de forma interactiva, usando los ejes horizontal y vertical para analizar
las relaciones de los datos. En cambio, el Diseador de consultas de MDX est limitado a un nico eje. Adems, puesto que el conjunto de filas es plano, no se obtiene la
obtencin de detalles que ofrece una tabla dinmica de Excel. A medida que agregue ms dimensiones y jerarquas al cubo, lo que har en lecciones posteriores, Excel
ser la solucin preferida para explorar datos.
Leccin siguiente
Leccin 3: modificar medidas, atributos y jerarquas
Vea tambin
Referencia
Editor de consultas MDX (Analysis Services - Datos multidimensionales)
Modificar medidas
En esta tarea, debe especificar las propiedades de formato para las medidas de moneda y porcentaje del cubo Tutorial de Analysis Services.
Modificar la dimensin Customer
En esta tarea, debe crear una jerarqua de usuario, crear clculos con nombre, modificar atributos para utilizarlos en clculos con nombre, y agrupar atributos de
grupo y jerarquas de usuario en carpetas para mostrar.
Modificar la dimensin Product
En esta tarea, debe definir una jerarqua de usuarios, crear clculos con nombre, definir el nombre de miembro Todos y definir carpetas para mostrar.
Modificar la dimensin Date
En esta tarea, debe definir una jerarqua de usuario, modificar nombres de miembros de atributo y utilizar claves compuestas para especificar miembros de
atributo nicos.
Examinar el cubo implementado
En esta tarea, debe explorar los datos del cubo usando el explorador del Diseador de cubos.
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Modificar medidas
SQL Server 2014
Puede usar la propiedad FormatString para definir parmetros de formato que controlen cmo se presentan las medidas a los usuarios. En esta tarea, debe especificar
las propiedades de formato para las medidas de moneda y porcentaje del cubo Tutorial de Analysis Services.
Vea tambin
Conceptos
Definir dimensiones de base de datos
Configurar propiedades de medidas
CASE
WHEN MiddleName IS NULL THEN
FirstName + ' ' + LastName
ELSE
FirstName + ' ' + MiddleName + ' ' + LastName
END
La instruccin CASE concatena las columnas FirstName, MiddleName y LastName en una nica columna que se utilizar en la dimensin Customer como
Total Children
Yearly Income
6. En la ventana Propiedades, haga clic en el campo de la propiedad AttributeHierarchyDisplayFolder situado en la parte superior y escriba Demographic.
7. En el panel Atributos, seleccione los atributos siguientes manteniendo presionada la tecla CTRL mientras hace clic en cada uno de ellos:
Email Address
Phone
8. En la ventana Propiedades, haga clic en el campo de la propiedad AttributeHierarchyDisplayFolder y escriba Contacts.
9. En el men Archivo, haga clic en Guardar todo.
Para implementar los cambios, procesar los objetos y ver los cambios
1. En el men Generar de SQL Server Data Tools, haga clic en Tutorial de Implementar Analysis Services.
2. Despus de que aparezca el mensaje La implementacin finaliz correctamente, haga clic en la pestaa Explorador del Diseador de dimensiones para la
dimensin Customer y, a continuacin, haga clic en el botn Volver a conectar en el margen izquierdo de la barra de herramientas del diseador.
3. Compruebe que Customer Geography aparece seleccionado en la lista Jerarqua y, a continuacin, en el panel del explorador, expanda All, Australia, New
South Wales y, por ltimo, Coffs Harbour.
El explorador muestra los clientes de la ciudad.
4. Cambie al Diseador de cubos para el cubo Tutorial de Analysis Services. Para ello, haga doble clic en el cubo Tutorial de Analysis Services en el nodo Cubos
del Explorador de soluciones.
5. Haga clic en la pestaa Explorador y haga clic en el botn Volver a conectar en la barra de herramientas del diseador.
6. En el panel Grupo de medida, expanda Customer.
Observe que, en lugar de una lista larga de atributos, debajo de Customer solamente aparecen las carpetas para mostrar y los atributos que no tienen valores
de carpeta para mostrar.
7. En el men Archivo, haga clic en Guardar todo.
Vea tambin
Conceptos
Referencia de las propiedades de los atributos de dimensin
Quitar un atributo de una dimensin
Cambiar el nombre de un atributo
Definir clculos con nombre en una vista del origen de datos Analysis Services
CASE ProductLine
WHEN 'M' THEN 'Mountain'
WHEN 'R' THEN 'Road'
WHEN 'S' THEN 'Accessory'
WHEN 'T' THEN 'Touring'
ELSE 'Components'
END
Esta instruccin CASE crea nombres descriptivos para cada lnea de producto del cubo.
5. Haga clic en Aceptar para crear el clculo con nombre ProductLineName. Es posible que tenga que esperar.
6. En el men Archivo, haga clic en Guardar todo.
3. Arrastre el atributo Nombre del producto del panel Atributos a la celda <nuevo nivel> del panel Jerarquas, debajo del nivel Model Name. Cambi el
nombre Product Key a Nombre del producto en la seccin anterior.
4. En el panel Jerarquas de la pestaa Estructura de dimensin, haga clic con el botn secundario en la barra de ttulo de la jerarqua Jerarqua, haga clic en
Cambiar nombre y escriba Lneas de modelo del producto.
El nombre de la jerarqua es ahora Lneas de modelo del producto.
5. En el men Archivo, haga clic en Guardar todo.
2. En el diagrama, haga clic con el botn secundario en el atributo Model Name y haga clic en Nueva relacin de atributo.
3. En el cuadro de dilogo Crear relacin de atributo, el Atributo de origen es Model Name. Establezca el Atributo relacionado en Product Line.
En la lista Tipo de relacin, deje establecido el tipo de relacin en Flexible, ya que las relaciones entre los miembros pueden cambiar con el tiempo. Por
ejemplo, un modelo de producto podra moverse a otra lnea de producto.
4. Haga clic en Aceptar.
5. En el men Archivo, haga clic en Guardar todo.
Vea tambin
Conceptos
Definir clculos con nombre en una vista del origen de datos Analysis Services
Crear jerarquas definidas por el usuario
Configurar el nivel All para las jerarquas de atributo
La instruccin DATENAME extrae los valores de ao, mes y da de la columna FullDateAlternateKey. Usar esta nueva columna como el nombre mostrado para
el atributo FullDateAlternateKey.
4. Haga clic en Aceptar y expanda Date en el panel Tablas.
Aparece el clculo con nombre SimpleDate en la lista de columnas de la tabla Date, con un icono que indica que se trata de un clculo con nombre.
5. En el men Archivo, haga clic en Guardar todo.
6. En el panel Tablas, haga clic con el botn secundario en Date y haga clic en Explorar datos.
7. Desplcese hacia la derecha para examinar la ltima columna de la vista Explorar la tabla Date.
Observe que la columna SimpleDate aparece en la vista del origen de datos, concatenando correctamente los datos de varias columnas del origen de datos
subyacente sin modificar el origen de datos original.
8. Cierre la vista Explorar la tabla Date.
1. En la pestaa Estructura de dimensin del Diseador de dimensiones correspondiente a la dimensin Date, arrastre el atributo Calendar Year del panel
Atributos al panel Jerarquas.
2. Arrastre el atributo Calendar Semester del panel Atributos a la celda <nuevo nivel> del panel Jerarquas, debajo del nivel Calendar Year.
3. Arrastre el atributo Calendar Quarter del panel Atributos a la celda <nuevo nivel> del panel Jerarquas, debajo del nivel Calendar Semester.
4. Arrastre el atributo Spanish Month Name del panel Atributos a la celda <nuevo nivel> del panel Jerarquas, debajo del nivel Calendar Quarter.
5. Arrastre el atributo Date Key del panel Atributos a la celda <nuevo nivel> del panel Jerarquas, debajo del nivel Spanish Month Name.
6. En el panel Jerarquas, haga clic con el botn secundario en la barra de ttulo de la jerarqua Jerarqua, haga clic en Cambiar nombre y escriba Fecha del
calendario.
7. Mediante el men contextual, en la jerarqua Fecha del calendario, cambie el nombre del nivel Spanish Month Name a Mes del calendario y cambie el nombre
del nivel Date Key a Fecha.
8. Elimine el atributo Full Date Alternate Key del panel Atributos, ya que no lo va a usar. Haga clic en Aceptar en la ventana de confirmacin Eliminar objetos.
9. En el men Archivo, haga clic en Guardar todo.
Esta instruccin concatena el mes y el ao de cada mes de la tabla una nueva columna.
4. Haga clic en Aceptar.
5. En el panel Tablas, haga clic con el botn secundario del mouse en Date y, a continuacin, haga clic en Nuevo clculo con nombre.
6. En el cuadro de dilogo Crear clculo con nombre, escriba CalendarQuarterDesc en el cuadro Nombre de columna y, a continuacin, escriba o copie y pegue
el script SQL siguiente en el cuadro Expresin:
Este script SQL concatena el trimestre natural y el ao de cada trimestre de la tabla en una nueva columna.
7. Haga clic en Aceptar.
8. En el panel Tablas, haga clic con el botn secundario del mouse en Date y, a continuacin, haga clic en Nuevo clculo con nombre.
9. En el cuadro de dilogo Crear clculo con nombre, escriba CalendarSemesterDesc en el cuadro Nombre de columna y, a continuacin, escriba o copie y
pegue el script SQL siguiente en el cuadro Expresin:
CASE
WHEN CalendarSemester = 1 THEN 'H1' + ' ' + 'CY' + ' '
+ CONVERT(CHAR(4), CalendarYear)
ELSE
'H2' + ' ' + 'CY' + ' ' + CONVERT(CHAR(4), CalendarYear)
END
Este script SQL concatena el semestre natural y el ao de cada semestre de la tabla en una nueva columna.
10. Haga clic en Aceptar.
11. En el men Archivo, haga clic en Guardar todo.
2. En la ventana Propiedades, haga clic en el campo KeyColumns y, a continuacin, haga clic en el botn Examinar ...).
3. En el cuadro de dilogo Columnas de clave, en la lista Columnas disponibles, seleccione la columna CalendarYear y, a continuacin, haga clic en el botn >.
Las columnas CalendarSemester y CalendarYear se muestran ahora en la lista Columnas de clave.
4. Haga clic en Aceptar.
5. Para establecer la propiedad NameColumn del atributo Calendar Semester, haga clic en el campo NameColumn en la ventana de propiedades y, a
continuacin, haga clic en el botn Examinar ...).
6. En el cuadro de dilogo Columna de nombre, en la lista Columna de origen, seleccione CalendarSemesterDesc y, a continuacin, haga clic en Aceptar.
7. En el men Archivo, haga clic en Guardar todo.
11. Revise los miembros de las jerarquas de los atributos Calendar Quarter y Calendar Semester.
Observe que los miembros de estas jerarquas ahora estn clasificados por orden cronolgico, por ao y luego por trimestre o semestre, respectivamente.
12. Revise los miembros de la jerarqua de atributo Spanish Month Name.
Observe que los miembros de la jerarqua de atributo ahora aparecen ordenados primero por ao y luego alfabticamente por mes. Esto se debe a que el tipo
de datos de la columna EnglishCalendarMonth de la vista del origen de datos es una columna de cadena, basada en el tipo de datos nvarchar de la base de
datos relacional subyacente. Para obtener informacin sobre cmo habilitar la ordenacin cronolgica de los meses dentro de cada ao, vea Ordenar los
miembros de atributo en funcin de un atributo secundario.
Vea tambin
Conceptos
Dimensiones en modelos multidimensionales
Leccin siguiente
Leccin 4: Definir propiedades de dimensiones y de atributos avanzados
Leccin siguiente
Leccin 5: definir relaciones entre dimensiones y grupos de medida
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Dimensiones en modelos multidimensionales
Geography
Customer
date
Product
InternetSales
Reseller
Promotion
SalesTerritory
Geography
date
Product
Employee
ResellerSales
Como puede observar, las tablas DimGeography, DimDate y DimProduct se usan tanto en el diagrama Internet Sales como en el diagrama Reseller Sales. Las tablas
de dimensiones pueden vincularse a varias tablas de hechos.
Dimensin Reseller
La dimensin Reseller se basa en la tabla Reseller de la vista del origen de datos Adventure Works DW 2012.
Dimensin Promotion
La dimensin Promotion se basa en la tabla Promotion de la vista del origen de datos Adventure Works DW 2012.
Dimensin Sales Territory
La dimensin Sales Territory se basa en la tabla SalesTerritory de la vista del origen de datos Adventure Works DW 2012.
Dimensin Employee
La dimensin Employee se basa en la tabla Employee de la vista del origen de datos Adventure Works DW 2012.
Dimensin Geography
La dimensin Geography se basa en la tabla Geography de la vista del origen de datos Adventure Works DW 2012.
Vea tambin
Tasks
Implementar un proyecto de Analysis Services
10.
Observe que las ventas realizadas por cada director del nivel 03 tambin se muestran en el nivel 04. Esto es as porque cada director tambin es un empleado
de otro director. En la tarea siguiente, ocultar estos importes de ventas.
En la imagen siguiente se muestran los cambios realizados en la jerarqua Employees. Observe que Stephen Y. Jiang ya no aparece como empleado de s mismo.
Vea tambin
Conceptos
Dimensiones de elementos primarios y secundarios
Atributos en las jerarquas de elementos primarios y secundarios
EqualAreas
Analysis Services crea intervalos de grupos de modo que la poblacin total de los miembros de dimensin quede distribuida de forma homognea en los grupos.
Clusters
Analysis Services crea grupos realizando una agrupacin en clsteres unidimensionales en los valores de entrada mediante el mtodo de agrupacin en clsteres
mediana-K con distribuciones gausianas. Esta opcin solo es vlida para columnas numricas.
Una vez que haya especificado un mtodo de agrupacin, debe especificar el nmero de grupos mediante la propiedad DiscretizationBucketCount. Para obtener ms
informacin, vea Agrupar miembros de atributos discretizacin.
En las tareas de este tema, habilitar distintos tipos de agrupaciones para lo siguiente: valores de los ingresos anuales en la dimensin Customer, nmero de horas de
baja por enfermedad del empleado en la dimensin Employees, y nmero de horas de vacaciones del empleado en la dimensin Employees. A continuacin procesar y
examinar el cubo Tutorial de Analysis Services para ver el efecto de los grupos de miembro. Por ltimo, modificar las propiedades del grupo de miembro para ver el
efecto del cambio en el tipo de agrupacin.
10. Elimine la jerarqua de atributo Sick Leave Hours del rea de columnas del panel Datos.
11. Agregue Vacation Hours al rea de columnas del panel Datos.
Observe que aparecen dos grupos, basados en el mtodo de agrupacin por reas iguales EqualAreas. Hay otros tres grupos ocultos porque no contienen
valores de datos.
Vea tambin
Conceptos
Agrupar miembros de atributos discretizacin
IsAggregatable
De forma predeterminada se define un nivel Todos para todas las jerarquas de atributo. Para deshabilitar el nivel Todos de una jerarqua de atributo habilitada,
establezca el valor de esta propiedad en False.
Nota
Un atributo que tiene su propiedad IsAggregatable establecida en False solamente puede usarse como la raz de una jerarqua definida por el usuario y debe
tener un miembro predeterminado especificado en caso contrario, el motor de Analysis Services elegir uno.
AttributeHierarchyOrdered
De forma predeterminada, Analysis Services ordena los miembros de las jerarquas de atributo habilitadas durante el procesamiento y luego almacena los
miembros segn el valor de la propiedad OrderBy, como Nombre o Clave. Si el orden no le importa, puede incrementar el rendimiento del procesamiento
estableciendo el valor de esta propiedad en False.
AttributeHierarchyOptimizedState
De forma predeterminada, y con el objeto de mejorar el rendimiento de las consultas, Analysis Services crea durante el procesamiento un ndice para cada
jerarqua de atributo habilitada. Si no tiene previsto utilizar una jerarqua de atributo para explorar, puede incrementar el rendimiento del procesamiento
estableciendo el valor de esta propiedad en NotOptimized. No obstante, si utiliza una jerarqua oculta como atributo clave para la dimensin, el rendimiento
tambin mejorar si crea un ndice de los miembros del atributo.
Observe que, en el panel Atributos, el icono de cada atributo ha cambiado para indicar que el atributo no est habilitado.
En la imagen siguiente se muestra la propiedad AttributeHierarchyEnabled establecida en False para los atributos seleccionados.
5. Arrastre el atributo Postal Code del panel Atributos a la jerarqua de usuario Customer Geography en el panel Jerarquas y niveles que se encuentra justo en
el nivel City.
Observe que el atributo oculto puede seguir convirtindose en un nivel de una jerarqua de usuario.
6. En el men Generar, haga clic en Implementar Analysis Services Tutorial.
7. Cuando la implementacin haya finalizado correctamente, vaya a la pestaa Explorador de la dimensin Customer y haga clic en Volver a conectar.
8. Intente seleccionar cualquiera de las jerarquas de atributo modificadas en la lista Jerarqua.
Observe que ninguna de las jerarquas de atributo modificadas aparece en la lista Jerarqua.
9. En la lista Jerarqua, seleccione Customer Geography y examine cada nivel del panel del explorador.
Observe que los niveles ocultos, Postal Code y Full Name, estn visibles en la jerarqua definida por el usuario.
Vea tambin
Otros recursos
Designing and Implementing How-to Topics (Analysis Services - Multidimensional Data)
2. Cambie a la pestaa Estructura de dimensin del Diseador de dimensiones de la dimensin Customer, haga clic con el botn secundario en
CommuteDistanceSort en la tabla Customer del panel Vista del origen de datos y, a continuacin, haga clic en Nuevo atributo de la columna.
3. En el panel Atributos, seleccione Commute Distance Sort y establezca la propiedad AttributeHierarchyEnabled de este atributo en False en la ventana
Propiedades, la propiedad AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.
Estos parmetros ocultarn el atributo ante los usuarios y mejorarn el tiempo de procesamiento. Este atributo no se usar para examinar. Solo se utilizar para
ordenar los miembros de otro atributo.
4. Seleccione Geography y, a continuacin, establezca su propiedad AttributeHierarchyVisible en False en la ventana Propiedades, la propiedad
AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.
Estos parmetros ocultarn el atributo ante los usuarios y mejorarn el tiempo de procesamiento. Este atributo no se usar para examinar. Solo se utilizar para
ordenar los miembros de otro atributo. Dado que Geography tiene propiedades de miembro, su propiedad AttributeHierarchyEnabled debe establecerse en
True. Por lo tanto, para ocultar el atributo, se debe establecer la propiedad AttributeHierarchyVisible en False.
5. Haga clic en la pestaa Relacin de atributo.
6. En la lista de atributos, haga clic con el botn secundario en el atributo Commute Distance y, a continuacin, seleccione Nueva relacin de atributo.
7. En el cuadro de dilogo Crear relacin de atributo, el Atributo de origen es Commute Distance. Establezca el Atributo relacionado en Commute Distance
Sort.
8. En la lista Tipo de relacin, establezca el tipo de relacin en Rgida.
La relacin entre los miembros del atributo Commute Distance y del atributo Commute Distance Sort no cambiar con el tiempo.
9. Haga clic en Aceptar.
Ahora ya puede establecer el criterio de ordenacin del atributo Commute Distance.
10. Haga clic en la pestaa Estructura de dimensin.
11. En el panel Atributos, seleccione Commute Distance y cambie el valor de la propiedad OrderBy de la ventana Propiedades por AttributeKey, y el valor de la
propiedad OrderByAttribute por Commute Distance Sort.
21. En el panel Relaciones de atributo, haga clic con el botn secundario en Geography-> Country-Region y, a continuacin, haga clic en Eliminar.
22. Cuando aparezca el cuadro de dilogo Eliminar objetos, haga clic en Aceptar.
23. Haga clic en la pestaa Estructura de dimensin.
Observe que al eliminar la ltima relacin de atributo entre Geografa y otros atributos, se elimina Geografa. Esto se debe a que el atributo ya no se usa.
24. En el men Archivo, haga clic en Guardar todo.
Vea tambin
Conceptos
Definir relaciones de atributo
Propiedades de jerarqua de usuario
5. Haga clic en la pestaa Explorador, compruebe que Product Model Lines est seleccionado en la lista Jerarqua y expanda All Products.
Observe los cinco miembros del nivel Product Line.
6. Expanda Components y, a continuacin, expanda el miembro sin etiqueta del nivel Model Name.
Este nivel contiene los componentes de ensamblado que se usan al crear otros componentes, empezando por el producto Adjustable Race, como se muestra
en la imagen siguiente.
Definir los atributos de tablas de copo de nieve y una jerarqua definida por el usuario Product
Category
1. Abra el Diseador de vistas del origen de datos para la vista del origen de datos Adventure Works DW, seleccione Reseller Sales en el panel Organizador de
diagramas y, a continuacin, haga clic en Agregar o quitar objetos en el men Vista del origen de datos de SQL Server Data Tools (SSDT).
Se abre el cuadro de dilogo Agregar o quitar tablas.
2. En la lista Objetos incluidos, seleccione DimProduct (dbo) y, a continuacin, haga clic en Agregar tablas relacionadas.
Se agregarn tanto DimProductSubcategory (dbo) como FactProductInventory (dbo). Quite FactProductInventory (dbo) de modo que solo se agregue la
tabla DimProductSubcategory (dbo) a la lista Objetos incluidos.
3. Con la tabla DimProductSubcategory (dbo) seleccionada de forma predeterminada como tabla que se agrega con ms frecuencia, haga clic de nuevo en
Agregar tablas relacionadas.
La tabla DimProductCategory (dbo) se agrega a la lista Objetos incluidos.
4. Haga clic en Aceptar.
5. En el men Formato de SQL Server Data Tools, seleccione Diseo automtico y haga clic en Diagrama.
Observe que la tabla DimProductSubcategory (dbo) y la tabla DimProductCategory (cbo) estn vinculadas entre s y tambin a la tabla ResellerSales a travs
de la tabla Product.
6. Cambie al Diseador de dimensiones para la dimensin Product y haga clic en la pestaa Estructura de dimensin.
7. Haga clic con el botn secundario en el panel Vista del origen de datos y luego haga clic en Mostrar todas las tablas.
8. En el panel Vista del origen de datos, busque la tabla DimProductCategory, haga clic con el botn secundario en ProductCategoryKey en dicha tabla y, luego,
haga clic en Nuevo atributo de la columna.
9. En el panel Atributos, cambie el nombre de este nuevo atributo por Category.
10. En la ventana Propiedades, haga clic en el campo de la propiedad NameColumn y, a continuacin, haga clic en el botn Examinar ) para abrir el cuadro de
dilogo Columna de nombre.
11. Seleccione EnglishProductCategoryName en la lista Columna de origen y haga clic en Aceptar.
12. En el panel Vista del origen de datos, busque la tabla DimProductSubcategory, haga clic con el botn secundario en ProductSubcategoryKey en dicha tabla y,
luego, haga clic en Nuevo atributo de la columna.
13. En el panel Atributos, cambie el nombre de este nuevo atributo por Subcategory.
14. En la ventana Propiedades, haga clic en el campo de la propiedad NameColumn y, a continuacin, haga clic en el botn Examinar para abrir el cuadro de
dilogo Columna de nombre.
15. Seleccione EnglishProductSubcategoryName en la lista Columna de origen y, a continuacin, haga clic en Aceptar.
16. Cree una nueva jerarqua definida por el usuario denominada Product Categories con los niveles siguientes, por orden de arriba a abajo: Category,
Subcategory y Product Name.
17. Especifique All Products como valor para la propiedad AllMemberName de la jerarqua definida por el usuario Product Categories.
4. Haga clic en la consulta SELECT DISTINCT y, a continuacin, haga clic en Ver detalles.
Observe que se ha agregado una clusula WHERE a la clusula SELECT DISTINCT que elimina los productos que no tienen ningn valor en la columna
ProductSubcategoryKey, como se muestra en la imagen siguiente.
5. Haga clic en Cerrar tres veces para cerrar todos los cuadros de dilogo de procesamiento.
6. Haga clic en la pestaa Explorador en el Diseador de dimensiones para la dimensin Product y, a continuacin, haga clic en Volver a conectar.
7. Compruebe que Product Model Lines aparece en la lista Jerarqua, expanda All Products y, a continuacin, expanda Components.
8. Seleccione Product Categories en la lista Jerarqua, expanda All Products y, a continuacin, expanda Components.
Observe que no aparece ningn componente de ensamblado.
Para modificar el comportamiento mencionado en la tarea anterior, habilitar la propiedad UnknownMember de la dimensin Products, establecer un valor para la
propiedad UnknownMemberName, establecer la propiedad NullProcessing para los atributos Subcategory y Model Name en UnknownMember, definir el
atributo Category como un atributo relacionado del atributo Subcategory y luego definir el atributo Product Line como un atributo relacionado del atributo Model
Name. Estos pasos harn que Analysis Services use el valor de nombre de miembro desconocido para cada producto que no tenga ningn valor para la columna
SubcategoryKey, como ver en la tarea siguiente.
11. En la ventana Propiedades, expanda la propiedad KeyColumns y, a continuacin, expanda la propiedad Product.ModelName (WChar).
12. Cambie la propiedad NullProcessing por UnknownMember.
Debido a estos cambios, cuando el proceso de Analysis Services detecte un valor NULL para el atributo Subcategory o el atributo Model Name, el valor de
miembro desconocido se sustituir como valor de clave y las jerarquas definidas por el usuario se generarn correctamente.
Leccin siguiente
Leccin 5: definir relaciones entre dimensiones y grupos de medida
Leccin siguiente
Leccin 6: definir clculos
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Relaciones de dimensin
Otros recursos
Defining and Configuring Dimension Usage and Dimension Relationships
4. Abra el Diseador de vistas del origen de datos para la vista del origen de datos Adventure Works DW 2012.
5. En el panel Organizador de diagramas, vea la relacin entre las tablas Geography y ResellerSales.
Observe que no hay ningn vnculo directo entre estas tablas. No obstante, existe un vnculo indirecto entre estas tablas a travs de la tabla Reseller o de la
tabla SalesTerritory.
6. Haga doble clic en la flecha que representa la relacin entre las tablas Geography y Reseller.
En el cuadro de dilogo Editar relacin, observe que la columna GeographyKey es la clave principal en la tabla Geography y la clave externa en la tabla
Reseller.
7. Haga clic en Cancelar, cambie al Diseador de cubos para el cubo Tutorial de Analysis Services y, a continuacin, haga clic en la pestaa Uso de dimensiones.
Observe que la dimensin del cubo Geography actualmente no tiene ninguna relacin con el grupo de medida Internet Sales ni con el grupo de medida
Reseller Sales.
8. Haga clic en el botn de puntos suspensivos ) de la celda Full Name de la interseccin de la dimensin Customer y el grupo de medida Internet Sales.
En el cuadro de dilogo Definir relacin, observe que hay una relacin Regular definida entre la tabla de dimensiones DimCustomer y la tabla de grupos de
medida FactInternetSales basada en la columna CustomerKey de cada una de estas tablas. Todas las dems relaciones que ha definido en este tutorial hasta
este punto han sido relaciones regulares.
En la imagen siguiente se muestra el cuadro de dilogo Definir relacin con una relacin regular entre la tabla de dimensiones DimCustomer y la tabla de
grupos de medida FactInternetSales.
En la tarea siguiente, resolver este problema definiendo un atributo que se basa en la columna GeographyKey de la dimensin Reseller.
Vea tambin
Conceptos
Relaciones de atributo
Definir relaciones referenciadas y propiedades de las relaciones referenciadas
El atributo de granularidad debe encontrarse en la columna de clave de la dimensin, que crea una relacin uno a uno entre la dimensin y los hechos de la tabla
de hechos.
Una dimensin puede tener una relacin de hechos con un solo grupo de medida.
Nota
Las dimensiones de hechos deben actualizarse de forma incremental despus de cada actualizacin realizada en el grupo de medida al que hace referencia la relacin
de hechos.
Para obtener ms informacin, vea Relaciones de dimensin y Definir relaciones de hechos y propiedades de las relaciones de hechos.
En las tareas de este tema, debe agregar una nueva dimensin de cubo basada en la columna CustomerPONumber de la tabla de hechos FactInternetSales. A
continuacin, debe definir la relacin entre esta nueva dimensin de cubo y el grupo de medida Internet Sales como relacin de hechos.
19. En el panel Atributos, seleccione Internet Sales Order Details y luego revise el valor de la propiedad StorageMode de la ventana Propiedades.
Observe que, de forma predeterminada, esta dimensin est almacenada como dimensin MOLAP. Aunque cambiar el modo de almacenamiento por ROLAP
supondr un ahorro de tiempo de procesamiento y espacio de almacenamiento, esto es as a costa del rendimiento de las consultas. Para este tutorial, utilizar
MOLAP como modo de almacenamiento.
20. Para agregar la dimensin que acaba de crear al cubo Tutorial de Analysis Services como una dimensin de cubo, cambie al Diseador de cubos. En la pestaa
Estructura de cubo, haga clic con el botn secundario del mouse en el panel Dimensiones y seleccione Agregar dimensin de cubo.
21. En el cuadro de dilogo Agregar dimensin de cubo, seleccione Internet Sales Order Details y, a continuacin, haga clic en Aceptar.
Vea tambin
Conceptos
Relaciones de dimensin
Definir relaciones de hechos y propiedades de las relaciones de hechos
Vea tambin
Conceptos
Trabajar con diagramas en el Diseador de vistas del origen de datos Analysis Services
Relaciones de dimensin
Definir una relacin de varios a varios y las propiedades de las relaciones de varios a varios
Observe que la medida se crea en un grupo de medida nuevo denominado Sales Quotas 1. A fin de maximizar el rendimiento del procesamiento, en SQL Server
se crean medidas de recuento distintas en los grupos de medida correspondientes.
15. Cambie el valor de la propiedad Nombre de la medida Employee Key Distinct Count por Sales Person Count y, a continuacin, escriba #,# como el valor para
la propiedad FormatString.
Examinar las medidas del grupo de medida Sales Quota por fecha
1. En el men Compilar, haga clic en Tutorial de Implementar Analysis Services.
2. Cuando la implementacin se haya completado correctamente, haga clic en la pestaa Explorador del Diseador de cubos para el cubo Tutorial de Analysis
Services y, a continuacin, haga clic en el botn Volver a conectar.
3. Haga clic en el acceso directo de Excel y, a continuacin, haga clic en Habilitar.
4. En la lista de campos de tabla dinmica, expanda el grupo de medida Sales Quotas y arrastre la medida Sales Amount Quota hasta el rea Valores.
5. Expanda la dimensin Territorio de ventas y arrastre la jerarqua definida por el usuario Territorios de ventas hasta las etiquetas de fila.
Observe que la dimensin de cubo Sales Territory no est relacionada, directa ni indirectamente, con la tabla de hechos Sales Quota, como se muestra en la
imagen siguiente.
En la prxima serie de pasos de este tema definir una relacin de dimensin de referencia entre esta dimensin y esta tabla de hechos.
6. Mueva la jerarqua de usuario Territorios de ventas del rea Etiquetas de fila al rea Etiquetas de columna.
7. En la lista de campos de tabla dinmica, seleccione la jerarqua definida por el usuario Territorios de ventas y haga clic en la flecha hacia abajo de la derecha.
8. En el filtro, haga clic en la casilla Seleccionar todo para desactivar todas las casillas y elija solo North America.
Definir las propiedades de uso de dimensiones para el grupo de medida Sales Quotas
1. Abra el Diseador de dimensiones para la dimensin Employee, haga clic con el botn secundario en SalesTerritoryKey en el panel Vista del origen de datos
y, a continuacin, haga clic en Nuevo atributo de columna.
2. En el panel Atributos, seleccione SalesTerritoryKey y, a continuacin, establezca la propiedad AttributeHierarchyVisible en False en la ventana de
propiedades, la propiedad AttributeHierarchyOptimizedState en NotOptimized y la propiedad AttributeHierarchyOrdered en False.
Este atributo es necesario para vincular la dimensin Sales Territory con los grupos de medida Sales Quotas y Sales Quotas 1 como dimensin referenciada.
3. En el Diseador de cubos para el cubo Tutorial de Analysis Services, haga clic en la pestaa Uso de dimensiones y, a continuacin, revise el uso de las
dimensiones en los grupos de medida Sales Quotas y Sales Quotas 1.
Observe que las dimensiones de cubo Employee y Date estn vinculadas a los grupos de medida Sales Quotas y Sales Quotas 1 a travs de relaciones
normales. Observe tambin que la dimensin de cubo Sales Territory no est vinculada a ninguno de estos grupos de medida.
4. Haga clic en la celda en la interseccin de la dimensin Sales Territory y el grupo de medida Sales Quotas y, a continuacin, haga clic en el botn Examinar ).
Se abre el cuadro de dilogo Definir relacin.
Definir las relaciones de atributo entre el atributo Calendar Quarter y otros atributos de
dimensin de la dimensin Date
1. Cambie al Diseador de dimensiones para la dimensin Date y, a continuacin, haga clic en la pestaa Relaciones de atributo.
Observe que, aunque Calendar Year est vinculado a Calendar Quarter a travs del atributo Calendar Semester, los atributos de calendario fiscal estn
vinculados solamente el uno al otro; no estn vinculados al atributo Calendar Quarter y, por consiguiente, no se agregan correctamente al grupo de medida
Sales Quotas.
2. En el diagrama, haga clic con el botn secundario del mouse en el atributo Calendar Quarter y, a continuacin, seleccione Nueva relacin de atributo.
3. En el cuadro de dilogo Crear relacin de atributo, el Atributo de origen es Calendar Quarter. Establezca el Atributo relacionado en Fiscal Quarter.
4. Haga clic en Aceptar.
Observe que aparece un mensaje de advertencia para indicarle que la dimensin Date contiene una o varias relaciones de atributo redundantes que pueden
impedir que se agreguen datos cuando se usa un atributo sin clave como atributo de granularidad.
5. Elimine la relacin de atributo entre los atributos Month Name y Fiscal Quarter.
6. En el men Archivo, haga clic en Guardar todo.
Examinar las medidas del grupo de medida Sales Quota por fecha
1. En el men Compilar, haga clic en Tutorial de Implementar Analysis Services.
2. Cuando la implementacin se haya completado correctamente, haga clic en la pestaa Explorador del Diseador de cubos para el cubo Tutorial de Analysis
Services y, a continuacin, haga clic en Volver a conectar.
3. Haga clic en el acceso directo de Excel y, a continuacin, haga clic en Habilitar.
4. Arrastre la medida Sales Amount Quota hasta el rea Valores.
5. Arrastre la jerarqua de usuario Territorios de ventas hasta las Etiquetas de columna y, a continuacin, filtre en North America.
6. Arrastre la jerarqua de usuario Date.FiscalDate hasta Etiquetas de fila y, a continuacin, haga clic en la flecha hacia abajo que aparece junto a Etiquetas de fila
en la tabla dinmica y desactive todas las casillas excepto FY 2008 para mostrar solamente el ao fiscal 2008.
7. Haga clic en Aceptar.
8. Expanda sucesivamente FY 2008, H1 FY 2008 y Q1 FY 2008.
En la ilustracin siguiente se muestra una tabla dinmica para el cubo Tutorial de Analysis Services, con el grupo de medida Sales Quota bien dimensionado.
Observe que cada miembro del nivel de trimestre fiscal tiene el mismo valor que el nivel de trimestre. Usando Q1 FY 2008 como ejemplo, la cuota de $9.180.000,
00 para Q1 FY 2008 es tambin el valor de cada uno de sus miembros. Este comportamiento se produce porque el nivel de detalle de los datos de la tabla de
hechos es el nivel trimestral y el nivel de detalle de la dimensin Date tambin es el nivel de trimestre. En la leccin 6, aprender a asignar el importe trimestral
proporcionalmente a cada mes.
Leccin siguiente
Leccin 6: definir clculos
Vea tambin
Conceptos
Relaciones de dimensin
Definir relaciones normales y propiedades de las relaciones normales
Trabajar con diagramas en el Diseador de vistas del origen de datos Analysis Services
Vista de formulario. Esta vista muestra las expresiones y propiedades de un comando nico en formato de grfico. Al editar un script MDX, un cuadro de expresin
rellena la vista de formulario.
Vista de script. Esta vista muestra todos los scripts de clculo en un editor de cdigo, lo que le permite cambiar fcilmente los scripts de clculo. Cuando el panel
de las expresiones de clculo est en la Vista de script, el Organizador de script estar oculto. La Vista de script proporciona codificacin de color, coincidencia
de parntesis, autocompletar y regiones de cdigo MDX. Puede expandir o contraer las regiones de cdigo MDX para facilitar la edicin.
Para cambiar de una vista a otra en el panel de las expresiones de clculo, haga clic en Vista de formulario o Vista de script en la barra de herramientas de la pestaa
Clculos.
Nota
Si Analysis Services detecta un error de sintaxis en algn clculo, la vista de formulario no aparecer hasta que el error se haya corregido en la Vista de script.
Tambin puede utilizar el Asistente de Business Intelligence para agregar determinados clculos a un cubo. Por ejemplo, puede utilizar este asistente para agregar
inteligencia de tiempo a un cubo, lo que significa definir miembros calculados para clculos relacionados con el tiempo como, por ejemplo, perodos hasta fecha, medias
mviles o crecimiento entre perodos. Para obtener ms informacin, vea Definir clculos de inteligencia de tiempo mediante el Asistente de Business Intelligence.
Importante
En la pestaa Clculos, el script de clculo empieza por el comando CALCULATE. El comando CALCULATE controla la agregacin de las celdas en el cubo y solo
debera editar este comando si intenta especificar manualmente la forma en que se deberan agregar las celdas del cubo.
Para obtener ms informacin, vea Clculos y Clculos en modelos multidimensionales.
Nota
Los proyectos completos para todas las lecciones de este tutorial estn disponibles en lnea. Puede saltar a continuacin a cualquier leccin con el proyecto
completado de la leccin anterior como punto de partida. Haga clic aqu para descargar los proyectos de ejemplo que tienen que ver con este tutorial.
Esta leccin contiene las tareas siguientes:
Leccin siguiente
Leccin 7: definir indicadores clave de rendimiento KPI
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Crear conjuntos con nombre
Crear miembros calculados
3. En el cuadro Nombre, cambie el nombre de la medida calculada por [Total Sales Amount].
Si el nombre de un miembro calculado contiene un espacio, dicho nombre deber ir entre corchetes.
Observe que en la lista Jerarqua primaria, de manera predeterminada, se crea un nuevo miembro calculado en la dimensin Measures. A un miembro
calculado de la dimensin Measures tambin se le denomina con frecuencia medida calculada.
4. En la pestaa Metadatos del panel Herramientas de clculo de la pestaa Clculos, expanda Medidas y, a continuacin, Ventas por Internet para ver los
metadatos del grupo de medida Internet Sales.
Puede arrastrar los elementos de metadatos desde el panel Herramientas de clculo al cuadro Expresin y agregar entonces operadores y otros elementos
para crear expresiones de Expresiones multidimensionales (MDX). O bien, puede escribir la expresin MDX directamente en el cuadro Expresin.
Nota
Si no puede ver los metadatos en el panel Herramientas de clculo, haga clic en Volver a conectar en la barra de herramientas. Si esto no funciona, puede
que tenga que procesar el cubo o iniciar la instancia de Analysis Services.
5. Arrastre Internet Sales-Sales Amount de la pestaa Metadatos del panel Herramientas de clculo al cuadro Expresin del panel de las expresiones de
clculo.
6. En el cuadro Expresin, escriba un signo ms + despus de [Measures].[Internet Sales-Sales Amount].
7. En la pestaa Metadatos del panel Herramientas de clculo, expanda Venta del distribuidor y, a continuacin, arrastre Reseller Sales-Sales Amount al cuadro
Expresin del panel de las expresiones de clculo despus del signo ms +.
8. En la lista Cadena de formato, seleccione "Moneda".
9. En la lista Comportamiento si no est vaco, active las casillas Internet Sales-Sales Amount y Reseller Sales-Sales Amount y haga clic en Aceptar.
Las medidas especificadas en la lista Comportamiento si no est vaco se utilizan para resolver consultas NON EMPTY en MDX. Si se especifican una o ms
medidas en la lista Comportamiento si no est vaco, Analysis Services tratar al miembro calculado como vaco si todas las medidas especificadas estn
vacas. Si la propiedad Non-empty behavior est en blanco, Analysis Services deber evaluar al miembro calculado para determinar si el miembro est vaco.
La siguiente imagen muestra el panel de las expresiones de clculo llenado con la configuracin especificada en los pasos anteriores.
10. En la barra de herramientas de la pestaa Clculos, haga clic en Vista de script y revise el script de clculo en el panel de las expresiones de clculo.
Observe que el nuevo clculo se agrega a la expresin CALCULATE inicial; los clculos individuales se separan con un punto y coma. Observe tambin que
aparece un comentario al principio del script del clculo. Se recomienda la agregacin de comentarios dentro del script de clculo para grupos de clculos para
ayudarle a usted y a otros programadores a comprender los scripts de clculo complejos.
11. Agregue una nueva lnea al script de clculo despus del comando Calculate; y antes del script de clculo recientemente agregada y, a continuacin, agregue el
siguiente texto al script en su propia lnea:
La siguiente imagen muestra los scripts de clculo tal como deberan aparecer en el panel de las expresiones de clculo en este punto del tutorial.
12. En la barra de herramientas de la pestaa Clculos, haga clic en Vista de formulario, compruebe que est seleccionado [Total Sales Amount] en el panel
Organizador de script y haga clic en Nuevo miembro calculado.
13. Cambie el nombre de este nuevo miembro calculado por [Total Product Cost] y, a continuacin, cree la siguiente expresin en el cuadro Expresin:
Observe que este miembro calculado hace referencia a otros miembros calculados. Como este miembro calculado se calcular despus de los miembros
calculados a los que hace referencia, se tratar de un miembro calculado vlido.
14. En la lista Cadena de formato, seleccione "Porcentaje".
15. En la lista Comportamiento si no est vaco, active las casillas Internet Sales-Sales Amount y Reseller Sales-Sales Amount y haga clic en Aceptar.
16. En la barra de herramientas de la pestaa Clculos, haga clic en Vista de script y revise los tres clculos que acaba de agregar al script de clculo.
17. Agregue una nueva lnea al script de clculo inmediatamente anterior al clculo [Internet GPM] y, a continuacin, agregue el siguiente texto al script en su
propia lnea:
La siguiente imagen muestra el panel Expresiones con los tres clculos nuevos.
Case
When IsEmpty( [Measures].[Internet Sales-Sales Amount] )
Then 0
Else ( [Product].[Product Categories].CurrentMember,
[Measures].[Internet Sales-Sales Amount]) /
( [Product].[Product Categories].[(All)].[All],
[Measures].[Internet Sales-Sales Amount] )
End
Esta expresin MDX calcula la contribucin al total de ventas por Internet de cada producto. La instruccin Case junto con la funcin IS EMPTY garantiza que no
se produzca un error de divisin por cero cuando un producto no tiene ventas.
5. En la lista Cadena de formato, seleccione "Porcentaje".
6. En la lista Comportamiento si no est vaco, active la casilla de Internet Sales-Sales Amount y, a continuacin, haga clic en Aceptar.
7. En la barra de herramientas de la pestaa Clculos, haga clic en Nuevo miembro calculado.
8. Cambie el nombre de este miembro calculado por [Reseller Sales Ratio to All Products].
9. Escriba la siguiente expresin en el cuadro Expresin:
Case
When IsEmpty( [Measures].[Reseller Sales-Sales Amount] )
Then 0
Else ( [Product].[Product Categories].CurrentMember,
[Measures].[Reseller Sales-Sales Amount]) /
( [Product].[Product Categories].[(All)].[All],
[Measures].[Reseller Sales-Sales Amount] )
End
11. En la lista Comportamiento si no est vaco, active la casilla de Reseller Sales-Sales Amount y, a continuacin, haga clic en Aceptar.
12. En la barra de herramientas de la pestaa Clculos, haga clic en Nuevo miembro calculado.
13. Cambie el nombre de este miembro calculado por [Total Sales Ratio to All Products].
14. Escriba la siguiente expresin en el cuadro Expresin:
Case
When IsEmpty( [Measures].[Total Sales Amount] )
Then 0
Else ( [Product].[Product Categories].CurrentMember,
[Measures].[Total Sales Amount]) /
( [Product].[Product Categories].[(All)].[All],
[Measures].[Total Sales Amount] )
End
Ahora ha definido un total de ocho miembros calculados, que estn visibles en el panel Organizador de scripts cuando se est en la Vista de formulario.
9. Agregue las medidas Total Sales Ratio to All Products, Internet Sales Ratio to All Products y Reseller Sales Ratio to All Products al rea Valores.
Observe que el ratio de las ventas de bicicletas de montaa en relacin con todos los productos ha aumentado con el tiempo para las ventas por Internet, pero
ha disminuido con el tiempo para la venta del distribuidor. Observe tambin que el ratio de la venta de bicicletas de montaa con respecto a todos los
productos es inferior en la venta por distribuidor que en la venta por Internet.
10. Cambie el filtro de Mountain Bikes a Bikes, y revise los resultados.
Observe que el margen de beneficio bruto de todas las bicicletas vendidas a travs de distribuidores es negativo, porque las bicicletas de paseo y las bicicletas
de carrera se estn vendiendo con prdida.
11. Cambie el filtro a Accessories y, a continuacin, revise los resultados.
Observe que la venta de accesorios aumenta con el tiempo pero que estas ventas constituyen solo una pequea fraccin del total de ventas. Observe tambin
que el margen de beneficio bruto para la venta de accesorios es superior que para las bicicletas.
Vea tambin
Conceptos
Clculos
Clculos en modelos multidimensionales
Crear miembros calculados
Ahora que ha definido el primer conjunto para la expresin de conjunto Exists, estar listo para agregar el segundo conjunto el conjunto de miembros de
dimensin Reseller que contenga el mayor nmero de empleados.
7. En la pestaa Metadatos del panel Herramientas de clculo, expanda Nmero de empleados en la dimensin Reseller, expanda Miembros y, a continuacin,
All Resellers.
Observe que los miembros de esta jerarqua de atributo no estn agrupados.
8. Abra el Diseador de dimensiones para la dimensin Reseller y, a continuacin, haga clic en Number of Employees en el panel Atributos.
9. En la ventana Propiedades, cambie la propiedad DiscretizationMethod a Automatic y, a continuacin, cambie la propiedad DiscretizationBucketCount a 5.
Para obtener ms informacin, vea Agrupar miembros de atributos discretizacin.
10. En el men Compilar de SQL Server Data Tools (SSDT), haga clic en Tutorial de Implementar Analysis Services.
11. Cuando la implementacin haya finalizado correctamente, vaya al Diseador de cubos del cubo Analysis Services Tutorial y, a continuacin, haga clic en Volver a
conectar en la barra de herramientas de la pestaa Clculos.
12. En la pestaa Metadatos del panel Herramientas de clculo, expanda Nmero de empleados en la dimensin Reseller, expanda Miembros y, a continuacin,
All Resellers.
Observe que los miembros de esta jerarqua de atributos estn contenidos ahora en cinco grupos, numerados de 0 a 4. Para ver el nmero de un grupo, pause
el puntero sobre ese grupo para ver un recuadro informativo. Para el intervalo 2 -17, el recuadro informativo debe contener [Reseller].[Number of
Employees].&[0].
Los miembros de esta jerarqua de atributo estn agrupados porque la propiedad DiscretizationBucketCount est establecida en 5 y la propiedad
DiscretizationMethod est establecida en Automatic.
13. En el cuadro Expresin, agregue una coma a la expresin de conjunto Exists despus de la funcin Members y antes de cerrar el parntesis y, a continuacin,
arrastre 83 - 100 desde el panel Metadatos y colquelo despus de la coma.
Ahora ha completado la expresin de conjunto Exists que devolver el conjunto de miembros que forma interseccin con estos dos conjuntos especificados, el
conjunto de todos los distribuidores y el conjunto de los distribuidores que tengan de 83 a 100 empleados, cuando el conjunto con nombre Large Resellers se
coloca en un eje.
La siguiente imagen muestra el panel de las expresiones de clculo para el conjunto con nombre [Large Resellers].
14. En la barra de herramientas de la pestaa Clculos, haga clic en Vista de script y, a continuacin, revise los dos conjuntos con nombre que acaba de agregar al
script de clculo.
15. Agregue una nueva lnea al script de clculo inmediatamente anterior al primer comando CREATE SET y, a continuacin, agregue el siguiente texto al script en su
propia lnea:
/* named sets */
Ahora ha definido dos conjuntos con nombre y ambos son visibles en el panel Organizador de script. Ya puede implementar estos conjuntos con nombre y
examinar estas medidas en el cubo Tutorial de Analysis Services.
Vea tambin
Conceptos
Clculos
Crear conjuntos con nombre
Leccin siguiente
Leccin 8: definir acciones
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Indicadores clave de rendimiento (KPI) en modelos multidimensionales
La expresin de valor
Una expresin de valor es una medida fsica como ventas, una medida calculada como utilidad o ganancia o un clculo que se define dentro del KPI mediante una
expresin de Expresiones Multidimensionales MDX.
La expresin objetivo
Una expresin objetivo es un valor, o una expresin MDX que se resuelve en un valor, que define el objetivo de la medida definida por la expresin de valor. Por
ejemplo, una expresin objetivo podra ser la cantidad en la que los responsables de una compaa desean incrementar las ventas o el beneficio.
La expresin de estado
Una expresin de estado es una expresin MDX que Analysis Services utiliza para evaluar el estado actual de la expresin de valor en comparacin con la
expresin objetivo. Una expresin objetivo es un valor normalizado en el rango de 1 a +1, donde 1 es muy malo y +1 es muy bueno. La expresin de estado
muestra un grfico para ayudarle a determinar fcilmente el estado de la expresin de valor en comparacin con la expresin objetivo.
La expresin de tendencia
Una expresin de tendencia es una expresin MDX que Analysis Services utiliza para evaluar la tendencia actual de la expresin de valor en comparacin con la
expresin objetivo. La expresin de tendencia ayuda al usuario corporativo a determinar rpidamente si la expresin de valor est mejorando o empeorando en
relacin con la expresin objetivo. Puede asociar uno de los diversos grficos con la expresin de tendencia para ayudar a los usuarios corporativos a comprender
rpidamente la tendencia.
Adems de estos elementos definidos para un KPI, tambin deben definirse varias propiedades de un KPI. Estas propiedades incluyen una carpeta de muestra, un KPI
primario si el KPI se calcula desde otros KPI, el miembro de hora actual si lo hay, el peso del KPI si lo tiene y una descripcin del KPI.
Nota
Para obtener ms ejemplos de KPI, vea los ejemplos de KPI en la pestaa Plantillas del panel Herramientas de clculo o en los ejemplos del almacenamiento de datos
de ejemplo Adventure Works DW 2012. Para obtener ms informacin sobre cmo instalar esta base de datos, vea Instalar los datos y proyectos de ejemplo para el
tutorial de modelado multidimensional de Analysis Services.
En las tareas de esta leccin definir los KPI del proyecto Tutorial de Analysis Services y, a continuacin, examinar el cubo Tutorial de Analysis Services con estos KPI.
Definir los siguientes KPI:
Reseller Revenue
Este KPI se utiliza para medir la forma en que comparar las ventas reales del distribuidor con las cuotas de venta para ventas del distribuidor, la distancia que
separa las ventas del el objetivo y qu tendencia se dirige al objetivo.
Product Gross Profit Margin
Este KPI se utiliza para determinar la distancia que existe entre el margen de beneficio bruto de cada categora de producto y el objetivo especificado de cada
categora de producto, y tambin para determinar la tendencia hasta alcanzar este objetivo.
3. En el cuadro Nombre, escriba Reseller Revenue y, a continuacin, seleccione Reseller Sales en la lista Grupo de medida asociado.
4. En la pestaa Metadatos del panel Herramientas de clculo, expanda Medidas, Reseller Sales y, a continuacin, arrastre la medida Reseller Sales-Sales
Amount al cuadro Expresin de valor.
5. En la pestaa Metadatos del panel Herramientas de clculo, expanda Medidas, Sales Quotas y, a continuacin, arrastre la medida Sales Amount Quota al
cuadro Expresin objetivo.
6. Compruebe que est seleccionado Indicador en la lista Indicador de estado y, a continuacin, escriba la siguiente expresin MDX en el cuadro Expresin de
estado:
Case
When
KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")>=.95
Then 1
When
KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")<.95
And
KpiValue("Reseller Revenue")/KpiGoal("Reseller Revenue")>=.85
Then 0
Else-1
End
Esta expresin MDX proporciona lo bsico para evaluar el progreso hacia el objetivo. En esta expresin MDX, si las ventas reales del distribuidor estn por
encima del 85 por ciento del objetivo, se utilizar un valor de 0 para llenar el grfico seleccionado. Como el grfico seleccionado es un indicador, el puntero del
indicador estar a mitad de camino entre el estado vaco y el lleno. Si las ventas reales por distribuidor estn por encima del 90 por ciento, el puntero del
indicador ocupar tres cuartas partes del espacio entre vaco y lleno.
7. Compruebe que est seleccionado Flecha estndar en la lista Indicador de tendencia y, a continuacin, escriba la siguiente expresin en el cuadro Expresin
de tendencia:
Case
When IsEmpty
(ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember))
Then 0
When (
KpiValue("Reseller Revenue") (KpiValue("Reseller Revenue"),
ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember))
/
(KpiValue ("Reseller Revenue"),
ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember)))
>=.02
Then 1
When(
KpiValue("Reseller Revenue") (KpiValue ( "Reseller Revenue" ),
ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember))
/
(KpiValue("Reseller Revenue"),
ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember)))
<=.02
Then -1
Else 0
End
Esta expresin MDX proporciona lo bsico para evaluar la tendencia hasta lograr el objetivo definido.
Case
When [Product].[Category].CurrentMember Is
[Product].[Category].[Accessories]
Then .40
When [Product].[Category].CurrentMember
Is [Product].[Category].[Bikes]
Then .12
When [Product].[Category].CurrentMember Is
[Product].[Category].[Clothing]
Then .20
When [Product].[Category].CurrentMember Is
[Product].[Category].[Components]
Then .10
Else .12
End
Case
When KpiValue(
KpiGoal (
Then 1
When KpiValue(
KpiGoal (
And
KpiValue(
KpiGoal (
Then 0
Else -1
End
.90
Esta expresin MDX proporciona lo bsico para evaluar el progreso hacia el objetivo.
7. Compruebe que est seleccionado Flecha estndar en la lista Indicador de tendencia y, a continuacin, escriba la siguiente expresin MDX en el cuadro
Expresin de tendencia:
Case
When IsEmpty
(ParallelPeriod
([Date].[Calendar Date].[Calendar Year],1,
[Date].[Calendar Date].CurrentMember))
Then 0
When VBA!Abs
(
KpiValue( "Product Gross Profit Margin" ) (
KpiValue ( "Product Gross Profit Margin" ),
ParallelPeriod
(
[Date].[ Calendar Date].[ Calendar Year],
1,
[Date].[ Calendar Date].CurrentMember
)
) /
(
KpiValue ( "Product Gross Profit Margin" ),
ParallelPeriod
(
[Date].[ Calendar Date].[ Calendar Year],
1,
[Date].[ Calendar Date].CurrentMember
)
)
) <=.02
Then 0
When KpiValue( "Product Gross Profit Margin" ) (
KpiValue ( "Product Gross Profit Margin" ),
ParallelPeriod
(
[Date].[ Calendar Date].[ Calendar Year],
1,
[Date].[ Calendar Date].CurrentMember
)
) /
(
KpiValue ( "Product Gross Profit Margin" ),
ParallelPeriod
(
[Date].[Calendar Date].[Calendar Year],
1,
[Date].[Calendar Date].CurrentMember
)
) >.02
Then 1
Else -1
End
Esta expresin MDX proporciona lo bsico para evaluar la tendencia hasta lograr el objetivo definido.
Leccin siguiente
Leccin 8: definir acciones
Conjunto de datos
Obtener detalles
Devuelve una instruccin de obtencin de detalles como una expresin, que el cliente ejecuta para devolver un conjunto de filas.
Html
Propietario
Realiza una operacin mediante una interfaz distinta de las descritas en esta tabla.
Informe
Enva una solicitud parametrizada basada en una direccin URL a un servidor de informes y devuelve un informe a una aplicacin cliente.
Conjunto de filas
Instruccin
Direccin URL
Las acciones permiten a los usuarios iniciar una aplicacin o realizar otros pasos en el contexto de un elemento seleccionado. Para obtener ms informacin, vea Acciones
(Analysis Services - Datos multidimensionales), Acciones en modelos multidimensionales
Nota
Para obtener ejemplos de acciones, vea los ejemplos de acciones en la pestaa Plantillas del panel Herramientas de clculo o en los ejemplos del almacenamiento de
datos de ejemplo Adventure Works DW. Para obtener ms informacin acerca de la instalacin de esta base de datos, vea Instalar los datos y proyectos de ejemplo
para el tutorial de modelado multidimensional de Analysis Services.
Esta leccin incluye la tarea siguiente:
Leccin siguiente
Leccin 9: Definir perspectivas y traducciones
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Acciones (Analysis Services - Datos multidimensionales)
Acciones en modelos multidimensionales
2. En la barra de herramientas de la pestaa Acciones, haga clic en el botn Nueva accin de obtencin de detalles.
Aparecer una plantilla de Accin en blanco en el panel de informacin.
3. En el cuadro Nombre, cambie el nombre de esta accin por Internet Sales Details Drillthrough Action.
4. En la lista Miembros de grupo de medida, seleccione Internet Sales.
5. En el cuadro Columnas de obtencin de detalles, seleccione Internet Sales Order Details en la lista Dimensiones.
6. En la lista Columnas devueltas, active las casillas Item Description y Order Number y, a continuacin, haga clic en Aceptar. La siguiente imagen muestra la
plantilla de Accin con el aspecto que debera tener en este punto del procedimiento.
5. Agregue la jerarqua definida por el usuario Geografa del cliente desde la carpeta Location de la dimensin Customer al panel Filtro de informe.
6. En la tabla dinmica, en Geografa del cliente, agregue un filtro que seleccione un solo cliente. Expanda sucesivamente All Customers, Australia, Queensland,
Brisbane y 4000, active la casilla correspondiente a Adam Powell y, a continuacin, haga clic en Aceptar.
Las ventas totales de productos de Adventure Works Cycles a Adam Powell aparecern en el rea de datos.
7. Haga clic con el botn secundario en el importe de venta, seleccione Acciones adicionales y, a continuacin, haga clic en Drillthrough to Order Details.
La informacin detallada de los pedidos enviados a Adam Powell aparecer en el Visor de muestras de datos, como se muestra en la ilustracin siguiente. Sin
embargo, algunos detalles adicionales podran ser igualmente tiles, caso de la fecha del pedido, la fecha de vencimiento y la fecha de envo. En el siguiente
procedimiento, agregar estos detalles adicionales.
8. Cerrar Excel/
Leccin siguiente
Leccin 9: Definir perspectivas y traducciones
Vea tambin
Tasks
Definir una relacin de hechos
Conceptos
Acciones (Analysis Services - Datos multidimensionales)
Acciones en modelos multidimensionales
Relaciones de dimensin
Definir relaciones de hechos y propiedades de las relaciones de hechos
Leccin siguiente
Leccin 10: definir roles administrativos
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Perspectivas
Perspectivas de modelos multidimensionales
Traducciones de dimensiones
Traducciones de cubos
Traducciones (Analysis Services - Datos multidimensionales)
5. Como alternativa, puede iniciar Excel en el men Inicio de Windows, definir una conexin a la base de datos Tutorial de Analysis Services en localhost y elegir una
perspectiva en el Asistente para la conexin de datos, como se muestra en la ilustracin siguiente.
6. Seleccione Internet Sales en la lista Perspectiva y, despus, examine las medidas y dimensiones en el panel de metadatos.
Observe que solo aparecen aquellos objetos especificados para la perspectiva Internet Sales.
7. En el panel de metadatos, expanda Medidas.
Observe que solo aparece el grupo de medida Internet Sales, junto con los miembros calculados Internet GPM e Internet Sales Ratio to All Products.
8. En el modelo, seleccione Excel de nuevo. Seleccione Sales Summary.
Observe que en cada uno de estos grupos de medida, solo aparece una nica medida, tal como se muestra en la siguiente imagen.
Vea tambin
Conceptos
Perspectivas
Perspectivas de modelos multidimensionales
9. Haga clic en Aceptar y, a continuacin, en los puntos suspensivos de la traduccin Francs Francia del atributo Month Name.
10. En la lista Columnas de traduccin, seleccione FrenchMonthName y, a continuacin, haga clic en Aceptar.
Los pasos de este procedimiento ilustran el proceso de definicin de traducciones de metadatos para miembros y objetos de dimensiones.
Especificar traducciones para los metadatos del cubo Tutorial de Analysis Services
1. Cambie al Diseador de cubos para el cubo Tutorial de Analysis Services y, a continuacin, cambie a la pestaa Traducciones.
Los metadatos en el idioma predeterminado de dicho objeto de cubo aparecen tal como se muestran en la siguiente imagen. El idioma predeterminado en el
cubo Analysis Services Tutorial es el ingls.
6. En el panel de metadatos, haga clic con el botn secundario en Importe de venta por Internet y seleccione Agregar a consulta.
7. En el panel de metadatos, expanda Fecha y Fecha.Calendar Date, haga clic con el botn secundario en Fecha.Calendar Date y, a continuacin, seleccione
Agregar a filtro.
8. En el panel Filtro , seleccione CY 2007 como expresin de filtro.
9. En el panel de metadatos, haga clic con el botn secundario en Ao mes y seleccione Agregar a consulta.
Observe que los nombres de los meses aparecen en espaol, tal como se muestra en la siguiente imagen.
Leccin siguiente
Leccin 10: definir roles administrativos
Vea tambin
Conceptos
Traducciones de dimensiones
Traducciones de cubos
Traducciones (Analysis Services - Datos multidimensionales)
Vea tambin
Conceptos
Escenario de Tutorial de Analysis Services
Creacin de modelos multidimensionales tutorial de Adventure Works
Nota
Para disponer de un proyecto completado de la Leccin 10, descargue e instale los ejemplos. Para obtener ms informacin, vea Instalar los datos y proyectos de
ejemplo para el tutorial de modelado multidimensional de Analysis Services.
Vea tambin
Conceptos
Roles y permisos de modelos multidimensionales
En esta seccin
Tutorial bsico de minera de datos
Este tutorial le gua en un escenario de distribucin de correo directo. En l se muestra cmo se usan los algoritmos de minera de datos, los visores del modelo
de minera de datos y las herramientas de minera de datos que se incluyen en Analysis Services. Crear tres modelos de minera de datos para dar respuesta a
cuestiones prcticas relacionadas con la empresa mientras aprende las herramientas y conceptos de la minera de datos.
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Este tutorial contiene una coleccin de lecciones que introducen conceptos ms avanzados y tcnicas de minera de datos. Los escenarios incluyen estos tipos de
modelos:
pronstico
anlisis de la cesta de la compra
redes neuronales y regresin logstica
clsteres de secuencia
Las lecciones son independientes y se pueden realizar en cualquier orden, pero debe tener conocimientos bsicos de cmo crear orgenes de datos.
Los conceptos avanzados descritos en estas lecciones incluyen el uso de tablas anidadas, la prediccin cruzada, las vistas del origen de datos y las consultas con
nombre personalizadas, y el filtrado de consultas de minera de datos. Tambin aprender a usar las herramientas de consulta de prediccin que se incluyen en
Analysis Services.
Referencia
Algoritmos de minera de datos Analysis Services: Minera de datos
Referencia de Extensiones de minera de datos DMX
Secciones relacionadas
Herramientas de minera de datos
Arquitectura lgica Analysis Services Minera de datos
Arquitectura lgica Analysis Services Datos multidimensionales
Proyectos de minera de datos
Vea tambin
Conceptos
Soluciones de minera de datos
Otros recursos
Recursos de minera de datos de Microsoft SQL Server
Crear y consultar modelos de minera de datos con DMX: tutoriales Analysis Services minera de datos
Aprendizaje
Este tutorial le ensea a crear diferentes tipos de mtodos de aprendizaje automtico y a trabajar con ellos. Tambin aprender a crear una copia de un modelo de
minera de datos y aplicar un filtro a los datos de entrada para obtener resultados diferentes. Despus, puede comparar los resultados de ambos modelos mediante
un grfico de elevacin. Por ltimo, utilizar la obtencin de detalles para recuperar datos adicionales de la estructura de minera de datos subyacente.
La minera de datos de Microsoft Analysis Services incluye las siguientes caractersticas que ayudan con facilidad a desarrollar y comparar varios modelos predictivos y
a tomar medidas posteriormente en funcin de los resultados:
Conjuntos de pruebas de datos de exclusin: al crear una estructura de minera de datos, ahora puede dividir los datos de la estructura en conjuntos de prueba y
de entrenamiento. Esto permite probar modelos en conjuntos de datos similares y comparar la precisin de los modelos relacionados.
Filtros de modelo de minera de datos: ahora puede adjuntar filtros a un modelo de minera de datos y aplicar el filtro durante el entrenamiento y las pruebas. Esto
permite con facilidad generar modelos relacionados en diferentes subconjuntos de datos.
Obtencin de detalles para casos de estructura y columnas de estructura: ahora puede cambiar fcilmente de los patrones generales del modelo de minera de
datos al detalle procesable en el origen de datos.
Leccin 1: Preparar la base de datos de Analysis Services tutorial bsico de minera de datos
En esta leccin, aprender a crear una nueva base de datos de Analysis Services, agregar un origen de datos y una vista del origen de datos, y preparar la
nueva base de datos que se va a utilizar para la minera de datos.
Leccin 2: Generar una estructura de distribucin de correo directo Tutorial bsico de minera de datos
En esta leccin, aprender a crear una estructura de modelos de minera de datos que se puede utilizar como parte de un escenario de distribucin de correo
directo.
Leccin 3: Agregar y procesar los modelos
En esta leccin obtendr informacin sobre cmo agregar modelos a una estructura. Los modelos que crea se generan con los algoritmos siguientes:
Leccin 4: Explorar los modelos de correo directo tutorial bsico de minera de datos
En esta leccin obtendr informacin sobre cmo explorar e interpretar los hallazgos de cada modelo usando los visores.
Leccin 5: Probar los modelos Tutorial bsico de minera de datos
En esta leccin, realiza una copia de uno de los modelos de distribucin de correo directo, agrega un filtro de modelo de minera de datos para restringir los
datos de entrenamiento a un conjunto determinado de clientes y, a continuacin, evala la viabilidad del modelo.
Leccin 6: Crear y trabajar con predicciones Tutorial bsico de minera de datos
En esta leccin final del Tutorial bsico de minera de datos, utiliza el modelo para predecir qu clientes tienen ms probabilidad de comprar una bicicleta. A
continuacin, obtendr detalles de los casos subyacentes para conseguir informacin de contacto.
Requisitos
Asegrese de que los siguientes componentes estn instalados:
Con objeto de mejorar la seguridad, las bases de datos de ejemplo no se instalan con SQL Server. Para instalar las bases de datos oficiales para Microsoft SQL Server,
visite la pgina Bases de datos de ejemplo de Microsoft SQL y seleccione SQL Server 2014.
Nota
Al trabajar con el tutorial, le resultar ms fcil avanzar o retroceder pasos si agrega los botones Tema siguiente y Tema anterior a la barra de herramientas del
visor de documentos. Para obtener ms informacin, vea Adding Next and Previous Buttons to Help.
Vea tambin
Conceptos
Soluciones de minera de datos
Otros recursos
Tareas y procedimientos de los modelos de minera de datos
Crear y consultar modelos de minera de datos con DMX: tutoriales Analysis Services minera de datos
Leccin siguiente
Leccin 2: Generar una estructura de distribucin de correo directo Tutorial bsico de minera de datos
Vea tambin
Tasks
Crear un proyecto de Analysis Services
Conceptos
Vistas del origen de datos en modelos multidimensionales
Tipos de orgenes de datos admitidos SSAS multidimensional
Generar proyectos de Analysis Services (SSDT)
Tenga en cuenta que no se necesita un cubo para realizar tareas de minera de datos. Si necesita realizar minera de datos en un cubo existente, debe agregar los
modelos de minera de datos al mismo proyecto que utiliz para generar el cubo. Sin embargo, para la mayora de los fines se pueden generar los modelos en orgenes
de datos relacionales, como un almacenamiento de datos, y obtener mejor rendimiento si no se emplea un cubo.
En este tutorial utilizar un almacenamiento de datos relacional, AdventureWorksDW2012 , como origen de datos. Implementar todos los objetos de minera de datos en
una base de datos de Analysis Services denominada BasicDataMining, que se utiliza solamente para minera de datos.
De forma predeterminada, Analysis Services usa la instancia localhost para los proyectos nuevos. Si est utilizando una instancia con nombre o un servidor diferente,
debe crear y abrir el proyecto primero y, a continuacin, cambiar el nombre de instancia.
Para obtener ms informacin acerca de los proyectos de Analysis Services, vea Crear un proyecto de Analysis Services.
Vea tambin
Conceptos
Generar proyectos de Analysis Services (SSDT)
Crear un proyecto de Analysis Services (SSDT)
Vea tambin
Tasks
Definir un origen de datos
Referencia
Establezca las opciones de suplantacin SSAS multidimensional
Conceptos
Crear un origen de datos (SSAS multidimensional)
Leccin siguiente
Leccin 2: Generar una estructura de distribucin de correo directo Tutorial bsico de minera de datos
Vea tambin
Conceptos
Definir una vista del origen de datos (Analysis Services)
Otros recursos
How to: Define a Data Source View Using the Data Source View Wizard (Analysis Services)
Leccin anterior
Leccin 1: Preparar la base de datos de Analysis Services tutorial bsico de minera de datos
Leccin siguiente
Leccin 3: Agregar y procesar los modelos
Vea tambin
Referencia
Cree la estructura de minera de datos Asistente para minera de datos
Conceptos
Crear una estructura de minera de datos relacional
Para crear una estructura de minera de datos para un escenario de distribucin de correo directo
1. En el Explorador de soluciones, haga clic con el botn secundario en Estructuras de minera de datos y seleccione Nueva estructura de minera de datos para
iniciar el Asistente para minera de datos.
2. En la pgina de inicio del Asistente para minera de datos, haga clic en Siguiente.
3. En la pgina Seleccionar el mtodo de definicin, compruebe que la opcin A partir de una base de datos relacional o del almacenamiento de datos se ha
seleccionado y, a continuacin, haga clic en Siguiente.
4. En la pgina Crear la estructura de minera de datos, en Qu tcnica de minera de datos desea utilizar?, seleccione rboles de decisin de Microsoft.
Nota
Si aparece una advertencia de que no se puede encontrar ningn algoritmo de minera de datos, puede que las propiedades del proyecto no estn
configuradas correctamente. Esta advertencia se produce cuando el proyecto intenta recuperar una lista de algoritmos de minera de datos del servidor de
Analysis Services y no puede encontrarlo. De forma predeterminada, SQL Server Data Tools utilizar el host local como servidor. Si est utilizando una instancia
diferente o una instancia con nombre, debe cambiar las propiedades del proyecto. Para obtener ms informacin, vea Crear un proyecto de Analysis Services
Tutorial bsico de minera de datos.
5. Haga clic en Siguiente.
6. En la pgina Seleccionar vista del origen de datos, en el panel Vistas del origen de datos disponibles, seleccione Targeted Mailing. Puede hacer clic en
Explorar para ver las tablas de la vista del origen de datos y, a continuacin, hacer clic en Cerrar para volver al asistente.
7. Haga clic en Siguiente.
8. En la pgina Especificar tipos de tablas, active la casilla de la columna Caso, correspondiente a vTargetMail para usarla como tabla de casos y, a continuacin,
haga clic en Siguiente. Utilizar la tabla ProspectiveBuyer posteriormente para pruebas; olvdese de ella por ahora.
9. En la pgina Especificar los datos de aprendizaje, identificar al menos una columna de prediccin, una columna de clave y una columna de entrada para el
modelo. Active la casilla de la columna De prediccin en la fila BikeBuyer.
Nota
Observe la advertencia en la parte inferior de la ventana. No podr navegar a la pgina siguiente hasta que seleccione una columna De prediccin y Entrada,
como mnimo.
10. Haga clic en Sugerir para abrir el cuadro de dilogo Sugerir columnas relacionadas.
El botn Sugerir est habilitado siempre que se haya seleccionado al menos un atributo predecible. El cuadro de dilogo Sugerir columnas relacionadas enumera
en una lista las columnas ms relacionadas con la columna predecible y ordena los atributos por su correlacin con el atributo predecible. Las columnas con una
correlacin significativa con una confianza mayor del 95% se seleccionan automticamente para incluirse en el modelo.
Revise las sugerencias y, a continuacin, haga clic en Cancelar paraomitirlas.
Nota
Si hace clic en Aceptar, todas las sugerencias enumeradas se marcarn como columnas de entrada en el asistente. Si est de acuerdo con solamente algunas de
las sugerencias, debe cambiar los valores manualmente.
11. Compruebe que la casilla de la columna Key est seleccionada en la fila CustomerKey.
Nota
Si la tabla de origen de la vista del origen de datos muestra una clave, el Asistente para minera de datos elegir automticamente esa columna como clave
para el modelo.
12. Active las casillas de la columna Entrada en las filas siguientes. Puede activar varias columnas resaltando un rango de celdas y presionando CTRL mientras activa
una casilla.
Age
CommuteDistance
EnglishEducation
EnglishOccupation
Gender
GeographyKey
HouseOwnerFlag
MaritalStatus
NumberCarsOwned
NumberChildrenAtHome
Region
TotalChildren
YearlyIncome
13. En la columna izquierda de la pgina, active las casillas de las filas siguientes.
AddressLine1
AddressLine2
DateFirstPurchase
EmailAddress
FirstName
LastName
Asegrese de que estas filas solo tienen marcas en la columna izquierda. Estas columnas se agregarn a la estructura, pero no se incluirn en el modelo. Sin
embargo, una vez generado el modelo, estarn disponibles para la obtencin de detalles y las pruebas. Para obtener ms informacin acerca de la obtencin de
detalles, vea Consultas de obtencin de detalles minera de datos.
14. Haga clic en Siguiente.
Vea tambin
Referencia
Especificar tipos de tablas Asistente para minera de datos
Conceptos
Diseador de minera de datos
Algoritmo de rboles de decisin de Microsoft
Tipo de contenido
Tipo de datos
Address Line1
Discreto
Text
Address Line2
Discreto
Text
Age
Continuo
Long
Bike Buyer
Discreto
Long
Commute Distance
Discreto
Text
CustomerKey
Clave
Long
DateLastPurchase
Continuo
Date
Email Address
Discreto
Text
English Education
Discreto
Text
English Occupation
Discreto
Text
FirstName
Discreto
Text
Gender
Discreto
Text
Geography Key
Discreto
Text
Discreto
Text
Last Name
Discreto
Text
Marital Status
Discreto
Text
Discreto
Long
Discreto
Long
Region
Discreto
Text
Total Children
Discreto
Long
Yearly Income
Continuo
Double
Vea tambin
Conceptos
Tipos de contenido minera de datos
Tipos de datos minera de datos
Leccin siguiente
Leccin 3: Agregar y procesar los modelos
Vea tambin
Tasks
Habilitar la obtencin de detalles para un modelo de minera
Referencia
Especificar los datos de entrenamiento Asistente para minera de datos
Conceptos
Consultas de obtencin de detalles minera de datos
Leccin anterior
Leccin 2: Generar una estructura de distribucin de correo directo Tutorial bsico de minera de datos
Leccin siguiente
Leccin 4: Explorar los modelos de correo directo tutorial bsico de minera de datos
Vea tambin
Conceptos
Agregar modelos de minera de datos a una estructura Analysis Services Minera de datos
Ahora aparece el modelo nuevo en la pestaa Modelos de minera de datos del Diseador de minera de datos. Este modelo, integrado con el algoritmo de clsteres de
Microsoft, agrupa los clientes con caractersticas similares en clsteres y predice la compra de una bicicleta en cada clster. Aunque puede modificar el uso y las
propiedades de la columna para el modelo nuevo, en este tutorial no es necesario hacer cambios en el modelo TM_Clustering.
Aparece un modelo nuevo en la pestaa Modelos de minera de datos del Diseador de minera de datos. Aunque puede modificar el uso y las propiedades de las
columnas para todos los modelos de la pestaa, en este tutorial no es necesario hacer cambios en el modelo TM_NaiveBayes.
Vea tambin
Conceptos
Agregar modelos de minera de datos a una estructura Analysis Services Minera de datos
Diseador de minera de datos
Mover objetos de minera de datos
En la implementacin se enva el proyecto a un servidor y se crean en el servidor los objetos de ese proyecto.
El procesamiento rellena objetos de Analysis Services con datos procedentes de orgenes de datos relacionales.
Los modelos no se pueden utilizar hasta que se hayan implementado y procesado. Adems, cuando se realiza cualquier cambio en el modelo, como agregar datos
nuevos, se debe volver a implementar y procesar los modelos.
Leccin siguiente
Leccin 4: Explorar los modelos de correo directo tutorial bsico de minera de datos
Vea tambin
Conceptos
Requisitos y consideraciones de procesamiento minera de datos
El modelo rbol de decisin le indica los factores que influyen en la compra de bicicletas.
El modelo Agrupacin en clsteres agrupa los clientes por atributos, como el comportamiento de compra de bicicletas y otros atributos seleccionados.
El modelo Bayes naive le permite examinar las relaciones entre los diferentes atributos.
Vea los temas siguientes para obtener ms informacin sobre cada uno de los visores de modelos de minera de datos.
Los tres modelos se pueden ver con el Visor de rbol de contenido genrico para extraer frmulas, valores de datos, etc.
Leccin anterior
Leccin 3: Agregar y procesar los modelos
Leccin siguiente
Leccin 5: Probar los modelos Tutorial bsico de minera de datos
Vea tambin
Conceptos
Visores de modelos de minera de datos
Otros recursos
Tareas y procedimientos del Visor de modelos de minera de datos
Como habilit la obtencin de detalles cuando cre la estructura y el modelo, puede recuperar informacin detallada de los casos del modelo y de la estructura de
minera de datos, incluidas las columnas que no se incluyeron en el modelo de minera de datos por ejemplo, emailAddress y FirstName.
Para obtener ms informacin, vea Consultas de obtencin de detalles minera de datos.
Se muestra la misma hoja de clculo con las columnas de estructura anexadas al final.
Volver al principio
Tareas relacionadas
Vea estos temas para explorar los datos con las dems clases de modelos.
Vea tambin
Referencia
Pestaa rbol de decisin Visor de modelos de minera de datos
Pestaa Red de dependencias Visor de modelos de minera de datos
Conceptos
Examinar un modelo usando el Visor de rboles de Microsoft
Otros recursos
Tareas y procedimientos del Visor de modelos de minera de datos
Volver al principio
Volver al principio
Tareas relacionadas
Vea los temas siguientes para explorar los dems modelos de minera de datos.
Vea tambin
Referencia
Pestaa Distincin del clster Visor de modelos de minera de datos
Pestaa Perfiles del clster Visor de modelos de minera de datos
Pestaa Caractersticas del clster Visor de modelos de minera de datos
Pestaa Diagrama del clster Visor de modelos de minera de datos
Conceptos
Examinar un modelo usando el Visor de clsteres de Microsoft
Red de dependencias
La pestaa Red de dependencias funciona igual que la pestaa Red de dependencias del Visor de rboles de Microsoft. Cada nodo del visor representa un atributo y
las lneas entre los nodos representan relaciones. En el visor, puede ver todos los atributos que afectan al estado del atributo de prediccin, Bike Buyer.
Volver al principio
Volver al principio
2. Establezca el Valor en 1.
En el visor, ver que los clientes que no tienen ningn hijo conviviendo con ellos, una distancia corta al trabajo y que viven en la regin de Norteamrica tienen
ms probabilidad de comprar una bicicleta.
Volver al principio
Tareas relacionadas
Vea los temas siguientes para explorar los dems modelos de minera de datos.
Leccin siguiente
Leccin 5: Probar los modelos Tutorial bsico de minera de datos
Vea tambin
Referencia
Pestaa Distincin del atributo Visor de modelos de minera de datos
Pestaa Perfiles del atributo Visor de modelos de minera de datos
Pestaa Caractersticas del atributo Visor de modelos de minera de datos
Pestaa Red de dependencias Visor de modelos de minera de datos
Conceptos
Examinar un modelo usando el visor Bayes naive de Microsoft
1. Realizar predicciones en el conjunto de prueba para ver el grado de precisin del modelo en resultados conocidos. Utilizar un grfico de elevacin para medir su
eficacia.
Probar la exactitud con grficos de mejora respecto al modelo predictivo Tutorial bsico de minera de datos
2. Probar los modelos en un subconjunto filtrado de los datos. Puede comparar varios modelos en el mismo grfico de elevacin.
Probar un modelo filtrado Tutorial bsico de minera de datos
Para obtener ms informacin sobre la validacin de modelos en general, vea Conceptos de minera de datos.
Leccin anterior
Leccin 4: Explorar los modelos de correo directo tutorial bsico de minera de datos
Leccin siguiente
Leccin 6: Crear y trabajar con predicciones Tutorial bsico de minera de datos
Vea tambin
Referencia
Pestaa Grfico de elevacin vista Grfico de precisin de minera de datos
Pestaa Matriz de clasificacin vista Grfico de precisin de minera de datos
Conceptos
Grfico de mejora respecto al modelo predictivo Analysis Services Minera de datos
Prueba y validacin minera de datos
Matriz de clasificacin Analysis Services Minera de datos
6. Utilice la leyenda para buscar las lneas coloreadas que representan el modelo ideal y el modelo de suposicin aleatoria.
Observar que el modelo TM_Decision_Tree proporciona la mayor mejora respecto al modelo predictivo, superando tanto al modelo de agrupacin en
clsteres como al de Bayes naive.
Para obtener una explicacin detallada de un grfico de mejora respecto al modelo predictivo similar al creado en esta leccin, vea Grfico de mejora respecto al
modelo predictivo Analysis Services Minera de datos.
Vea tambin
Referencia
Pestaa Grfico de elevacin vista Grfico de precisin de minera de datos
Conceptos
Grfico de mejora respecto al modelo predictivo Analysis Services Minera de datos
Usar filtros
El filtrado permite crear con facilidad modelos basados en subconjuntos de datos. El filtro se aplica solo al modelo y no cambia el origen de datos subyacente.
En esta leccin, crear un modelo filtrado por gnero para predecir las caractersticas que ms influyen en el comportamiento de compra de los hombres y las
mujeres.
Primero realizar una copia del modelo TM_Decision_Tree.
Luego, cree un filtro para seleccionar los clientes para el modelo basados en su gnero.
Tareas relacionadas
Para obtener ms informacin sobre los filtros, vea Filtros para modelos de minera Analysis Services Minera de datos.
Para obtener un ejemplo de cmo aplicar filtros a tablas anidadas, vea Tutorial intermedio de minera de datos Analysis Services Minera de datos.
Leccin siguiente
Leccin 6: Crear y trabajar con predicciones Tutorial bsico de minera de datos
Vea tambin
Tasks
Eliminar un filtro de un modelo de minera de datos
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Filtros para modelos de minera Analysis Services Minera de datos
Otros recursos
Tareas y procedimientos de los modelos de minera de datos
Leccin siguiente
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Leccin anterior
Leccin 5: Probar los modelos Tutorial bsico de minera de datos
Vea tambin
Tasks
Crear una consulta de prediccin con el Generador de consultas de prediccin
Referencia
Contenido del modelo de minera de datos para los modelos de rboles de decisin Analysis Services Minera de datos
Crear la consulta
El primer paso para crear una consulta de prediccin consiste en seleccionar un modelo de minera de datos y una tabla de entrada.
Si no ve la columna en la lista, puede que tenga que actualizar la definicin de la vista del origen de datos que se ha cargado en el diseador. Para ello, en el
men Archivo, seleccione Guardar todo y, a continuacin, cierre y abra de nuevo el proyecto en el diseador.
11. Haga clic en Aceptar.
Casilla Mostrar
Permite quitar clusulas de la consulta sin tener que eliminarlas desde el diseador. Esto puede resultar til cuando se trabaja con consultas complejas y se
desear conservar la sintaxis sin tener que copiar y pegar DMX en la ventana.
Grupo
Inserta un parntesis de apertura izquierdo al principio de la lnea seleccionada o inserta un parntesis de cierre derecho al final de la lnea actual.
AND/OR
Inserta el operador AND o el operador OR inmediatamente despus de la funcin o columna actual.
Haga clic en Guardar resultado de la consulta para guardar los resultados directamente en una base de datos como sigue:
a. En el cuadro de dilogo Guardar resultado de consulta de minera de datos, seleccione un origen de datos o defina un nuevo origen de datos.
b. Escriba un nombre para la tabla que contendr los resultados de la consulta.
c. Utilice la opcin Agregar a vista del origen de datos para crear la tabla y agregarla a una vista del origen de datos existente. Esto es til si desea
conservar todas las tablas relacionadas para un modelo, como los datos de entrenamiento, los datos del origen de prediccin y los resultados de
la consulta, en la misma vista del origen de datos.
d. Utilice la opcin Sobrescribir si existe para actualizar una tabla existente con los ltimos resultados.
Debe utilizar la opcin de sobrescribir la tabla si ha agregado algunas columnas a la consulta de prediccin, cambiado los nombres o los tipos de
datos de las columnas en la consulta de prediccin, o si ha ejecutado alguna instruccin ALTER en la tabla de destino.
Adems, si varias columnas tienen el mismo nombre por ejemplo, el nombre de columna predeterminado Expresin) debe crear un alias para las
columnas con nombres duplicados o se producir un error cuando el diseador intente guardar los resultados en SQL Server. La razn es que SQL
Server no permite que varias columnas tengan el mismo nombre.
Para obtener ms informacin, vea Guardar resultado de consulta de minera de datos cuadro de dilogo de la vista Prediccin de modelo de
minera de datos.
Vea tambin
Tasks
Crear una consulta de prediccin con el Generador de consultas de prediccin
Felicidades, ha completado el Tutorial bsico de minera de datos. Ahora que conoce ms las herramientas de minera de datos, recomendamos que tambin complete el
Tutorial intermedio de minera de datos, que demuestra cmo crear modelos de pronstico, anlisis de la cesta de la compra y agrupacin en clsteres de secuencia.
Vea tambin
Tasks
Crear una consulta de prediccin con el Generador de consultas de prediccin
Pronstico: crear un modelo de serie temporal para pronosticar las ventas de productos en regiones en todo el mundo. Desarrollar modelos individuales para
cada regin y aprender a usar las predicciones cruzadas.
Anlisis de la cesta de la compra: crear un modelo de asociacin para analizar las agrupaciones de productos que se compraron durante las visitas al sitio de
comercio electrnico de Adventure Works Cycles. En funcin de este modelo de cesta de la compra, puede recomendar productos a los clientes.
Anlisis de secuencias: crear un modelo de agrupacin en clsteres de secuencia para analizar el orden en que los clientes compran productos. A partir de este
modelo, puede planear cambios en el diseo del sitio web o en las ofertas de nuevos productos.
Anlisis factorial: utilizar un modelo de red neuronal para explorar las posibles causas de por qu los datos relativos a la calidad del servicio del centro de
llamadas no son buenos. Basndose en los conocimientos del modelo preliminar, crear un modelo de regresin logstica para identificar posibles estrategias
para mejorar la experiencia del cliente con el centro de llamadas.
Aprendizaje
Este tutorial le ensear a crear varios tipos de algoritmos de minera de datos y a trabajar con ellos. El tutorial se compone de las siguientes lecciones:
Leccin 1: Crear la solucin de minera de datos intermedia Tutorial intermedio de minera de datos
En esta leccin crear un nuevo proyecto basado en la base de datos AdventureWorksDW2012 que admite varias vistas del origen de datos nuevas y muchos
ms modelos de minera de datos.
Leccin 2: generar un escenario de pronstico Tutorial intermedio de minera de datos
En esta leccin aprender a crear un modelo de minera de datos que se pueda utilizar como parte de un escenario de previsin. Analizar tambin los modelos
de minera de datos creados con el algoritmo de serie temporal de Microsoft.
Crear modelos para regiones individuales y, a continuacin, crear un modelo general que se pueda utilizar en la prediccin cruzada.
Leccin 3: Generar un escenario de cesta de la compra Tutorial intermedio de minera de datos
En esta leccin agregar una nueva vista del origen de datos y aprender a trabajar con tablas anidadas y claves. A partir de estos datos, crear un modelo de
minera de datos que se pueda utilizar como parte de un escenario de cesta de la compra. Analizar tambin los modelos de minera de datos creados con el
algoritmo de asociacin de Microsoft.
Leccin 4: Generar un escenario de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
En esta leccin aprender a crear un modelo de minera de datos que se pueda utilizar como parte de un escenario de agrupacin en clsteres de secuencia.
Asimismo, aprender a explorar los modelos de minera de datos creados mediante el algoritmo de clsteres de secuencia de Microsoft.
Leccin 5: Generar modelos de red neuronal y de regresin logstica Tutorial intermedio de minera de datos
En esta leccin, crear varios modelos de minera de datos relacionados, utilizando los algoritmos de Red neural de Microsoft y de Regresin logstica de
Microsoft. Tambin aprender a trabajar con vistas del origen de datos para explorar datos subyacentes de los modelos.
Requisitos
Asegrese de que los siguientes componentes estn instalados:
Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos oficiales de Microsoft SQL
Server, visite la pgina Bases de datos de ejemplo de Microsoft SQL y seleccione la versin adecuada de la base de datos de ejemplo.
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial DMX de Bike Buyer
Tutorial DMX de Market Basket
Paso siguiente
Leccin 2: generar un escenario de pronstico Tutorial intermedio de minera de datos
Vea tambin
Tasks
Tutorial bsico de minera de datos
Otros recursos
Crear y consultar modelos de minera de datos con DMX: tutoriales Analysis Services minera de datos
Para cambiar la instancia donde se almacenan los objetos de minera de datos (opcional)
1. En SQL Server Data Tools SSDT, en el men Proyecto, haga clic en Propiedades.
2. En el lado izquierdo del panel Pginas de propiedades, haga clic en Implementacin.
3. Compruebe que el nombre del servidor es localhost. Si usa una instancia diferente, escriba el nombre de la instancia. Si va a utilizar una instancia con nombre de
Analysis Services, escriba el nombre de equipo y, a continuacin, el nombre de instancia. Haga clic en Aceptar.
Un solo origen de datos puede admitir varias vistas del origen de datos, y cada vista del origen de datos puede tener varias tablas. Sin embargo, como el origen de
datos y la vista del origen de datos se implementan en la base de datos Microsoft SQL Server Analysis Services junto con los modelos de minera de datos que cree, es
recomendable que solamente incluya en cada vista del origen de datos las tablas necesarias para cada modelo de minera de datos o grupo de modelos.
En las lecciones siguientes, agregar vistas del origen de datos para admitir cada uno de los nuevos escenarios. Solo las lecciones de cesta de la compra y agrupacin
en clsteres de secuencia utilizan la misma vista del origen de datos; por el contrario, cada escenario utiliza una vista del origen de datos distinta, de forma que las
lecciones son independientes y se pueden realizar por separado.
Escenario
Los informes de ventas mensuales para los modelos de bicicleta en distintas regiones,
recopilados como una vista nica.
Una tabla que contiene una lista de pedidos de cliente, y una tabla anidada que muestra las
compras individuales para cada cliente.
Los mismos datos que se utilizan para el anlisis de la cesta de la compra, adems de un
identificador que muestra el orden en que los elementos se compraron.
Una nica tabla que contiene algunos datos preliminares de seguimiento del rendimiento
procedentes de un centro de llamadas.
Leccin siguiente
Leccin 2: generar un escenario de pronstico Tutorial intermedio de minera de datos
Vea tambin
Conceptos
Proyectos de minera de datos
Vistas del origen de datos en modelos multidimensionales
Cmo cambian las ventas de los diferentes modelos de bicicleta a lo largo del ao?
Hay diferencias entre los patrones de ventas en las tres regiones?
Podemos predecir picos de ventas?
La primera parte presenta los conceptos bsicos de cmo crear y usar un modelo de serie temporal.
La segunda parte le gua por la creacin de un modelo general de series temporales basndose en todas las regiones. Puede usar este modelo general para la
prediccin cruzada.
Para completar las tareas de esta leccin, que se indican ms abajo, utilizar el origen de datos AdventureWorksDW2012 que cre en la Leccin 1: Crear la solucin de
minera de datos intermedia Tutorial intermedio de minera de datos.
Advertencia
Las fechas de la base de datos de ejemplo de Adventure Works Cycles se han actualizado para esta versin. Si usa una versin anterior de Adventure Works Cycles,
puede crear el modelo segn estos pasos, pero podra ver resultados diferentes.
Crear un modelo de pronstico simple
Agregar una vista del origen de datos para las previsiones tutorial intermedio de minera de datos
Crear una estructura de pronstico y un modelo tutorial intermedio de minera de datos
Modificar la estructura de previsin tutorial intermedio de minera de datos
Personalizar y procesar el modelo de pronstico tutorial intermedio de minera de datos
Explorar el modelo de previsin tutorial intermedio de minera de datos
Crear predicciones de serie temporal Tutorial intermedio de minera de datos
Leccin 5: Generar modelos de red neuronal y de regresin logstica Tutorial intermedio de minera de datos
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Algoritmo de serie temporal de Microsoft
Haga clic con el botn secundario en la tabla vTimeSeries en el diseador y seleccione Explorar datos para abrir la tabla seleccionada en una cuadrcula.
Haga clic en Opciones de muestreo y, a continuacin, use el cuadro de dilogo Opciones de exploracin de datos para cambiar el mtodo de muestreo. Haga
clic Actualizar para cargar datos en la tabla con la nueva configuracin de opciones. Por ejemplo, puede especificar el nmero de filas que se generarn en el
ejemplo o bien elegir las n filas principales.
Haga clic con el botn secundario en la tabla vTimeSeries y seleccione Propiedades para asignar un nuevo nombre a la tabla. Tambin puede seleccionar
columnas individuales de la vista del origen de datos y modificar las propiedades de columna.
Haga clic en cualquier lugar del rea de diseo de la vista del origen de datos para crear una nueva consulta y asignarle un nombre, crear relaciones entre las
tablas o cambiar la disposicin del rea de diseo.
Haga clic con el botn secundario en una tabla y seleccione Nuevo clculo con nombre para crear columnas derivadas, incluidas las agregaciones. Tambin
puede aadir nuevas tablas y vistas del origen de datos a esta vista.
En la tarea siguiente, explorar los datos de la serie temporal y determinar la mejor columna para utilizar como identificador de serie temporal. Tambin aprender a
administrar los vacos en los datos de la serie temporal.
Vea tambin
Conceptos
Algoritmo de serie temporal de Microsoft
Puede hacer que Analysis Services rellene los valores que faltan, ya sea mediante el clculo de la media o mediante un valor anterior. Para ello, establezca el
parmetro MISSING_VALUE_SUBSTITUTION en el modelo de minera de datos. Para obtener ms informacin acerca de este parmetro, vea Referencia tcnica
del algoritmo de serie temporal de Microsoft. Para obtener informacin sobre cmo cambiar parmetros en un modelo de minera de datos existente, vea Ver o
cambiar parmetros del algoritmo.
Puede modificar el origen de datos o filtrar la vista subyacente para eliminar la serie irregular o reemplazar los valores. Esto se puede hacer en el origen de
datos relacionales, o bien puede modificar la vista del origen de datos creando consultas con nombre personalizadas o clculos con nombre. Para obtener ms
informacin, vea Vistas del origen de datos en modelos multidimensionales. En la ltima tarea de esta leccin se proporciona un ejemplo de cmo generar una
consulta con nombre y un clculo personalizado.
En este escenario, faltan algunos datos al principio de una serie; es decir, no hay datos para la lnea de productos T1000 hasta julio de 2007. Por lo dems, todas las
series terminan en la misma fecha y no falta ningn valor.
El requisito del algoritmo de serie temporal de Microsoft consiste en que cualquier serie que se incluya en un modelo nico debe tener el mismo punto final. Como el
modelo de bicicletas T1000 se introdujo en 2007, los datos de esta serie empiezan despus que los de otros modelos de bicicletas, pero la serie termina en la misma
fecha; por tanto, se pueden usar los datos.
Vea tambin
Conceptos
Algoritmo de serie temporal de Microsoft
Vea tambin
Conceptos
Diseador de minera de datos
Algoritmo de serie temporal de Microsoft
Tambin puede cambiar las propiedades de columnas individuales seleccionando la columna y abriendo la ventana Propiedades. Para abrir la ventana Propiedades,
haga clic con el botn secundario en el nombre de la columna y, a continuacin, seleccione Propiedades. Si cambia una propiedad de la columna para un modelo
individual, solo podr cambiar las propiedades para ese modelo. No obstante, si cambia una propiedad dentro de la columna Structure, el cambio afectar a todos
los modelos asociados a la estructura. Siempre que realice cambios en el modelo o la estructura, debe volver a procesarlos para ver el efecto de dicho cambios.
Vea tambin
Conceptos
Estructuras de minera de datos Analysis Services Minera de datos
Modelos de minera de datos Analysis Services Minera de datos
1. Personalizar la manera en que el modelo controla los perodos de tiempo agregando un nuevo valor para el parmetro PERIODICITY_HINT.
2. Aprender otros dos parmetros importantes para el algoritmo de serie temporal de Microsoft: FORECAST_METHOD, que le permite controlar el mtodo usado
para la prediccin, y PREDICTION_SMOOTHING, que permite personalizar la combinacin de predicciones a largo plazo y a corto plazo.
3. Opcionalmente, indicar al algoritmo cmo desea que se imputen los valores ausentes.
4. Una vez realizados todos los cambios, implementar y procesar el modelo.
Para evitar este error, puede especificar que Analysis Services proporcione automticamente los valores nuevos para rellenar los huecos utilizando uno de los mtodos
siguientes:
Utilizar un valor promedio. El promedio se calcula utilizando todos los valores vlidos en la misma serie de datos.
Utilizar el valor anterior. Puede sustituir los valores anteriores para varias celdas que falten, pero no puede rellenar los valores de iniciales.
Utilizar un valor constante que proporcione el usuario.
Para especificar que los huecos se rellenen calculando el promedio de los valores
1. En la pestaa Modelos de minera de datos, haga clic con el botn secundario en la columna Forecasting y seleccione Establecer parmetros de algoritmo.
2. En el cuadro de dilogo Parmetros de algoritmo, en la fila MISSING_VALUE_SUBSTITUTION, haga clic en la columna Valor y escriba Promedio.
Generar el modelo
Para usar el modelo, debe implementarlo en un servidor y procesarlo ejecutando los datos de aprendizaje a travs del algoritmo.
Vea tambin
Referencia
Referencia tcnica del algoritmo de serie temporal de Microsoft
Conceptos
Algoritmo de serie temporal de Microsoft
Requisitos y consideraciones de procesamiento minera de datos
Pestaa Grficos
Pestaa Modelo
Visor de rbol de contenido genrico de Microsoft
Pestaa Grficos
En la pestaa Grficos del Visor de series temporales de Microsoft, se representa de forma grfica cada una de las series, incluidos los datos histricos y las
predicciones. Cada lnea del grfico de serie temporal representa una combinacin nica de producto, regin y atributo de prediccin.
La leyenda del lado derecho del visor muestra las series temporales disponibles, basndose en las selecciones en la lista desplegable. Puede activar y desactivar las
casillas de la leyenda para controlar las series temporales que se muestran en el grfico.
Tambin puede cambiar las opciones de presentacin, como los colores que se utilizan en cada serie temporal, o si los valores se muestran en puntos del grfico.
El grfico que se muestra en el visor incluye datos histricos y previstos. Los datos previstos aparecen sombreados para diferenciarlos de los histricos. Para que
resulte ms sencillo comparar series diferentes, tambin puede cambiar los colores asociados a cada lnea del grfico. Para obtener ms informacin, vea Cambiar los
colores usados en los visores de minera de datos.
A partir de las lneas de tendencia, puede ver que las ventas totales de todas las regiones estn aumentando en general, y que alcanzan su valor ms alto cada 12
meses, en diciembre. A partir del grfico, tambin puede constatar que los datos de la bicicleta T1000 comienzan mucho ms tarde que los datos de otras series de
productos. Esto se debe a que es un producto ms reciente, pero dado que esta serie se basa en menos datos, las predicciones podran no ser tan precisas.
De forma predeterminada, en cada serie temporal se muestran cinco pasos de prediccin, que aparecen como lneas de puntos. Este valor se puede modificar para ver
ms o menos predicciones. Tambin se puede ver de forma grfica la desviacin estndar de las predicciones mediante la incorporacin de barras de error al grfico.
Al observar estas tendencias, le preocupa la ausencia de datos para una parte de la serie y se pregunta si puede obtener predicciones ms confiables calculando el
promedio de ventas por modelo o quizs el promedio de ventas por regin. Explorar este mtodo en una leccin posterior de este tutorial.
Volver al principio
Pestaa Modelo
La pestaa Modelo del Visor de series temporales de Microsoft del Diseador de minera de datos permite ver el modelo de previsin en forma de grfico de rbol.
Primero, observe que, debido a que los datos describen dos medidas distintas importe y cantidad para las ventas de varias lneas de productos T1000, etc. de tres
regiones diferentes Europa, Norteamrica y el Pacfico, el modelo que cre contiene realmente 24 rboles distintos. Cada rbol representa un modelo de patrones de
venta para una combinacin diferente de regin, producto y atributo de prediccin.
Puede elegir qu combinacin de mtrica de lnea de productos, regin y ventas desea ver si selecciona una serie en la lista desplegable rbol de la pestaa Modelo.
Qu puede saber al ver el modelo como un rbol? Por ejemplo, comparemos dos modelos, uno con varios niveles del rbol y otro que tiene un nico nodo.
Cuando un grfico de rbol contiene un solo nodo, significa que la tendencia encontrada en el modelo es bsicamente homognea en el tiempo. Puede usar
este nodo nico, etiquetado Todo, para ver la frmula que describe la relacin entre las variables de entrada y el resultado.
Cuando un grfico de rbol para una serie temporal tiene varias bifurcaciones, significa que la serie temporal que se detect es demasiado compleja para
representarse como una sola ecuacin. En su lugar, el grfico de rbol puede contener varias bifurcaciones, cada bifurcacin etiquetada con las condiciones que
causaron que el rbol se dividiera. Cuando se divide el rbol, cada bifurcacin representa un segmento de tiempo diferente, en el que la tendencia puede
describirse como una sola ecuacin.
Por ejemplo, si observa el grfico y ve un salto sbito en el volumen de ventas que empieza algn da de septiembre y que contina hasta las vacaciones de
Navidad, puede cambiar a la vista Modelo para ver la fecha exacta en la que cambi la tendencia. Las bifurcaciones del rbol que representan 'antes de
septiembre' y 'despus de septiembre' contendran frmulas diferentes: una frmula que describe matemticamente las tendencias de ventas hasta la divisin y
otra frmula que describe las tendencias de ventas de septiembre hasta las vacaciones de Navidad.
Puede cambiar la variable que se representa en el grfico mediante el control Fondo. De forma predeterminada, los nodos que son ms oscuros contienen ms
casos, dado que el valor de Fondo se establece en Poblacin. Para ver solo cuntos casos hay en un nodo, site el puntero del mouse sobre un nodo y vea la
informacin sobre herramientas que aparece, o haga clic en el nodo y vea los nmeros de la ventana de Leyenda del nodo.
La frmula de regresin para el nodo se puede ver tambin en la informacin sobre herramientas o haciendo clic en el nodo. Si ha creado un modelo mixto,
puede ver dos frmulas, una para ARTXP en los nodos hoja y otra para el modelo ARIMA en el nodo raz del rbol.
Los pequeos rombos se usan en los nodos que representan nmeros continuos. El rango de atributos se muestra en la barra en la que se basa el rombo. El
rombo est centrado en medio del nodo y su ancho representa la varianza del atributo en ese nodo.
Volver al principio
Visor de series temporales de Microsoft: esta vista combina los resultados de los dos algoritmos. Aunque puede ver cada serie por separado, no puede
determinar cmo se combinan los resultados de cada algoritmo. Asimismo, en esta vista, la informacin sobre herramientas y la leyenda de minera de datos
muestran solo las estadsticas ms importantes.
Visor de rbol de contenido genrico: permite examinar y ver todas las series de datos que se usaron en el modelo al mismo tiempo, y si ha creado un
modelo mixto, se muestran los rboles de ARIMA y ARTXP en el mismo grfico.
Puede usar este visor para obtener todas las estadsticas de ambos algoritmos, as como las asignaciones de los valores.
Recomendado para usuarios avanzados de minera de datos que desean conocer ms informacin sobre los anlisis de ARIMA y ARTXP.
Para ver los detalles de una determinada serie de datos en el visor de contenido genrico
1. En la pestaa Visor de modelos de minera de datos, seleccione Visor de rbol de contenido genrico de Microsoft en la lista desplegable Visor.
2. En el panel Ttulo de nodo, haga clic en el primer nodo (Todos).
3. En el panel Detalles de nodo, observe el valor de ATTRIBUTE_NAME.
Este valor indica qu serie, o qu combinacin de producto y regin, est incluida en este nodo. En el ejemplo de AdventureWorks, el primer nodo es el de la
serie M200 Europe.
4. En el panel Ttulo de nodo, busque el primer nodo que tenga nodos secundarios.
Si un nodo de serie tiene nodos secundarios, la vista de rbol que se muestra en la pestaa Modelo del Visor de series temporales de Microsoft tambin tendr
una estructura de bifurcacin.
5. Expanda el nodo y haga clic en uno de los nodos secundarios.
La columna NODE_DESCRIPTION del esquema contiene la condicin que hizo que el rbol se dividiera.
6. En el panel Ttulo de nodo, haga clic en el primer nodo de ARIMA y expanda el nodo hasta que todos los nodos secundarios estn visibles.
7. En el panel Detalles de nodo, observe el valor de ATTRIBUTE_NAME.
Este valor indica qu serie temporal est incluida en este nodo. El primer nodo de la seccin ARIMA debera coincidir con el primer nodo de la seccin Todos.
En el ejemplo de AdventureWorks, este nodo contiene el anlisis ARIMA de la serie M200 Europa.
Para obtener ms informacin, vea Contenido del modelo de minera de datos para los modelos de serie temporal Analysis Services Minera de datos.
Volver al principio
Vea tambin
Referencia
Referencia tcnica del algoritmo de serie temporal de Microsoft
Conceptos
Ejemplos de consultas de modelos de serie temporal
Recuerde que cre tres tipos diferentes de resultados en el generador de consultas, uno que usa los valores de una columna y dos que reciben los valores predichos
de una funcin de prediccin. Por consiguiente, los resultados de la consulta contienen tres columnas independientes. La primera columna contiene la lista de
combinaciones de productos y regiones. La segunda y tercera columnas contienen cada una tabla anidada de los resultados de la prediccin. Cada tabla anidada
contiene el incremento de tiempo y los valores predichos, como en la siguiente tabla:
Resultados de ejemplo (las cantidades se truncan a dos decimales):
ModelRegion
M200 Europe
PredictAmount
PredictQuantity
$TIME
Amount
$TIME
Cantidad
7/25/2008
99978.00
7/25/2008
52
8/25/2008
145575.07
8/25/2008
67
9/25/2008
116835.19
9/25/2008
58
10/25/2008
116537.38
10/25/2008
57
11/25/2008
107760.55
11/25/2008
54
$TIME
Amount
$TIME
Cantidad
7/25/2008
348533.93
7/25/2008
272
8/25/2008
340097.98
8/25/2008
152
9/25/2008
257986.19
9/25/2008
250
10/25/2008
374658.24
10/25/2008
181
11/25/2008
379241.44
11/25/2008
290
Advertencia
Las fechas usadas en la base de datos de ejemplo han cambiado en esta versin. Si est usando una versin anterior de los datos de ejemplo, podra ver resultados
diferentes.
SELECT FLATTENED
[Forecasting].[Model Region],
(PredictTimeSeries([Forecasting].[Amount],5)) as [PredictAmount],
(PredictTimeSeries([Forecasting].[Quantity],5)) as [PredictQuantity]
FROM
[Forecasting]
3. Opcionalmente, puede escribir una clusula para restringir los resultados, como en el ejemplo siguiente:
SELECT FLATTENED
[Forecasting].[Model Region],
(PredictTimeSeries([Forecasting].[Amount],5)) as [PredictAmount],
(PredictTimeSeries([Forecasting].[Quantity],5)) as [PredictQuantity]
FROM
[Forecasting]
WHERE [Forecasting].[Model Region] = 'M200 North America'
OR [Forecasting].[Model Region] = 'M200 Europe'
Conclusin
Ha aprendido a crear un modelo de serie temporal bsico, a interpretar los pronsticos y a crear predicciones.
Las tareas restantes de este tutorial son opcionales y describen las predicciones de serie temporal avanzadas. Si decide continuar, aprender a agregar nuevos datos
al modelo y a crear predicciones acerca de la serie extendida. Tambin aprender a realizar una prediccin cruzada, mediante la tendencia del modelo, pero
reemplazar los datos con una nueva serie de datos.
Leccin siguiente
Predicciones de serie temporal avanzadas Tutorial intermedio de minera de datos
Vea tambin
Conceptos
Ejemplos de consultas de modelos de serie temporal
('M200
('M200
('M200
('M200
('M200
Advertencia
Se usan comillas con los valores de moneda para evitar problemas con el separador de coma y el smbolo de moneda. Tambin podra pasar los valores de
moneda en este formato: 130170.22
Observe que las fechas usadas en la base de datos de ejemplo han cambiado en esta versin. Si est usando una edicin anterior de AdventureWorks, quizs
necesite ajustar las fechas insertadas en consecuencia.
Advertencia
Usar estos datos solo para la prediccin, por lo que no importa que sean incompletos.
Para crear los datos del modelo mediante una vista personalizada del origen de datos
1. En el Explorador de soluciones, haga clic con el botn secundario en Vistas del origen de datos y, a continuacin, seleccione Nueva vista del origen de datos.
2. En la pgina de bienvenida del asistente, haga clic en Siguiente.
3. En la pgina Seleccionar origen de datos, seleccione Adventure Works DW Multidimensional 2012 y, despus, haga clic en Siguiente.
4. En la pgina, Seleccionar tablas y vistas, no agregue ninguna tabla; slo haga clic en Siguiente.
5. En la pgina, Finalizacin del asistente, escriba el nombre AllRegions y, a continuacin, haga clic en Finalizar.
6. Despus, haga clic con el botn secundario en la superficie de diseo de la vista del origen de datos en blanco y seleccione Nueva consulta con nombre.
7. En el cuadro de dilogo Crear consulta con nombre, en Nombre, escriba AllRegions y en Descripcin, escriba Suma y promedio de ventas para todos los
modelos y regiones.
8. En el panel de texto SQL, escriba la siguiente instruccin y, a continuacin, haga clic en Aceptar:
SELECT ReportingDate,
SUM([Quantity]) as SumQty, AVG([Quantity]) as AvgQty,
SUM([Amount]) AS SumAmt, AVG([Amount]) AS AvgAmt,
'All Regions' as [Region]
FROM dbo.vTimeSeries
GROUP BY ReportingDate
9. Haga clic con el botn secundario en la tabla AllRegions y seleccione Explorar datos.
Nota
Puesto que deber crear predicciones para cada serie por separado, puede que desee copiar el texto de la consulta y guardarlo en un archivo de texto para
poder usarlo de nuevo con la otra serie de datos.
6. En la superficie de diseo de la Vista del origen de datos, haga clic con el botn secundario en T1000 Pacific y seleccione Explorar datos para comprobar que
los datos se filtran correctamente.
Usar estos datos como la entrada del modelo al crear consultas de prediccin cruzada.
Vea tambin
Referencia
Referencia tcnica del algoritmo de serie temporal de Microsoft
Conceptos
Algoritmo de serie temporal de Microsoft
Vistas del origen de datos en modelos multidimensionales
Puede ver que para usar este tipo de consulta de prediccin de forma eficaz, debe saber cundo finalizan los datos antiguos, as como el nmero de segmentos de
tiempo que estn en los nuevos datos.
Por ejemplo, en este modelo, la serie de datos original finalizaba en junio, y los datos corresponden a los meses de julio, agosto y septiembre.
Las predicciones que usan EXTEND_MODEL_CASES siempre comienzan por el final de la serie de datos original. Por tanto, si solo desea obtener las predicciones de los
meses desconocidos, debe especificar el punto inicial y el punto final para la prediccin. Ambos valores se especifican como un nmero de segmentos de tiempo que
comienzan al final de los datos antiguos.
El siguiente procedimiento muestra cmo hacerlo.
Vea tambin
Referencia
Referencia tcnica del algoritmo de serie temporal de Microsoft
Contenido del modelo de minera de datos para los modelos de serie temporal Analysis Services Minera de datos
Para resolver algunos de los problemas de calidad de los datos, decide combinar los datos de ventas de todo el mundo y usar ese conjunto de tendencias de ventas
generales para crear un modelo que se pueda aplicar para predecir las ventas futuras en cualquier regin.
Al crear predicciones, usar el modelo que se genera mediante la formacin en los datos de ventas mundiales, pero reemplazar los puntos de datos histricos con
los datos de ventas de cada regin individual. De este modo, se mantiene la forma de la tendencia, pero los valores previstos estn alineados con las cifras de ventas
histricas para cada regin y modelo.
Para generar una estructura de minera de datos y un modelo de minera de datos utilizando los datos agregados
1. En el Explorador de soluciones, haga clic con el botn secundario en Estructuras de minera de datos y seleccione Nueva estructura de minera de datos
para iniciar el Asistente para minera de datos.
2. En el Asistente para minera de datos, realice las selecciones siguientes:
Algoritmo: serie temporal de Microsoft
Use el origen de datos que cre anteriormente en esta leccin avanzada como origen para el modelo. Vea Predicciones de serie temporal avanzadas
Tutorial intermedio de minera de datos.
SELECT
([All Regions].[Region]) as [Model Used],
('T-1000 Pacific') as [ModelRegion],
(PredictTimeSeries([All Regions].[Avg Qty],5, REPLACE_MODEL_CASES)) as [Predicted Quantity]
FROM [All Regions]
PREDICTION JOIN
OPENQUERY([Adventure Works DW2003R2], 'SELECT [ReportingDate] FROM
(
SELECT ReportingDate, ModelRegion, Quantity, Amount
FROM dbo.vTimeSeries
WHERE (ModelRegion = N''T1000 Pacific'')
) as [T1000 Pacific]
')
AS t
ON
[All Regions].[Reporting Date] = t.[ReportingDate]
AND
[All Regions].[Avg Qty] = t.[Quantity]
Para aplicar esto a un modelo diferente, basta con modificar la instruccin de consulta para reemplazar la condicin de filtro y actualizar las etiquetas asociadas a cada
resultado.
Por ejemplo, si cambia las condiciones de filtro y las etiquetas de las columnas reemplazando 'Pacific' con 'North America', obtendr las predicciones para el producto
T1000 de Norteamrica, segn los patrones del modelo general.
Vea tambin
Referencia
PredictTimeSeries (DMX)
Conceptos
Ejemplos de consultas de modelos de serie temporal
Predicciones para cada combinacin de regin y modelo, basadas nicamente en los datos del modelo y regin individual.
Predicciones para cada regin, en funcin de los datos actualizados.
Predicciones para todos los modelos en un mbito mundial, basadas en datos agregados.
Predicciones para el modelo M200 de la regin de Norteamrica, basadas en el modelo agregado.
Para resumir las caractersticas de las predicciones de serie temporal, tambin revisar los cambios para ver cmo ha afectado a los resultados de prediccin el uso de
las opciones para ampliar o reemplazar datos.
EXTEND_MODEL_CASES
REPLACE_MODEL_CASES
Comparar los resultados originales con los resultados obtenidos despus de agregar datos
Veamos los datos solo para la lnea de producto M200 en la regin del Pacfico, para ver cmo afecta a los resultados la actualizacin del modelo con nuevos datos.
Recuerde que la serie de datos original finaliz en junio de 2004 y que hemos obtenido datos nuevos para julio, agosto y septiembre.
M200 Pacific
Prediccin ampliada
7-25-2008
65
32
65
8-25-2008
54
37
54
9-25-2008
61
32
61
10-25-2008
Ninguno
36
32
11-25-2008
Ninguno
31
41
12-25-2008
Ninguno
34
32
Puede observar que los pronsticos con los datos extendidos que se muestran aqu en negrita repiten exactamente los puntos de datos reales. La repeticin es por
diseo. Mientras haya puntos de datos reales para usar, la consulta de prediccin devolver los valores reales y generar nuevos valores de prediccin solo despus
de que se hayan usado los nuevos puntos de datos reales.
En general, el algoritmo pondera los cambios en los datos nuevos ms que los datos del principio de los datos del modelo. Sin embargo, en este caso, las nuevas
cifras de ventas representan un incremento de solo el 2030 por ciento durante el perodo anterior, por lo que hubo tan solo un ligero repunte de las ventas previstas,
tras el cual las proyecciones de ventas vuelven a descender, ms en lnea con la tendencia de los meses anteriores a los datos nuevos.
Por lo tanto, cmo cambiaron las predicciones cuando se realizaron proyecciones basadas en el modelo general, que se basaba a su vez en las ventas mundiales, no
en los conjuntos de datos originales? Para asegurarse de que no ha perdido ninguna informacin ni ha sesgado las predicciones, puede guardar los resultados en una
tabla, combinar la tabla de predicciones con la de datos histricos y, despus, crear un grfico de los dos conjuntos de datos histricos y predicciones.
El siguiente diagrama se basa solo en una lnea de productos, M200. En el grfico se comparan las predicciones del modelo de minera de datos inicial con las
predicciones que usan el modelo de minera de datos agregado.
En este diagrama, se puede ver que el modelo de minera agregado conserva los intervalos y tendencias generales de los valores, a la vez que reduce las fluctuaciones
de las series de datos individuales.
Conclusin
Ha aprendido a crear y personalizar un modelo de serie temporal que se puede usar para la prediccin.
Ha aprendido a actualizar los modelos de serie temporal sin tener que volver a procesarlos, y ha agregado nuevos datos y creado predicciones mediante el parmetro
EXTEND_MODEL_CASES.
Ha aprendido a crear modelos que se pueden usar para la prediccin cruzada y ha utilizado el parmetro REPLACE_MODEL_CASES y aplicado el modelo a una serie de
datos diferente.
Vea tambin
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Ejemplos de consultas de modelos de serie temporal
Agregar una vista del origen de datos con tablas anidadas Tutorial intermedio de minera de datos
Crear una estructura y un modelo de cesta de la compra Tutorial intermedio de minera de datos
Modificar y procesar el modelo de cesta de la compra Tutorial intermedio de minera de datos
Explorar los modelos Market Basket tutorial intermedio de minera de datos
Filtrar un tabla anidada en un modelo de minera de datos tutorial intermedio de minera de datos
Predecir asociaciones Tutorial intermedio de minera de datos
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Leccin 2: generar un escenario de pronstico Tutorial intermedio de minera de datos
Leccin 4: Generar un escenario de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
Agregar una vista del origen de datos al origen de datos de Adventure Works DW Multidimensional 2012 .
Agregar las tablas anidadas y de casos a esta vista.
Especificar la relacin de varios a uno entre la tabla de casos y la tabla anidada.
Nota
. Es importante que siga el procedimiento descrito de forma exacta, para especificar correctamente la relacin entre la tabla de casos y la tabla anidada, y evitar
errores al procesar el modelo.
Definir cmo se utilizan las columnas de datos en el modelo.
Para obtener ms informacin acerca de cmo trabajar con las tablas de casos y anidada, y sobre cmo elegir una clave de tabla anidada, vea Tablas anidadas (Analysis
Services Minera de datos.
Vea tambin
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Estructuras de minera de datos Analysis Services Minera de datos
Modelos de minera de datos Analysis Services Minera de datos
Tipo de contenido
Tipo de datos
IncomeGroup
Discreto
Text
OrderNumber
Clave
Text
Region
Discreto
Text
Clave
Text
vAssocSeqLineItems
Model
12. En la pgina Crear conjunto de pruebas, el valor predeterminado para la opcin Porcentaje de datos para pruebas es el 30 por ciento. Cmbielo a 0. Haga clic
en Siguiente.
Nota
Analysis Services proporciona varios grficos para medir la precisin del modelo. Sin embargo, algunos tipos de grficos de precisin, como el grfico de
elevacin y el informe de validacin cruzada, estn diseados para la clasificacin y la estimacin. No se pueden usar en la prediccin asociativa.
13. En la pgina Finalizacin del asistente, en Nombre de la estructura de minera de datos, escriba Association.
14. En Nombre del modelo de minera de datos, escriba Asociacin.
15. Seleccione la opcin Permitir obtencin de detalles y, a continuacin, haga clic en Finalizar.
El Diseador de minera de datos se abre para mostrar la estructura de minera de datos Association que acaba de crear.
Vea tambin
Conceptos
Algoritmo de asociacin de Microsoft
Tipos de contenido minera de datos
Support define el porcentaje de casos en los que una regla debe existir antes de considerarse vlida. Especificar que una regla se debe encontrar en un uno por
ciento de casos al menos.
Probability define la probabilidad de una asociacin para considerarse vlida. Considerar cualquier asociacin con una probabilidad de al menos el 10 por ciento.
Para obtener ms informacin sobre los efectos de aumentar o disminuir la compatibilidad y la probabilidad, vea Referencia tcnica del algoritmo de asociacin de
Microsoft.
Despus de definir la estructura y los parmetros para el modelo de minera de datos Association, procesar el modelo.
Vea tambin
Conceptos
Requisitos y consideraciones de procesamiento minera de datos
En este tutorial, comenzar en la pestaa Red de dependencias y, a continuacin, utilizar la pestaa Reglas y la pestaa Conjuntos de elementos para profundizar en el
conocimiento de las relaciones que se revelan en el visor. Tambin utilizar el Visor de rbol de contenido genrico de Microsoft para recuperar estadsticas detalladas
de reglas individuales o conjuntos de elementos.
Volver al principio
Compatibilidad:
Tamao:
Elementos:
Dependiendo de cmo se configuren los parmetros del algoritmo, ste podra generar muchos conjuntos de elementos. Cada conjunto de elementos que se devuelve
en el visor representa las transacciones en las que se vendi el elemento. Mediante los controles situados en la parte superior de la pestaa Conjuntos de elementos,
puede filtrar el visor para que muestre solo los conjuntos de elementos que tengan un tamao y un soporte mnimo especficos.
Si est trabajando con un modelo de minera de datos diferente y no aparece ningn conjunto de elementos, se debe a que ninguno cumpli los criterios de los
parmetros del algoritmo. En este tipo de escenario, puede cambiar los parmetros del algoritmo para permitir conjuntos de elementos que tengan una
compatibilidad ms baja.
Para filtrar por nombre los conjuntos de elementos que se muestran en el visor
1. Haga clic en la pestaa Conjuntos de elementos del visor.
2. En el cuadro Filtrar conjunto de elementos, escriba Touring Tire y, a continuacin, haga clic fuera del cuadro.
El filtro devuelve todos los elementos que contienen esta cadena.
3. En la lista Mostrar, seleccione Mostrar solo el nombre del atributo.
4. Active la casilla Mostrar nombre largo.
La lista de conjuntos de elementos se actualiza para mostrar solo los conjuntos de elementos que contienen la cadena Touring Tire. El nombre largo del
conjunto de elementos incluye el nombre de la tabla que contiene el atributo y el valor de cada elemento.
5. Desactive la casilla Mostrar nombre largo.
La lista de conjuntos de elementos se actualiza para mostrar solo el nombre corto.
Los valores de la columna Compatibilidad indican el nmero de transacciones para cada conjunto de elementos. Una transaccin para un conjunto de elementos
significa una compra que inclua todos los elementos del conjunto de elementos.
De forma predeterminada, el visor muestra en orden descendente los conjuntos de elementos por compatibilidad. Puede hacer clic en los encabezados de columna
para ordenar por una columna diferente, por ejemplo por el tamao del conjunto de elementos o el nombre. Si le interesa obtener ms informacin sobre las
transacciones individuales que estn incluidas en un conjunto de elementos, puede obtener detalles de los casos individuales en los conjuntos de elementos. Las
columnas de estructura de los resultados de la obtencin de detalles son el nivel de ingresos del cliente y su identificador, que no se usaron en el modelo.
Volver al principio
Pestaa Reglas
La pestaa Reglas muestra la siguiente informacin relacionada con las reglas que el algoritmo encuentra.
Probabilidad: la probabilidad de una regla, definida como la probabilidad del elemento de la derecha dado el elemento de la izquierda.
Importancia: una medida de la utilidad de una regla. Un valor mayor significa una regla mejor.
La importancia se proporciona para ayudarle a calibrar la utilidad de una regla, porque la probabilidad por s sola puede ser engaosa. Por ejemplo, si cada
transaccin contuviera una botella de agua, quizs agregada automticamente al carro de cada cliente como parte de una promocin, el modelo creara una
regla que predice que la botella de agua tiene una probabilidad de 1. Si se basa en la probabilidad nicamente, esta regla es muy precisa, pero no proporciona
informacin til.
Regla:
definicin de la regla. Para un modelo de cesta de la compra, una regla describe una combinacin concreta de elementos.
Cada regla puede usarse para predecir la presencia de un elemento de una transaccin en funcin de la presencia de otros elementos. Al igual que con la pestaa
Conjuntos de datos, puede filtrar las reglas para mostrar solo las ms interesantes. Si est trabajando con un modelo de minera de datos que no tiene ninguna regla,
podra desear cambiar los parmetros de algoritmo para bajar el umbral de probabilidad de las reglas.
Las reglas se ordenan por probabilidad en orden descendente, pero puede hacer clic en los encabezados de columna para cambiar el criterio de ordenacin. Si le
interesa averiguar ms detalles sobre una regla determinada, puede utilizar la obtencin de detalles para ver los casos complementarios.
Volver al principio
Tambin puede crear una consulta de contenido para obtener estadsticas detalladas sobre las reglas. Para obtener ms informacin sobre el contenido del modelo de
minera de datos y cmo interpretarlo, vea Contenido del modelo de minera de datos para los modelos de asociacin Analysis Services Minera de datos.
Volver al principio
Vea tambin
Referencia
Referencia tcnica del algoritmo de asociacin de Microsoft
Conceptos
Leccin 3: Generar un escenario de cesta de la compra Tutorial intermedio de minera de datos
Leccin 4: Generar un escenario de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
Algoritmo de asociacin de Microsoft
A continuacin, crear un filtro para la tabla de casos en el nuevo modelo de asociacin. El filtro pasar al modelo solo los clientes de la regin de destino o con el
nivel de ingresos de destino. A continuacin, agregar un segundo conjunto de condiciones de filtro para especificar que el modelo utilice solo los clientes cuyas cestas
de la compra contengan al menos un producto.
4. Haga clic en S en el mensaje de error para implementar el nuevo modelo en la base de datos de Analysis Services.
5. En el cuadro de dilogo Procesar estructura de minera de datos, haga clic en Ejecutar.
6. Cuando termine de procesarse la estructura, haga clic en Cerrar para salir del cuadro de dilogo Progreso del proceso y haga clic de nuevo en Cerrar para salir
del cuadro de dilogo Procesar estructura de minera de datos.
Mediante el Visor de rbol de contenido genrico de Microsoft y examinando el valor de NODE_SUPPORT, puede comprobar que el modelo filtrado contiene menos
casos que el modelo original.
Comentarios
El filtro de tabla anidada que acaba de crear solo comprueba la presencia de al menos una fila en la tabla anidada; no obstante, puede crear condiciones de filtro que
comprueben la existencia de productos especficos. Por ejemplo, podra crear el siguiente filtro:
Esta instruccin restringe los clientes de la tabla de casos a solo aquellos que han comprado una botella de agua. Sin embargo, dado que el nmero de atributos de
tabla anidada es potencialmente ilimitado, Analysis Services no suministra ninguna lista de valores posibles entre los que seleccionar. En lugar de ello, debe escribir el
valor exacto.
Puede hacer clic en Editar consulta para cambiar manualmente la expresin de filtro. Sin embargo, si cambia manualmente una parte de la expresin de filtro, la
cuadrcula estar deshabilitada y a partir de este momento deber trabajar solo con la expresin de filtro en modo de edicin de texto. Para restaurar el modo de
edicin de cuadrcula, debe borrar la expresin de filtro y comenzar de nuevo.
Advertencia
No se puede usar el operador LIKE en un filtro de tabla anidada.
Vea tambin
Conceptos
Sintaxis y ejemplos del filtro de modelos Analysis Services: Minera de datos
Filtros para modelos de minera Analysis Services Minera de datos
Para generar una consulta de prediccin, seleccione primero el modelo de asociacin que desee utilizar, y, a continuacin, especifique los datos de entrada. Las
entradas pueden proceder de un origen de datos externo, como una lista de valores. Tambin puede generar una consulta singleton y proporcionar los valores sobre
la marcha.
En este escenario, crear primero algunas consultas de prediccin singleton para hacerse una idea de cmo funcionan las predicciones. A continuacin, crear una
consulta de las predicciones masivas que podra utilizar para hacer recomendaciones en funcin de las compras realizadas actualmente por un cliente.
Los resultados esperados contienen una nica columna con el encabezado Expresin. La columna Expresin contiene una tabla anidada con una nica columna y las
tres filas siguientes. Como no especific un valor de entrada, estas predicciones representan las asociaciones de productos del modelo en su conjunto que tienen
mayor probabilidad de producirse.
Modelo
Women's Mountain Shorts
Water Bottle
Touring-3000
A continuacin, utilizar el panel Entrada de consulta singleton para especificar un producto como entrada de la consulta y consultar los productos que con mayor
probabilidad irn asociados con ese artculo.
Para crear una consulta de prediccin singleton con entradas de tabla anidada
1. Haga clic en el botn Diseo situado en la esquina del Generador de consultas de prediccin para cambiar a la cuadrcula de generacin de consultas.
2. En el men Modelo de minera de datos, seleccione Consulta singleton.
Los resultados muestran ahora las predicciones de los productos que con mayor probabilidad estarn asociados a Touring Tire.
Modelo
Touring Tire Tube
Sport-100
Water Bottle
Sin embargo, al explorar el modelo sabr ya que Touring Tire Tube a menudo se compra junto con Touring Tire; lo que ms le interesa saber es qu productos puede
recomendar a los clientes que compran estos dos artculos juntos. Cambiar la consulta para que prediga productos relacionados en funcin de dos elementos de la
cesta. Modificar tambin la consulta para agregar la probabilidad de cada producto predicho.
Los resultados de la tabla anidada se modifican ahora para mostrar las predicciones, junto con la compatibilidad y probabilidad. Para obtener ms informacin acerca
de cmo se interpretan estos valores, vea Contenido del modelo de minera de datos para los modelos de asociacin Analysis Services Minera de datos.
Model
$SUPPORT
$PROBABILITY
$ADJUSTEDPROBABILITY
Sport-100
4334
0.291
0.252
Water Bottle
2866
0.192
0.175
Patch Kit
2113
0.142
0.132
SELECT FLATTENED
PredictAssociation([Association].[v Assoc Seq Line Items],INCLUDE_STATISTICS,3)
FROM
[Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Touring Tire' AS [Model]
UNION SELECT 'Touring Tire Tube' AS [Model]) AS [v Assoc Seq Line Items]) AS t
3. Haga clic en el botn Resultados situado en la esquina superior del Generador de consultas de prediccin.
Tenga en cuenta que despus de editar una consulta manualmente, no podr volver a cambiar a la vista Diseo sin perder los cambios. Si desea guardar la consulta,
puede copiar la instruccin DMX que cre manualmente en un archivo de texto. Cuando cambie de nuevo a la vista Diseo, la consulta se revertir a la ltima versin
que fue vlida en la vista Diseo.
Dado que lo que le interesa es crear una consulta de prediccin que proporcione un identificador de cliente y una lista de productos como entrada, incorporar la
tabla de clientes como la tabla de casos y la tabla de compras como la tabla anidada. A continuacin, agregar las funciones de prediccin para crear
recomendaciones.
Para crear una consulta de prediccin utilizando las entradas de una tabla anidada
1. En el panel Modelo de minera de datos, seleccione el modelo Association Filtered.
2. En el cuadro de dilogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.
3. En el cuadro de dilogo Seleccionar tabla, en Origen de datos, seleccione AdventureWorksDW2008. En la lista Nombre de tabla o vista, seleccione
vAssocSeqOrders y, a continuacin, haga clic en Aceptar.
La tabla vAssocSeqOrders se agrega al panel.
4. En el cuadro de dilogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla anidada.
5. En el cuadro de dilogo Seleccionar tabla, en Origen de datos, seleccione AdventureWorksDW2008. En la lista Nombre de tabla o vista, seleccione
vAssocSeqLineItems y, a continuacin, haga clic en Aceptar.
La tabla vAssocSeqLineItems se agrega al panel.
6. En el cuadro de dilogo Especificar combinacin anidada, arrastre el campo OrderNumber de la tabla de casos y colquelo en el campo OrderNumber de la
tabla anidada.
Tambin puede hacer clic en Agregar relacin y crear la relacin seleccionando las columnas en una lista.
7. En el cuadro de dilogo Especificar relacin, compruebe que los campos OrderNumber estn asignados correctamente, y, a continuacin, haga clic en Aceptar.
8. Haga clic en Aceptar para cerrar el cuadro de dilogo Especificar combinacin anidada.
La tabla anidada y la tabla de casos se actualizan en el panel de diseo para mostrar las combinaciones que conectan las columnas de datos externos con las
columnas del modelo. Si las relaciones son errneas, puede hacer clic con el botn secundario del mouse en la lnea de unin y seleccionar Modificar
conexiones para modificar la asignacin de columna, o bien puede hacer clic con el botn secundario del mouse en la lnea de unin y seleccionar Eliminar
para quitar definitivamente la relacin.
9. Agregue una nueva fila a la cuadrcula. En Origen, seleccione Tabla vAssocSeqOrders. En Campo, seleccione CustomerKey.
10. Agregue una nueva fila a la cuadrcula. En Origen, seleccione Tabla vAssocSeqOrders. En Campo, seleccione Region.
11. Agregue una nueva fila a la cuadrcula. En Origen, seleccione Funcin de prediccin y en Campo, seleccione PredictAssociation.
12. Arrastre vAssocSeqLineItems al cuadro Criterios o argumento de la fila PredictAssociation. Haga clic al final del cuadro Criterios o argumento y, a
continuacin, escriba el texto siguiente: INCLUDE_STATISTICS,3
El texto completo del cuadro Criterios o argumento debera ser: [Association].[v Assoc Seq Line Items], INCLUDE_STATISTICS, 3
13. Haga clic en el botn Resultado para ver las predicciones de cada cliente.
Puede intentar crear una consulta de prediccin similar en varios modelos para ver si al aplicar filtros, cambian los resultados de prediccin. Para obtener ms
informacin acerca de cmo se crean predicciones y otros tipos de consultas, vea Ejemplos de consultas del modelo de asociacin.
Vea tambin
Tasks
Crear una consulta de prediccin con el Generador de consultas de prediccin
Referencia
Contenido del modelo de minera de datos para los modelos de asociacin Analysis Services Minera de datos
PredictAssociation (DMX)
Crear una estructura del modelo de minera de datos de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
Procesar el modelo de agrupacin en clsteres de secuencia
Explorar el modelo de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
Crear un modelo de agrupacin en clsteres de secuencia relacionado tutorial intermedio de minera de datos
Crear predicciones en un modelo de agrupacin en clsteres de secuencia Tutorial intermedio de minera de datos
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Tipo de contenido
Tipo de datos
IncomeGroup
Discreto
Text
OrderNumber
Clave
Text
Region
Discreto
Text
vAssocSeqLineItems
Line Number
Secuencia de claves
Long
Model
Discreto
Text
9. En la pgina Crear conjunto de pruebas, cambie el Porcentaje de datos de prueba a 20 y haga clic en Siguiente.
10. En la pgina Finalizacin del asistente, en Nombre de la estructura de minera de datos, escriba Agrupacin en clsteres de secuencia con regin.
11. Como Nombre del modelo de minera de datos, escriba Agrupacin en clsteres de secuencia con regin.
12. Active el cuadro Permitir obtencin de detalles y, a continuacin, haga clic en Finalizar.
Vea tambin
Conceptos
Diseador de minera de datos
Algoritmo de clsteres de secuencia de Microsoft
Vea tambin
Conceptos
Diseador de minera de datos
Algoritmo de clsteres de secuencia de Microsoft
Requisitos y consideraciones de procesamiento minera de datos
Puede explorar en profundidad el nodo que representa el clster para ver los detalles de los casos que hay en cada clster. Esto puede resultar til si desea tomar
alguna accin sobre los resultados del anlisis, como por ejemplo, enviar un correo electrnico a un cliente. Tambin puede examinar los dems atributos de los casos
que incluy en la estructura y no se usan en el modelo, como Region e IncomeGroup. Para obtener ms informacin sobre cmo explorar en profundidad los modelos
de minera de datos para consultar los detalles de los casos subyacentes, vea Consultas de obtencin de detalles minera de datos.
Se abre el cuadro de dilogo Obtener detalles. A las columnas que no se utilizan en el modelo pero estn disponibles para su consulta se les agrega el prefijo
Estructura.
Como puede ver, esta clster contiene en su mayora clientes de la regin del Pacfico y muy pocos clientes de las dems regiones.
2. Haga clic en el signo ms de la columna anidada v Assoc Seq Line Items para ver la secuencia de artculos en un orden de clientes determinado.
3. Se cierra el cuadro de dilogo Obtener detalles.
Nota
El botn Reproducir permite consultar de nuevo los datos; sin embargo, cuando se realiza de nuevo una consulta, no se modifican los cambios que
aparecen, a menos que otro proceso los haya actualizado dinmicamente en segundo plano.
Volver al principio
Volver al principio
Despus de revisar estas tareas, habr observado dos cosas. La primera es que necesita una gran cantidad de datos para obtener un nmero significativo de
combinaciones. Por ejemplo, es probable que las secuencias con la probabilidad ms altas incluyan el estado [Inicio] o Ausente.
La segunda es que la agrupacin en clsteres tiene un gran efecto sobre los atributos de Region, lo que hace ms difcil ver los grupos de secuencias. Por tanto,
decdase a crear otro modelo que use exclusivamente secuencias y no incluya las columnas de las regiones o los ingresos.
Volver al principio
Volver al principio
1. En la pestaa Transiciones de estado del visor de modelos de minera de datos, seleccione Pacific Cluster en la lista de clsteres. Asegrese de que la opcin
Mostrar etiquetas de bordes est seleccionada.
El grfico se actualiza para mostrar las transiciones que son ms comunes en este clster.
2. Haga clic en cualquier nodo que est conectado a otro nodo mediante una lnea.
El grfico se actualiza y resalta los nodos relacionados. El valor numrico situado junto a la lnea indica la probabilidad de la transicin.
3. Mueva hacia arriba el control deslizante hasta Todos los vnculos para aumentar el nmero de transiciones que se incluyen en el grfico.
4. Seleccione Poblacin Todo en Clster.
Tenga en cuenta que al cargar un clster diferente, se restablece la configuracin de presentacin predeterminada del grfico, por lo que el control deslizante se
sita de nuevo en su posicin media.
5. Haga clic en el nodo ms oscuro del grfico, que debera ser Sport-100.
Fjese que no hay lneas que conecten este producto con otros.
6. Mueva hacia arriba un paso el control deslizante para aumentar el nmero de transiciones que se incluyen en el grfico. No suba del todo el control deslizante
todava hasta Todos los vnculos.
El grfico se actualiza y se agregan algunas transiciones ms, pero ninguna que incluya el modelo Sport100.
7. Mueva el control deslizante del todo hasta Todos los vnculos. Haga clic en el nodo Sport100, si an no est seleccionado.
El grfico se actualiza para mostrar numerosas transiciones que incluyen el producto Sport100. La direccin de la flecha de la lnea de conexin indica si el
artculo Sport100 se seleccion como primer o segundo elemento del par.
8. Haga clic en el nodo de Touring Tire y mueva el control deslizante de nuevo hacia abajo, hasta su posicin media.
Al principio, hay muchas lneas de transicin que conectan Touring Tire con otros productos, pero al aumentar el umbral de probabilidad, se eliminan del grfico
las transiciones menos probables, por lo que nicamente se mantiene la transicin Touring Tire > Touring Tire Tube. Esta transicin significa que si el cliente
incluye un artculo Touring Tire en la cesta de la compra, existe una gran probabilidad de que incluya a continuacin el producto Touring Tire Tube.
Volver al principio
Para ver los detalles de un modelo de agrupacin en clsteres de secuencia usando el visor de rbol de contenido genrico
1. En la pestaa Visor de modelos de minera de datos, haga clic en la lista Visor y seleccione Visor de rbol de contenido genrico de Microsoft.
2. En el panel Ttulo de nodo, haga clic en Pacific Cluster (1).
El nombre de este nodo contiene tanto el nombre descriptivo que se asign al clster como el identificador de nodo subyacente. Puede usar los identificadores
de nodo para explorar en profundidad otros detalles del modelo.
3. Expanda el primer nodo secundario, denominado Nivel de secuencia para el clster 1.
El nodo de nivel de secuencia de un clster contiene los detalles sobre las transiciones y los estados incluidos en dicho clster. Puede usar estos detalles,
disponibles en la columna NODE_DISTRIBUTION, para explorar las secuencias y los estados de cada clster o del modelo en su conjunto.
4. Contine expandiendo los nodos y consulte los detalles en el panel del visor HTML.
Para obtener ms informacin sobre el contenido del modelo de minera de datos y sobre cmo se usan los detalles del visor, vea Contenido del modelo de minera
de datos para los modelos de agrupacin en clsteres de secuenciaAnalysis Services Minera de datos.
Volver al principio
Vea tambin
Conceptos
Algoritmo de clsteres de secuencia de Microsoft
Key
Line Number
Key
Model
Predict
Vea tambin
Conceptos
Requisitos y consideraciones de procesamiento minera de datos
Los resultados esperados contienen una nica columna con el encabezado Expresin. La columna Expresin contiene una tabla anidada con tres columnas:
$SEQUENCE
Line Number
Modelo
Mountain-200
Qu significan estos resultados? Recuerde que no especific ninguna entrada. Por tanto, la prediccin se realiza con todos los datos de casos rellenados, y Analysis
Services devuelve la prediccin que, en trminos generales, es ms probable.
6. Haga clic en el botn Resultado para ver las predicciones de los clientes de Norteamrica.
Para generar probabilidades de una secuencia de prediccin utilizando una expresin personalizada
1. Haga clic en el botn Diseo situado en la esquina superior izquierda del Generador de consultas de prediccin para volver a la cuadrcula de generacin de
consultas.
2. En la cuadrcula, en Origen, haga clic en una nueva fila y seleccione Expresin personalizada.
3. Deje en blanco el cuadro situado bajo Campo.
4. En Alias, escriba t.
5. En el cuadro Criterios o argumento, escriba la instruccin subSELECT completa tal y como aparece en el siguiente ejemplo de cdigo. No olvide incluir los
parntesis de apertura y cierre.
(SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))
6. Haga clic en el botn Resultado para ver las predicciones de los clientes de Europa.
Los resultados contienen dos tablas anidadas: una con la prediccin y otra con la probabilidad de la prediccin. Si la consulta no funciona, puede cambiar a la vista de
diseo de consultas y revisar toda la instruccin de consulta, que debera ser como la siguiente:
SELECT
PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]),
( (SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))) as [t]
FROM
[Sequence Clustering with Region]
NATURAL PREDICTION JOIN
(SELECT 'Europe' AS [Region]) AS t
SELECT FLATTENED
PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]),
( (SELECT PredictProbability([Model]) FROM PredictSequence([Sequence Clustering with Region].[v Assoc Seq Line Items]))) as [t]
FROM
[Sequence Clustering with Region]
NATURAL PREDICTION JOIN
(SELECT 'Europe' AS [Region]) AS t
3. Haga clic en el botn Resultados situado en la esquina superior del Generador de consultas de prediccin.
Despus de editar la consulta manualmente, no podr volver a la vista Diseo sin perder los cambios. Sin embargo, puede guardar la instruccin DMX que cre
manualmente en un archivo de texto y, a continuacin, cambiar de nuevo a la vista Diseo. Al hacer esto, la consulta se revierte a la ltima versin que fue vlida en la
vista Diseo.
El modelo recomienda los elementos siguientes para todos los clientes que eligen Touring Tire como primer artculo. Al examinar el modelo, ya sabe que los clientes
compran con frecuencia los productos Touring Tire de y Touring Tire Tube juntos, por lo que estas recomendaciones parecen buenas.
$SEQUENCE
Line Number
Model
Sport-100
Crear una consulta de prediccin masiva utilizando entradas de una tabla anidada
Ahora que el modelo crea el tipo de predicciones adecuado, por lo que se puede utilizar para realizar recomendaciones, crear una consulta de prediccin que se
asignar a un origen de datos externo. Ese origen de datos proporcionar valores que representan los productos actuales. Dado que lo que le interesa es crear una
consulta de prediccin que proporcione un identificador de cliente y una lista de productos como entrada, incorporar la tabla de clientes como la tabla de casos y la
tabla de compras como la tabla anidada. A continuacin, agregar funciones de prediccin, tal y como hizo anteriormente, para crear recomendaciones.
Este procedimiento es el mismo que el que utiliz para crear predicciones en el escenario de la cesta de compra de la leccin 3; sin embargo, en un modelo de
agrupacin en clsteres de secuencia, las predicciones tambin necesitan el pedido como entrada.
Para crear una consulta de prediccin utilizando las entradas de una tabla anidada
1. En el panel Modelo de minera de datos, seleccione el modelo Sequence Clustering, si an no est seleccionado.
2. En el cuadro de dilogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla de casos.
3. En el cuadro de dilogo Seleccionar tabla, en Origen de datos, seleccione Orders. En la lista Nombre de tabla o vista, seleccione vAssocSeqOrders y, a
continuacin, haga clic en Aceptar.
4. En el cuadro de dilogo Seleccionar tabla(s) de entrada, haga clic en Seleccionar tabla anidada.
5. En el cuadro de dilogo Seleccionar tabla, en Origen de datos, seleccione Orders. En la lista Nombre de tabla o vista, seleccione vAssocSeqLineItems y, a
continuacin, haga clic en Aceptar.
Analysis Services intentar detectar las relaciones y crearlas automticamente si los tipos de datos coinciden y los nombres de columna son similares. Si las
relaciones que crea son errneas, puede hacer clic con el botn secundario del mouse en la lnea de unin y seleccionar Modificar conexiones para editar la
asignacin de columna, o bien puede hacer clic con el botn secundario del mouse en la lnea de unin y seleccionar Eliminar para quitar definitivamente la
relacin. En este caso, dado que las tablas ya estuvieron unidas en la vista del origen de datos, esas relaciones se agregan automticamente al panel de diseo.
6. Agregue una nueva fila a la cuadrcula. En Origen, seleccione vAssocSeqOrders y en Campo, seleccione CustomerKey.
7. Agregue una nueva fila a la cuadrcula. En Origen, seleccione Funcin de prediccin y en Campo, seleccione PredictSequence.
8. Arrastre vAssocSeqLineItems al cuadro Criterios o argumento. Haga clic al final del cuadro Criterios y argumento y, a continuacin, escriba los argumentos
siguientes: 2.
El texto completo del cuadro Criterios o argumento debera ser: [Sequence Clustering].[v Assoc Seq Line Items],2
9. Haga clic en el botn Resultado para ver las predicciones de cada cliente.
Pasos siguientes
Si ha finalizado todas las secciones de Tutorial intermedio de minera de datos Analysis Services Minera de datos, el paso siguiente podra ser aprender a utilizar
Extensiones de minera de datos DMX para generar modelos y predicciones. Para obtener ms informacin, vea Crear y consultar modelos de minera de datos con
DMX: tutoriales Analysis Services minera de datos.
Si tiene algunos conceptos de programacin, tambin puede utilizar Objetos de administracin de anlisis AMO para trabajar mediante programacin con objetos de
minera de datos. Para obtener ms informacin, vea Clases de minera de datos de AMO.
Vea tambin
Referencia
Contenido del modelo de minera de datos para los modelos de agrupacin en clsteres de secuenciaAnalysis Services Minera de datos
Conceptos
Ejemplos de consultas de modelos de clsteres de secuencia
El departamento de operaciones de Adventure Works est ocupado en un proyecto para mejorar la satisfaccin del cliente con su centro de llamadas. Han contratado a
un proveedor para administrar el centro de llamadas y proporcionar mtricas sobre la efectividad del centro de llamadas, y le han solicitado el anlisis de algunos datos
preliminares que proporciona el proveedor. Ellos desean saber si hay algn resultado interesante. En particular, desean saber si los datos sugieren algn problema con el
personal o mtodos para mejorar la satisfaccin del cliente.
El conjunto de datos es pequeo y solo cubre un perodo de 30 das en el funcionamiento del centro de llamadas. Los datos hacen un seguimiento del nmero de
operadores nuevos y experimentados en cada turno, el nmero de llamadas entrantes, el nmero de pedidos y de problemas que se deben resolver y el tiempo
promedio de espera de un cliente para que alguien responda a una llamada. Los datos tambin incluyen una mtrica de calidad de servicio basada en la tasa de
abandono, que es un indicador de la frustracin del cliente.
Puesto que no cuenta con expectativas a priori sobre lo que mostrarn los datos, decide usar un modelo de red neuronal para explorar posibles correlaciones. En la
exploracin se suelen utilizar modelos de red neuronal que pueden analizar relaciones complejas entre muchas entradas y salidas.
Aprendizaje
En esta leccin, usar el algoritmo de red neuronal para crear un modelo que tanto usted como el equipo de operaciones puedan utilizar para conocer las tendencias
en los datos. Como parte de esta leccin, intentar responder las siguientes preguntas:
A continuacin, basndose en los resultados, crear un modelo de regresin logstica que puede utilizar para las predicciones. El equipo de operaciones utilizar estas
predicciones como ayuda para planear el funcionamiento del centro de llamadas.
Esta leccin incluye los temas siguientes:
Agregar una vista del origen de datos para datos del centro de llamadas Tutorial intermedio de minera de datos
Crear una estructura y un modelo de red neuronal Tutorial intermedio de minera de datos
Explorar el modelo de centro de llamadas Tutorial intermedio de minera de datos
Agregar un modelo de regresin logstica a la estructura de centro de llamadas Tutorial intermedio de minera de datos
Crear predicciones para los modelos de centro de llamadas Tutorial intermedio de minera de datos
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Agregar una vista del origen de datos para datos del centro de
llamadas Tutorial intermedio de minera de datos
SQL Server 2014
En esta tarea, agregar una vista del origen de datos que se usar para tener acceso a los datos del centro de llamadas. Se usarn los mismos datos para crear tanto el
modelo de red neuronal inicial para la exploracin como el modelo de regresin logstico que se emplear para hacer las recomendaciones.
Tambin usar el Diseador de vistas del origen de datos para agregar una columna para el da de la semana. Esto se debe a que, aunque los datos de origen hacen el
seguimiento de los datos del centro de llamadas de por fechas, su experiencia indica que hay patrones que se repiten en trminos de volumen de llamadas y calidad del
servicio, dependiendo de si el da es un fin de semana o un da de la semana.
Procedimientos
Para agregar una vista del origen de datos
1. En el Explorador de soluciones, haga clic con el botn secundario en Vistas del origen de datos y seleccione Nueva vista del origen de datos.
Se abrir el Asistente para vistas del origen de datos.
2. En la pgina Asistente para vistas del origen de datos, haga clic en Siguiente.
3. Use la pgina Seleccionar un origen de datos en Orgenes de datos relacionales, seleccione el origen de datos Adventure Works DW Multidimensional 2012 .
Si no tiene este origen de datos, vea Tutorial bsico de minera de datos. Haga clic en Siguiente.
4. En la pgina Seleccionar tablas y vistas, seleccione la tabla siguiente y haga clic en la flecha derecha para agregarla a la vista del origen de datos:
FactCallCenter (dbo)
DimDate
5. Haga clic en Siguiente.
6. En la pgina Finalizacin del asistente, la vista del origen de datos tendr el nombre Adventure Works DW Multidimensional 2012 de forma predeterminada.
Cmbielo a CallCenter y, a continuacin, haga clic en Finalizar.
Se abrir el Diseador de vistas del origen de datos para mostrar la vista del origen de datos CallCenter.
7. Haga clic con el botn secundario en el panel Vista del origen de datos y seleccione Agregar o quitar tablas. Seleccione la tabla DimDate y haga clic en
Aceptar.
Se debe agregar automticamente una relacin entre las columnas DateKey de cada tabla. Usar esta relacin para obtener la columna
EnglishDayNameOfWeek a partir de la tabla de DimDate y utilizarla en el modelo.
8. En el diseador de vista del origen de datos, haga clic con el botn secundario en la tabla FactCallCenter y, a continuacin, seleccione Nuevo clculo con
nombre.
En el cuadro de dilogo Crear clculo con nombre, escriba los valores siguientes:
Nombre de columna
DayOfWeek
Descripcin
Expression
Para comprobar que la expresin cree los datos que necesita, haga clic con el botn secundario en la tabla FactCallCenter y, a continuacin, seleccione Explorar
datos.
9. Dedique un minuto a revisar los datos disponibles, para entender cmo se usan en la minera de datos:
Nombre de
columna
Contiene
FactCallCenterID
Una clave arbitraria que se cre cuando se importaron los datos al almacenamiento de datos.
Esta columna identifica los registros nicos y debe usarse como clave de caso para el modelo de minera de datos.
DateKey
La fecha de la operacin en el centro de llamadas, expresada como un entero. Las claves de fecha se usan a menudo en los
almacenamientos de datos, pero puede que desee obtener la fecha con formato de fecha y hora si va a agrupar los valores por fecha.
Observe que las fechas no son nicas, ya que el proveedor facilita un informe independiente para cada turno de cada da de trabajo.
WageType
Shift
Indica el turno para el que se registran las llamadas. Este centro de llamadas divide su jornada laboral en cuatro turnos: uno por la maana
(AM), dos por la tarde (PM1 y PM2) y uno por la noche (Midnight).
Es posible que el turno afecte a la calidad del servicio al cliente; por eso usar esto como entrada.
LevelOneOperators
LevelTwoOperators
TotalOperators
Calls
AutomaticResponses
Nmero de llamadas procesadas por completo de forma automtica sistema de respuesta de voz interactiva o IVR.
Orders
IssuesRaised
AverageTimePerIssue
ServiceGrade
Una mtrica que indica la calidad de servicio general, medida como tasa de abandono del turno completo. Cuanto ms alta es la tasa de
abandono, ms probabilidades hay de que los clientes no estn satisfechos y de que se pierdan posibles pedidos.
Tenga en cuenta que los datos contienen cuatro columnas diferentes basadas en una sola columna de fecha: WageType, DayOfWeek, Shift y DateKey. Normalmente
en la minera de datos no es aconsejable usar varias columnas derivadas de los mismos datos, ya que los valores estn demasiado correlacionados entre s y pueden
ocultar otros patrones.
Sin embargo, no usaremos DateKey en el modelo porque contiene demasiados valores nicos. No hay ninguna relacin directa entre Shift y DayOfWeek, y WageType
y DayOfWeek solo estn parcialmente relacionados. Si le preocupa que los datos sean colineales, podra crear la estructura con todas las columnas disponibles y, a
continuacin, omitir varias columnas en cada modelo y probar el efecto.
Vea tambin
Conceptos
Vistas del origen de datos en modelos multidimensionales
Clave/Entrada/Prediccin
AutomaticResponses
Entrada
AverageTimePerIssue
Entrada/Prediccin
Calls
Entrada
DateKey
No debe usarse
DayOfWeek
Entrada
FactCallCenterID
Clave
IssuesRaised
Entrada
LevelOneOperators
Entrada/Prediccin
LevelTwoOperators
Entrada
Orders
Entrada/Prediccin
ServiceGrade
Entrada/Prediccin
Shift
Entrada
TotalOperators
No debe usarse
WageType
Entrada
Observe que se han seleccionado varias columnas de prediccin. Uno de los puntos fuertes del algoritmo de red neuronal es que puede analizar todas las
posibles combinaciones de atributos de entrada y salida. Esto no sera aconsejable para un conjunto de datos grande, ya que podra aumentar
exponencialmente el tiempo de procesamiento.
12. En la pgina Especificar el contenido y el tipo de datos de las columnas, compruebe que la cuadrcula contiene las columnas, tipos de contenido y tipos de
datos que se muestran en la tabla siguiente y, a continuacin, haga clic en Siguiente.
Columnas
Tipo de contenido
Tipos de datos
AutomaticResponses
Continuo
Long
AverageTimePerIssue
Continuo
Long
Calls
Continuo
Long
DayOfWeek
Discreto
Text
FactCallCenterID
Clave
Long
IssuesRaised
Continuo
Long
LevelOneOperators
Continuo
Long
LevelTwoOperators
Continuo
Long
Orders
Continuo
Long
ServiceGrade
Continuo
Double
Shift
Discreto
Text
WageType
Discreto
Text
13. En la pgina Crear conjunto de pruebas, borre el cuadro de texto de la opcin Porcentaje de datos para pruebas. Haga clic en Siguiente.
14. En la pgina Finalizacin del asistente, como Nombre de la estructura de minera de datos, escriba Call Center.
15. En Nombre del modelo de minera de datos, escriba Call Center Default NN y, a continuacin, haga clic en Finalizar.
La casilla Permitir obtencin de detalles est deshabilitada porque no puede obtener detalles de los datos con modelos de red neuronal.
16. En el Explorador de soluciones, haga clic con el botn secundario en el nombre de la estructura de minera de datos recin creada y seleccione Procesar.
Como resultado, al procesar el modelo los resultados pueden aparecer de forma diferente a la que se espera. Por ejemplo, si usa la agrupacin en clsteres para
identificar los mejores grupos de valores, el algoritmo divide los valores de ServiceGrade en intervalos como ste: 0,0748051948 0,09716216215. Aunque esta
agrupacin es matemticamente precisa, tales intervalos podran no ser significativos para los usuarios empresariales.
En este paso, para que el resultado sea ms intuitivo, agrupar los valores numricos de forma diferente, creando copias de la columna de datos numricos.
VALUE
SUPPORT
VALUE
SUPPORT
VALUE
SUPPORT
Missing
< 0.0748051948
34
< 0.07
26
0.09875
120
0.0748051948 - 0.09716216215
27
0.07 - 0.00
22
0.09716216215 - 0.13297297295
39
0.09 - 0.11
36
0.13297297295 - 0.167499999975
10
>= 0.12
36
>= 0.167499999975
10
Nota
Puede obtener estas estadsticas a partir del nodo de estadsticas marginales del modelo una vez que se hayan procesado todos los datos. Para obtener ms
informacin acerca del nodo de estadsticas marginales, vea Contenido del modelo de minera de datos para los modelos de red neuronal Analysis Services
Minera de datos.
En esta tabla, la columna VALUE muestra cmo se ha controlado el nmero para ServiceGrade. La columna SUPPORT muestra cuntos casos tenan ese valor o
pertenecan a ese rango.
Para obtener ms informacin acerca de las opciones de discretizacin, vea Mtodos de discretizacin minera de datos.
De forma alternativa, en lugar de usar valores numricos, podra agregar una columna derivada independiente que clasifique las calificaciones del servicio en rangos de
destino predefinidos, como Excelente (ServiceGrade <= 0,05), Aceptable (0,10 > ServiceGrade > 0,05) y Deficiente (ServiceGrade >= 0,10).
Para crear una copia personalizada de una columna de la estructura de minera de datos
1. En el Explorador de soluciones, haga doble clic en la estructura de minera de datos recin creada.
2. En la pestaa Estructura de minera de datos, haga clic en Agregar una columna de estructura de minera de datos.
3. En el cuadro de dilogo Seleccionar columna, seleccione ServiceGrade en la lista Columna de origen y, a continuacin, haga clic en Aceptar.
Se agrega una columna nueva a la lista de columnas de la estructura de minera de datos. De forma predeterminada, la nueva columna de minera de datos tiene
el mismo nombre que la columna existente, con un sufijo numrico: por ejemplo, ServiceGrade 1. Puede cambiar el nombre de esta columna para que sea ms
descriptivo.
Tambin especificar el mtodo de discretizacin.
4. Haga clic con el botn secundario en ServiceGrade 1 y seleccione Propiedades.
5. En la ventana Propiedades, localice la propiedad Nombre y cambie el nombre a Service Grade Binned.
6. Aparece un cuadro de dilogo en el que se pregunta si desea realizar el mismo cambio en el nombre de todas las columnas del modelo de minera de datos
relacionadas. Haga clic en No.
7. En la ventana Propiedades, localice la seccin Tipo de datos y expndala si es necesario.
8. Cambie el valor de la propiedad Content de Continuous a Discretized.
Ahora estn disponibles las propiedades siguientes. Cambie los valores de las propiedades tal como se muestra en la tabla siguiente:
Propiedad
Valor predeterminado
Valor nuevo
DiscretizationMethod
Continuous
EqualAreas
DiscretizationBucketCount
Sin valor
Nota
El valor predeterminado de DiscretizationBucketCount es 0, que indica que el algoritmo determina automticamente el nmero ptimo de cubos. Por tanto, si
desea restablecer el valor predeterminado de esta propiedad, escriba 0.
9. En el Diseador de minera de datos, haga clic en la pestaa Modelos de minera de datos.
Observe que al agregar una copia de una columna de la estructura de minera de datos, la marca de uso de la copia se establece automticamente en Ignore.
Normalmente, al agregar una copia de una columna a una estructura de minera de datos, no utilizara la copia para el anlisis junto con la columna original o el
algoritmo encontrar una correlacin fuerte entre las dos columnas que podran disimular otras relaciones.
El modelo de minera de datos, Call Center Default NN, controla los valores de ServiceGrade como un rango continuo.
Crear un nuevo modelo de minera de datos, Call Center Binned NN, que usa como resultados de destino los valores de la columna ServiceGrade, distribuidos
en cuatro cubos del mismo tamao.
Para agregar un modelo de minera de datos basado en la nueva columna de datos discretos
1. En el Explorador de soluciones, haga clic con el botn secundario en la estructura de minera de datos recin creada y seleccione Abrir.
2. Haga clic en la pestaa Modelos de minera de datos.
3. Haga clic en Crear un modelo de minera de datos relacionado.
4. En el cuadro de dilogo Nuevo modelo de minera de datos, en Nombre del modelo, escriba Call Center Binned NN. En la lista desplegable Nombre del
algoritmo, seleccione Red neuronal de Microsoft.
5. En la lista de columnas contenida en el nuevo modelo de minera de datos, busque ServiceGrade y cambie el uso de Predict a Ignore.
6. De igual forma, busque ServiceGrade Binned y cambie el uso de Ignore a Predict.
Para agregar un alias para una columna de una estructura de minera de datos de un modelo de minera de datos
1. En la pestaa Modelos de minera de datos, en Estructura, seleccione ServiceGrade Binned.
Observe que la ventana Propiedades muestra las propiedades del objeto, columna ScalarMiningStructure.
2. En la columna del modelo de minera de datos, ServiceGrade Binned NN, haga clic en la celda correspondiente a la columna ServiceGrade Binned.
Observe que ahora la ventana Propiedades muestra las propiedades del objeto MiningModelColumn.
3. Busque la propiedad Name y cambie el valor por ServiceGrade.
4. Busque la propiedad Description y escriba Alias de columna temporal.
La ventana Propiedades debera contener la informacin siguiente:
Propiedad
Valor
Descripcin
Identificador
ServiceGrade Binned
Marcas de modelado
Nombre
Service Grade
SourceColumn ID
Service Grade 1
Uso
Prediccin
AutomaticResponses
Entrada
Entrada
AverageTimePerIssue
Prediccin
Prediccin
Calls
Entrada
Entrada
DayOfWeek
Entrada
Entrada
FactCallCenterID
Clave
Clave
IssuesRaised
Entrada
Entrada
LevelOneOperators
Entrada
Entrada
LevelTwoOperators
Entrada
Entrada
Orders
Entrada
Entrada
ServiceGrade Binned
Omitir
Prediccin ServiceGrade
ServiceGrade
Prediccin
Omitir
Mays
Entrada
Entrada
Total Operators
Entrada
Entrada
WageType
Entrada
Entrada
Finalmente, para asegurarse de que los modelos que ha creado se pueden comparar fcilmente, establecer el parmetro de inicializacin del modelo discretizado y
del predeterminado. Al establecer un valor de inicializacin se garantiza que cada modelo comienza el procesamiento de los datos desde el mismo punto.
Nota
Si no se especifica un valor numrico para el parmetro de inicializacin, SQL Server Analysis Services lo generar a partir del nombre del modelo. Dado que los
modelos siempre tienen nombres diferentes, debe establecer un valor de inicializacin para asegurarse de que procesan los datos en el mismo orden.
Ahora que ha creado los dos modelos de minera de datos relacionados, explorar los datos para detectar relaciones.
Vea tambin
Conceptos
Estructuras de minera de datos Analysis Services Minera de datos
Visor de redes neuronales de Microsoft : este visor est disponible en la pestaa Visor de modelos de minera de datos del Diseador de minera de datos y se
ha diseado para servir de ayuda al experimentar con las interacciones de los datos.
Visor de rbol de contenido genrico de Microsoft : este visor estndar proporciona detalles precisos sobre los patrones y estadsticas que detecta el algoritmo al
generar el modelo.
Para ver y copiar las puntuaciones de mejora respecto al modelo predictivo y la probabilidad de un atributo
1. En el panel Variables, pause el mouse sobre la barra coloreada de la primera fila.
Esta barra coloreada muestra en qu grado contribuye Average Time Per Issue en el grado de servicio. La informacin sobre herramientas muestra una
puntuacin general, las probabilidades y las puntuaciones de mejora con respecto al modelo predictivo para cada combinacin de variable y resultado de
destino.
2. En el panel Variables, haga clic con el botn secundario en una barra coloreada y seleccione Copiar.
3. En una hoja de clculo de Excel, haga clic con el botn secundario en una celda y seleccione Pegar.
El informe se pega como una tabla HTML y solo muestra las puntuaciones de cada barra.
4. En otra hoja de clculo de Excel, haga clic con el botn secundario en una celda y seleccione Pegado especial.
El informe se pega en formato de texto e incluye las estadsticas relacionadas descritas en la seccin siguiente.
Puntuacin: valor que indica la importancia global de esta variable para discriminar entre los resultados. Cuanto ms alta es la puntuacin, ms intenso es el
efecto que la variable tiene en el resultado.
Probabilidad del valor 1: porcentaje que representa la probabilidad de este valor para este resultado.
Probabilidad del valor 2: porcentaje que representa la probabilidad de este valor para este resultado.
Elevacin del valor 1 y Elevacin del valor 2: puntuaciones que representan el efecto que tiene usar esta variable concreta para predecir los resultados de
Valor 1 y Valor 2. Cuanto ms alta es la puntuacin, mejor es la variable prediciendo los resultados.
La tabla siguiente contiene algunos valores de ejemplo para los influenciadores ms importantes. Por ejemplo, la Probabilidad del valor 1 es del 60,6% y la
Probabilidad del valor 2 es del 8,30%, lo que significa que cuando el valor de Average Time Per Issue estaba dentro del intervalo 44-70 minutos, el 60,6% de los casos
estaban en el turno con los grados de servicio mayores (Valor 1) y el 8,30% de los casos estaban en el turno con los peores grados de servicio (Valor 2).
A partir de esta informacin puede sacar algunas conclusiones. Un menor tiempo de respuesta de las llamadas (el intervalo 44-70) influye en gran medida en un mejor
grado de servicio (el intervalo 0.00-0.07). La puntuacin 92,35 le indica que esta variable es muy importante.
Sin embargo, segn se sigue mirando la lista de factores que influyen, se ven algunos otros factores con efectos que son ms sutiles y ms difciles de interpretar. Por
ejemplo, el turno parece influir en el servicio, pero las puntuaciones de mejora con respecto al modelo predictivo y las probabilidades relativas indican que no es un
factor importante.
Atributo
Valor
89.087 - 120.000
Puntuacin: 100
Probabilidad de valor 1: 4,45 %
Probabilidad de valor 2: 51,94 %
Elevacin de valor 1: 0,19
Elevacin de valor 2: 1,94
44.000 - 70.597
Puntuacin: 92,35
Probabilidad de valor 1: 60,06 %
Probabilidad de valor 2: 8,30 %
Elevacin de valor 1: 2,61
Elevacin de valor 2: 0,31
Volver al principio
En los modelos de red neuronal o de regresin logstica, podra encontrar que el marginal statistics node es particularmente til. Este nodo contiene estadsticas
derivadas acerca de la distribucin de los valores de los datos. Esta informacin puede ser de utilidad si desea obtener un resumen de los datos sin tener que escribir
muchas consultas de T-SQL. El grfico de los valores del tema anterior se deriv del nodo de estadsticas marginal.
Para obtener un resumen de los valores de datos del modelo de minera de datos
1. En el Diseador de minera de datos en la pestaa Visor de modelos de minera de datos, seleccione <nombre del modelo de minera de datos>.
2. En la lista Visor, seleccione Visor de rbol de contenido genrico de Microsoft.
La vista del modelo de minera de datos se actualiza para mostrar una jerarqua de nodos en el panel izquierdo y una tabla HTML en el panel derecho.
3. En el panel Ttulo de nodo, haga clic en el nodo que tenga el nombre 10000000000000000.
El nodo superior de cualquier modelo siempre es el nodo raz. En un modelo de red neuronal o de regresin logstica, el nodo que est inmediatamente por
debajo es el nodo de estadsticas marginal.
4. En el panel Detalles de nodo, desplcese hasta que encuentre la fila NODE_DISTRIBUTION.
5. Desplcese hacia abajo por la tabla NODE_DISTRIBUTION para ver la distribucin de valores calculados por el algoritmo de red neuronal.
Para usar estos datos en un informe, podra seleccionar informacin de filas especficas y copiarla despus, o puede usar la siguiente consulta de Extensiones de
minera de datos DMX para extraer el contenido completo del nodo.
SELECT *
FROM [Call Center EQ4].CONTENT
WHERE NODE_NAME = '10000000000000000'
Tambin puede usar la jerarqua de nodos y los detalles de la tabla NODE_DISTRIBUTION para recorrer rutas individuales de la red neuronal y ver estadsticas del nivel
oculto. Para obtener ms informacin, vea Ejemplos de consultas de modelos de red neuronal.
Volver al principio
Vea tambin
Tasks
Cambiar la discretizacin de una columna en un modelo de minera de datos
Referencia
Contenido del modelo de minera de datos para los modelos de red neuronal Analysis Services Minera de datos
Referencia tcnica del algoritmo de red neuronal de Microsoft
Conceptos
Ejemplos de consultas de modelos de red neuronal
Para agregar un nuevo modelo de minera de datos a la estructura de minera de datos del centro de llamadas
1. En SQL Server Data Tools SSDT, en el Explorador de soluciones, haga clic con el botn secundario en la estructura de minera de datos, Call Center Binned, y
seleccione Abrir el diseador.
2. En el Diseador de minera de datos, haga clic en la pestaa Modelos de minera de datos.
3. Haga clic en Crear un modelo de minera de datos relacionado.
4. En el cuadro de dilogo Nuevo modelo de minera de datos, en Nombre del modelo, escriba Call Center - LR. Como Nombre del algoritmo seleccione
Regresin logstica de Microsoft.
5. Haga clic en Aceptar.
El nuevo modelo de minera de datos aparece en la pestaa Modelos de minera de datos.
Vea tambin
Conceptos
Requisitos y consideraciones de procesamiento minera de datos
Los resultados esperados contienen los posibles valores de prediccin de cada grado de servicio, dadas estas entradas, junto con los valores de compatibilidad y
probabilidad de cada prediccin. Puede volver a la vista de diseo en cualquier momento y cambiar las entradas o agregar ms.
8. En el panel de diseo, haga clic con el botn secundario en la tabla Shifts for Call Center y seleccione Explorar datos para obtener una vista previa de los datos
tal y como se devuelven en la consulta de T-SQL.
9. Haga clic con el botn secundario en la pestaa Shifts.dsv Diseo y haga clic en Guardar para guardar la definicin de la nueva vista del origen de datos.
Shift
WageType
Probability
AM
holiday
0.165
0.377520666
midnight
holiday
0.105
0.364105573
PM1
holiday
0.165
0.40056055
PM2
holiday
0.165
0.338532973
AM
weekday
0.165
0.370847617
midnight
weekday
0.08
0.352999173
PM1
weekday
0.165
0.317419177
PM2
weekday
0.105
0.311672027
Holiday AM
0.165
0.05
0.05
Holiday
PM1
0.05
0.05
0.05
Holiday
Midnight
0.165
0.05
0.05
Hay varias consultas de prediccin diferentes que puede crear en este modelo. Por ejemplo, podra predecir cuntos operadores se necesitan para cumplir un cierto
nivel de servicio o para responder a un cierto nmero de llamadas entrantes. Dado que puede incluir varias salidas en un modelo de regresin logstica, es fcil
experimentar con variables independientes y resultados diferentes sin tener que crear varios modelos distintos.
Comentarios
Los complementos de minera de datos para Excel 2007 ofrecen asistentes de regresin logstica que facilitan el poder responder a cuestiones complejas, como
cuntos operadores de nivel dos se necesitaran para mejorar el grado de servicio a un nivel determinado para un turno concreto. Los complementos de minera de
datos se pueden descargar de forma gratuita e incluyen asistentes que se basan en los algoritmos de red neuronal o de regresin logstica. Para obtener ms
informacin, vea los siguientes vnculos:
Complementos de minera de datos de SQL Server 2005 para Office 2007: anlisis de escenario Buscar objetivo y anlisis de escenario Y si
Complementos de minera de datos de SQL Server 2008 para Office 2007: anlisis de escenario Buscar objetivo, anlisis de escenario Y si y Clculo de prediccin
Conclusin
Ha aprendido a crear, personalizar e interpretar los modelos de minera de datos que se basan en los algoritmos de red neuronal y/o de regresin logstica de
Microsoft. Estos tipos de modelos son sofisticados y permiten una variedad casi infinita de anlisis, y, por tanto, pueden ser complejos y difciles de dominar.
Sin embargo, estos algoritmos pueden recorrer muchas combinaciones de factores e identificar automticamente las correlaciones ms marcadas, lo que proporciona
datos estadsticos para obtener una idea clara que sera muy difcil de detectar con la exploracin manual de datos mediante TransactSQL o incluso PowerPivot.
Vea tambin
Conceptos
Ejemplos de consultas de modelos de regresin logstica
Algoritmo de regresin logstica de Microsoft
Algoritmo de red neuronal de Microsoft
Ejemplos de consultas de modelos de red neuronal
En esta seccin
Tutorial DMX de Bike Buyer
Este tutorial le gua por la creacin de una nueva estructura de minera de datos y nuevos modelos de minera datos usando el lenguaje DMX Extensiones de
minera de datos y explica cmo crear consultas de prediccin DMX.
Tutorial DMX de Market Basket
Este tutorial usa un escenario tpico de cesta de compras, en el que se buscan asociaciones entre los productos que los clientes adquieren juntos. En este tutorial
tambin se muestra cmo usar las tablas anidadas al crear una estructura de minera de datos. Generar y entrenar un modelo basado en esta estructura y, a
continuacin, crear predicciones mediante DMX.
Tutorial DMX de prediccin de series temporales
Este tutorial crea un modelo de pronstico para mostrar el uso de la instruccin CREATE MODEL DMX. A continuacin, agregar modelos relacionados y
personalizar el comportamiento de cada uno de ellos cambiando los parmetros del algoritmo de serie temporal de Microsoft. Por ltimo, crear predicciones
y las actualizar con nuevos datos. La capacidad de actualizar una serie temporal al realizar predicciones se agreg en SQL Server 2008.
Referencia
Algoritmos de minera de datos Analysis Services: Minera de datos
Referencia de Extensiones de minera de datos DMX
Secciones relacionadas
Tutorial bsico de minera de datos
En este tutorial se presentan conceptos bsicos, como por ejemplo, cmo crear un proyecto y cmo generar estructuras y modelos de minera de datos.
Tutorial intermedio de minera de datos Analysis Services Minera de datos
Este tutorial contiene varias lecciones independientes y en cada una de ellas se presenta un tipo de modelo diferente. Cada leccin le gua por el proceso de
creacin de un modelo, exploracin y personalizacin del modelo y creacin de consultas de prediccin.
Vea tambin
Conceptos
Soluciones de minera de datos
Herramientas de minera de datos
Proyectos de minera de datos
Tomar como datos de entrada caractersticas concretas acerca de un cliente potencial y predecir si adquirir una bicicleta.
Tomar como datos de entrada una lista de clientes potenciales, as como caractersticas acerca de los clientes, y predecir qu clientes adquirirn una bicicleta.
En el primer caso, los datos del cliente provienen de una pgina de registro de clientes y, en el segundo caso, el departamento de marketing de Adventure Works
Cycles proporciona una lista de clientes potenciales.
Adems, el departamento de marketing ha solicitado la capacidad de agrupar clientes existentes en categoras basadas en caractersticas como, por ejemplo, su lugar
de residencia, el nmero de hijos que tienen y la distancia que tienen que recorrer para llegar al trabajo. Desean ver si estos clsteres se pueden usar para ayudar a
dirigir campaas a tipos concretos de clientes. Esto requerir un modelo de minera de datos adicional.
Microsoft SQL Server Analysis Services proporciona varias herramientas que se pueden utilizar para realizar estas tareas:
Extensiones de minera de datos DMX es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear y trabajar con modelos de minera de
datos. El algoritmo de rboles de decisin de Microsoft crea modelos que se pueden utilizar para predecir si alguien adquirir una bicicleta. El modelo resultante
puede tomar un cliente individual o una tabla de clientes como entrada. El algoritmo de clsteres de Microsoft puede crear agrupaciones de clientes basadas en
caractersticas compartidas. El objetivo de este tutorial es proporcionar los scripts DMX que se utilizarn en la aplicacin personalizada.
Para obtener ms informacin: Soluciones de minera de datos
Puesto que crear una estructura de minera de datos que contiene varios modelos de minera de datos, utilizar el segundo mtodo en este tutorial.
Para obtener ms informacin
Referencia de Extensiones de minera de datos DMX , Descripcin de la instruccin Select DMX, Estructura y uso de las consultas de prediccin DMX
Aprendizaje
El tutorial est compuesto por las lecciones siguientes:
Requisitos
Antes de hacer este tutorial, asegrese de que los siguientes componentes estn instalados:
Nota
Para consultar los tutoriales, se recomienda agregar los botones Siguiente y Anterior a la barra de herramientas del visor de documentos. Para obtener ms
informacin, vea Adding Next and Previous Buttons to Help.
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial DMX de Market Basket
Para obtener informacin sobre cmo denominar un objeto en Extensiones de minera de datos DMX, vea Identificadores (DMX).
En la siguiente lnea del cdigo se define la columna de clave para la estructura de minera de datos, que identifica de forma nica una entidad de los datos de origen:
<key column>,
En la estructura de minera de datos que va a crear, el identificador de cliente, CustomerKey, define una entidad en los datos de origen.
La siguiente lnea del cdigo se utiliza para definir las columnas de minera de datos que usarn los modelos de minera de datos asociados a la estructura de minera
de datos:
Puede utilizar la funcin DISCRETIZE en <mining structure columns> para discretizar columnas continuas con la siguiente sintaxis:
DISCRETIZE(<method>,<number of buckets>)
Para obtener ms informacin acerca de la discretizacin de columnas, vea Mtodos de discretizacin minera de datos. Para obtener ms informacin acerca de los
tipos de columnas de la estructura de minera de datos que puede definir, vea Columnas de la estructura de minera de datos.
La lnea final del cdigo define una particin opcional en la estructura de minera de datos:
Se especifica una parte de los datos que se van a utilizar para probar los modelos de minera relacionados con la estructura y los datos restantes se utilizan para el
aprendizaje de los modelos. De forma predeterminada, Analysis Services crea un conjunto de datos de pruebas que contiene el 30 por ciento de todos los datos del
caso. Debe agregar la especificacin donde se indique que el conjunto de datos de pruebas debera contener el 30 por ciento de los casos hasta un mximo de 1000.
Si el 30 por ciento de los casos es menor que 1000, el conjunto de datos de pruebas contendr la cantidad menor.
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear la consulta
El primer paso es conectarse a una instancia de Analysis Services y crear una consulta DMX en SQL Server Management Studio.
Para crear una consulta DMX mediante SQL Server Management Studio
1. Abra SQL Server Management Studio.
2. En el cuadro de dilogo Conectar al servidor, para Tipo de servidor, seleccione Analysis Services. En Nombre del servidor, escriba LocalHost o el nombre de
la instancia de Analysis Services a la que desee conectarse para esta leccin. Haga clic en Conectar.
3. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consultay, a continuacin, haga clic en
DMX para abrir el Editor de consultas y una nueva consulta en blanco.
Modificar la consulta
El paso siguiente es modificar la instruccin CREATE MINING STRUCTURE descrita anteriormente para crear la estructura de minera de datos de Bike Buyer.
[<mining structure>]
por:
[Bike Buyer]
3. Reemplace lo siguiente:
<key column>
por:
4. Reemplace lo siguiente:
por:
5. Reemplace lo siguiente:
por:
Ahora, la instruccin completa de la estructura de minera de datos debera ser como sigue:
Ejecutar la consulta
El ltimo paso es ejecutar la consulta. Una vez creada y guardada una consulta, tiene que ejecutarse. Es decir, la instruccin tiene que ejecutarse para crear la estructura
de minera de datos en el servidor. Para obtener ms informacin acerca de la ejecucin de consultas en el Editor de consultas, vea Editor de consultas del motor de
base de datos (SQL Server Management Studio).
En la siguiente leccin agregar modelos de minera de datos a la estructura que acaba de crear.
Leccin siguiente
Leccin 2: Agregar modelos de minera de datos a la estructura de minera de datos de Bike Buyer
La primera lnea de cdigo identifica la estructura de minera de datos existente a la que se agregarn los modelos de minera de datos:
La siguiente lnea de cdigo asigna un nombre al modelo de minera de datos que se agregar a la estructura de minera de datos:
Para obtener informacin acerca de cmo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).
Las lneas siguientes del cdigo definen columnas de la estructura de minera de datos que utilizar el modelo de minera de datos:
[<key column>],
<mining model columns>
Solo puede utilizar columnas que ya existan en la estructura de minera de datos, y la primera columna de la lista debe ser la columna de clave de la estructura de
minera de datos.
La siguiente lnea de cdigo define el algoritmo de minera de datos que genera el modelo de minera de datos y los parmetros de algoritmo que pueden
establecerse:
Para obtener ms informacin acerca de los parmetros del algoritmo que puede ajustar, vea Algoritmo de rboles de decisin de Microsoft y Algoritmo de clsteres
de Microsoft.
Puede especificar que una columna del modelo de minera de datos se utilice para la prediccin mediante la sintaxis siguiente:
La ltima lnea de cdigo, que es opcional, define un filtro que se aplica durante el aprendizaje y prueba del modelo. Para obtener informacin sobre la forma de
aplicar filtros a los modelos de minera de datos, vea Filtros para modelos de minera Analysis Services Minera de datos.
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Agregar un modelo de minera de datos del rbol de decisin a la estructura Bike Buyer mediante el algoritmo rboles de decisin de Microsoft.
Agregar un modelo de minera de datos de agrupacin en clsteres a la estructura Bike Buyer mediante el algoritmo de clsteres de Microsoft.
Dado que desean verse los resultados para todos los casos, todava no se agrega un filtro a ningn modelo.
por:
[Bike Buyer]
4. Reemplace lo siguiente:
por:
Decision Tree
5. Reemplace lo siguiente:
por:
(
CustomerKey,
[Age],
[Bike Buyer] PREDICT,
[Commute Distance],
[Education],
[Gender],
[House Owner Flag],
[Marital Status],
[Number Cars Owned],
[Number Children At Home],
[Occupation],
[Region],
[Total Children],
[Yearly Income]
por:
Using Microsoft_Decision_Trees
WITH DRILLTHROUGH
La instruccin WITH DRILLTHROUGH permite explorar los casos utilizados para generar el modelo de minera de datos.
Ahora, la instruccin resultante debera ser como sigue:
por:
[Bike Buyer]
4. Reemplace lo siguiente:
<mining model>
por:
Clustering Model
5. Elimine lo siguiente:
(
[<key column>],
<mining model columns>,
)
6. Reemplace lo siguiente:
por:
USING Microsoft_Clustering
Leccin siguiente
Leccin 3: Procesar la estructura de minera de datos de Bike Buyer
La primera lnea del cdigo identifica la estructura de minera de datos que se entrenar:
La lnea siguiente del cdigo especifica las columnas definidas por la estructura de minera de datos. Debe incluir en la lista cada una de las columnas de la estructura
de minera de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen:
(
<mining structure columns>
)
La ltima lnea del cdigo define los datos que se usarn para entrenar la estructura de minera de datos:
OPENQUERY([<datasource>],'<SELECT statement>')
En esta leccin usar OPENQUERY para definir los datos de origen. Para obtener informacin acerca de otros mtodos para definir la consulta de origen, vea <source
data query>.
Tareas de la leccin
En esta leccin realizar la tarea siguiente:
por:
Bike Buyer
4. Reemplace lo siguiente:
por:
[Customer Key],
[Age],
[Bike Buyer],
[Commute Distance],
[Education],
[Gender],
[House Owner Flag],
[Marital Status],
[Number Cars Owned],
[Number Children At Home],
[Occupation],
[Region],
[Total Children],
[Yearly Income]
5. Reemplace lo siguiente:
OPENQUERY([<datasource>],'<SELECT statement>')
por:
La instruccin OPENQUERY hace referencia al origen de datos de Adventure Works DW Multidimensional 2012 para obtener acceso a la vista vTargetMail. La
vista contiene los datos de origen que se usarn para entrenar los modelos de minera de datos.
Ahora la apariencia de la instruccin completa debe ser como la siguiente:
En la siguiente leccin explorar el contenido de los modelos de minera de datos que ha agregado a la estructura de minera de datos en esta leccin.
Leccin siguiente
Leccin 4: Examinar los modelos de minera de datos de Bike Buyer
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
En la primera lnea del cdigo se definen las columnas que deben devolverse a partir del contenido del modelo de minera de datos y el modelo de minera de datos
al que estn asociadas:
La clusula .CONTENT junto al nombre del modelo de minera de datos especifica que se devuelve el contenido del modelo de minera de datos. Para obtener ms
informacin acerca de las columnas incluidas en el modelo de minera de datos, vea Conjunto de filas DMSCHEMA_MINING_MODEL_CONTENT.
Opcionalmente, puede utilizar la ltima lnea del cdigo para filtrar los resultados devueltos por la instruccin:
Por ejemplo, si desea restringir los resultados de la consulta a solo los clsteres que contengan un gran nmero de casos, puede agregar la siguiente clusula WHERE
a la instruccin SELECT:
Para obtener ms informacin acerca de cmo utilizar la instruccin WHERE, vea SELECT (DMX).
<select list>
por:
Tambin puede reemplazar * por una lista de cualquiera de las columnas incluidas en el conjunto de filas DMSCHEMA_MINING_MODEL_CONTENT.
4. Reemplace lo siguiente:
[<mining model>]
por:
[Clustering]
En la primera lnea del cdigo se definen las columnas que deben devolverse a partir de los datos de origen y el modelo de minera de datos en el que se incluyen:
La clusula .CASES especifica que se est realizando una consulta de obtencin de detalles. Para poder utilizar la obtencin de detalles, debe habilitarla al crear el
modelo de minera de datos.
La ltima lnea del cdigo es opcional y especifica el nodo del modelo de minera de datos del que se solicitan casos:
Para obtener ms informacin acerca de cmo utilizar la instruccin WHERE con IsInNode, vea SELECT FROM <model>.CASES (DMX).
Para devolver los casos utilizados para entrenar el modelo de minera de datos
1. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consulta y haga clic en DMX.
Se abre el Editor de consultas, que contiene una consulta nueva en blanco.
2. Copie el ejemplo genrico de la instruccin SELECT FROM <model>.CASES en la consulta en blanco.
3. Reemplace lo siguiente:
<select list>
por:
Tambin puede reemplazar * por una lista de las columnas incluidas dentro de los datos de origen como [Bike Buyer].
4. Reemplace lo siguiente:
[<mining model>]
por:
[Decision Tree]
SELECT *
FROM [Decision Tree].CASES
Devolver los estados de una columna discreta del modelo de minera de datos
El paso siguiente es utilizar la instruccin SELECT DISTINCT para devolver los distintos estados posibles en la columna del modelo de minera de datos que se ha
especificado.
A continuacin, se incluye un ejemplo genrico de la instruccin SELECT DISTINCT:
En la primera lnea del cdigo se definen las columnas del modelo de minera de datos para las que se devolvern estados:
Debe incluir DISTINCT para devolver todos los estados de la columna. Si no incluye DISTINCT, la instruccin completa se convierte en un acceso directo para una
prediccin y devuelve el estado ms probable de la columna especificada. Para obtener ms informacin, vea SELECT (DMX).
[<column,name>
por:
[Bike Buyer]
4. Reemplace lo siguiente:
[<mining model>]
por:
[Decision Tree]
En la siguiente leccin predecir si los clientes potenciales sern compradores de bicicletas, utilizando el modelo de minera de datos del rbol de decisin.
Leccin siguiente
Leccin 5: Ejecutar consultas de prediccin
Consulta singleton
Use una consulta singleton para proporcionar valores ad hoc al realizar predicciones. Por ejemplo, puede determinar si es probable que un cliente sea un
comprador de bicicletas pasando entradas a la consulta, como la distancia al lugar de trabajo, el prefijo telefnico o el nmero de hijos del cliente. La consulta
singleton devuelve un valor que indica la probabilidad de que la persona compre una bicicleta basndose en esas entradas.
Consulta por lotes
Utilice una consulta por lotes para determinar qu clientes potenciales incluidos en una tabla es probable que adquieran una bicicleta. Por ejemplo, si el
departamento de marketing le proporciona una lista de clientes y atributos de clientes, puede utilizar una prediccin por lotes para determinar qu clientes de la
tabla es probable que adquieran una bicicleta.
El formato SELECT FROM <model> PREDICTION JOIN (DMX) de la instruccin SELECT consta de tres partes:
Una lista de las funciones de prediccin y las columnas del modelo de minera de datos devueltas en los resultados. Los resultados tambin pueden incluir
columnas de entrada de los datos de origen.
La consulta de origen que define los datos que se utilizan para crear una prediccin. Por ejemplo, en una consulta por lotes, podra ser una lista de clientes.
Una asignacin entre las columnas del modelo de minera de datos y los datos de origen. Si los nombres coinciden, puede utilizar la sintaxis NATURAL y no incluir
las asignaciones de columnas.
La consulta se puede mejorar an ms si se utilizan funciones de prediccin. Las funciones de prediccin proporcionan informacin adicional como, por ejemplo, la
probabilidad de que se produzca una prediccin, y ofrecen compatibilidad con la prediccin en el conjunto de datos de entrenamiento. Para obtener ms informacin
acerca de las funciones de prediccin, vea Funciones (DMX).
Las predicciones de este tutorial se basan en la tabla ProspectiveBuyer de la base de datos de ejemplo AdventureWorksDW2012 . La tabla ProspectiveBuyer contiene una
lista de clientes potenciales y de sus caractersticas asociadas. Los clientes de esta tabla son independientes de los clientes utilizados para crear el modelo de minera de
datos del rbol de decisin.
Tambin se pueden crear predicciones usando el generador de consultas de prediccin de SQL Server Data Tools SSDT.
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear una consulta singleton para determinar si es probable que un cliente especfico adquiera una bicicleta.
Crear una consulta por lotes para determinar qu clientes de los incluidos en una tabla es probable que adquieran una bicicleta.
Consulta singleton
El primer paso es usar SELECT FROM <modelo> PREDICTION JOIN (DMX) en una consulta de prediccin singleton. A continuacin, se incluye un ejemplo genrico de la
instruccin singleton:
En la primera lnea del cdigo se definen las columnas del modelo de minera de datos que debe devolver la consulta y se especifica el modelo de minera de datos
usado para generar la prediccin:
En las lneas siguientes del cdigo se definen las caractersticas del cliente que se utilizan para crear una prediccin:
Si especifica NATURAL PREDICTION JOIN, el servidor compara los nombres de cada columna del modelo con los nombres de las columnas de los datos de entrada. Si
los nombres de columna no coinciden, las columnas se omiten.
<select list>
por:
La instruccin AS se utiliza para asignar un alias a las columnas devueltas por la consulta. La funcin PredictHistogram devuelve estadsticas acerca de la
prediccin, incluidas la probabilidad y la compatibilidad. Para obtener ms informacin acerca de las funciones que se pueden utilizar en una instruccin de
prediccin, vea Funciones (DMX).
4. Reemplace lo siguiente:
[<mining model>]
por:
[Decision Tree]
5. Reemplace lo siguiente:
AS t
por:
(SELECT 35 AS [Age],
'5-10 Miles' AS [Commute Distance],
'1' AS [House Owner Flag],
2 AS [Number Cars Owned],
2 AS [Total Children]) AS t
SELECT
[Bike Buyer] AS Buyer,
PredictHistogram([Bike Buyer]) AS Statistics
FROM
[Decision Tree]
NATURAL PREDICTION JOIN
(SELECT 35 AS [Age],
'5-10 Miles' AS [Commute Distance],
'1' AS [House Owner Flag],
2 AS [Number Cars Owned],
2 AS [Total Children]) AS t
Como en la consulta singleton, en las dos primeras lneas del cdigo se definen las columnas del modelo de minera de datos devueltas por la consulta, as como el
nombre del modelo de minera de datos utilizado para generar la prediccin. La instruccin TOP <number> especifica que la consulta solo devolver el nmero o los
resultados especificados por <number>.
En las lneas siguientes del cdigo se definen los datos de origen en los que se basan las predicciones:
OPENQUERY([<datasource>],'<SELECT statement>')
AS [<input alias>]
En cuanto al mtodo utilizado para recuperar los datos de origen, hay varias opciones, pero en este tutorial se usar OPENQUERY. Para obtener ms informacin
acerca de las opciones disponibles, vea <source data query>.
En la lnea siguiente se definen la asignacin entre las columnas de origen del modelo de minera de datos y las columnas de los datos de origen:
ON <column mappings>
En la ltima lnea del cdigo, que es opcional, se especifica la columna por la cual se ordenarn los resultados:
Utilice ORDER BY en combinacin con la instruccin TOP <number> para filtrar los resultados devueltos. Por ejemplo, en esta prediccin se devolvern los diez
principales compradores de bicicletas, ordenados por la probabilidad de que la prediccin sea correcta. Puede utilizar la sintaxis [DESC|ASC] para controlar el orden en
el que aparecen los resultados.
<select list>
por:
SELECT
TOP 10
t.[LastName],
t.[FirstName],
[Decision Tree].[Bike Buyer],
PredictProbability([Bike Buyer])
La clusula TOP 10 especifica que la consulta solo devolver los diez primeros resultados. La instruccin ORDER BY de esta consulta ordena los resultados segn
la probabilidad de que la prediccin sea correcta, por lo que solo se devolvern los diez resultados ms probables.
[<mining model>]
[Decision Tree]
OPENQUERY([<datasource>],'<SELECT statement>')
Con una instruccin que haga referencia al almacenamiento de datos Adventureworks actual, por ejemplo:
Con las asignaciones de columna necesarias para este modelo y conjunto de datos de entrada:
Especifique DESC para que los resultados con la probabilidad ms alta aparezcan primero en la lista.
Ahora, la instruccin completa debera ser como sigue:
SELECT
TOP 10
t.[LastName],
t.[FirstName],
[Decision Tree].[Bike Buyer],
PredictProbability([Bike Buyer])
FROM
[Decision Tree]
PREDICTION JOIN
OPENQUERY([Adventure Works DW 2014],
'SELECT
[LastName],
[FirstName],
[MaritalStatus],
[Gender],
[YearlyIncome],
[TotalChildren],
[NumberChildrenAtHome],
[Education],
[Occupation],
[HouseOwnerFlag],
[NumberCarsOwned]
FROM
[dbo].[ProspectiveBuyer]
') AS t
ON
[Decision Tree].[Marital Status] = t.[MaritalStatus] AND
[Decision Tree].[Gender] = t.[Gender] AND
[Decision Tree].[Yearly Income] = t.[YearlyIncome] AND
[Decision Tree].[Total Children] = t.[TotalChildren] AND
[Decision Tree].[Number Children At Home] = t.[NumberChildrenAtHome] AND
[Decision Tree].[Education] = t.[Education] AND
[Decision Tree].[Occupation] = t.[Occupation] AND
[Decision Tree].[House Owner Flag] = t.[HouseOwnerFlag] AND
[Decision Tree].[Number Cars Owned] = t.[NumberCarsOwned]
WHERE [Decision Tree].[Bike Buyer] =1
ORDER BY PredictProbability([Bike Buyer]) DESC
ste es el ltimo paso del tutorial de Bike Buyer. Ahora dispone de un conjunto de modelos de minera de datos que puede utilizar para explorar las similitudes entre
sus clientes y predecir si los clientes potenciales adquirirn una bicicleta.
Para aprender a utilizar DMX en un escenario de Market Basket, vea Tutorial DMX de Market Basket.
Extensiones de minera de datos DMX es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear y trabajar con modelos de minera de
datos. El algoritmo de asociacin de Microsoft crea modelos que pueden predecir los productos con probabilidad de adquirirse juntos.
El objetivo de este tutorial es proporcionar las consultas DMX que se utilizarn en la aplicacin personalizada.
Para obtener ms informacin: Soluciones de minera de datos
Puesto que crear una estructura de minera de datos que contiene varios modelos de minera de datos, utilizar el segundo mtodo en este tutorial.
Para obtener ms informacin
Referencia de Extensiones de minera de datos DMX , Descripcin de la instruccin Select DMX, Estructura y uso de las consultas de prediccin DMX
Aprendizaje
El tutorial est compuesto por las lecciones siguientes:
Requisitos
Antes de hacer este tutorial, asegrese de que los siguientes componentes estn instalados:
Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos de ejemplo oficiales para
Microsoft SQL Server, vaya a http://www.CodePlex.com/MSFTDBProdSamples o a la seccin Microsoft SQL Server Product Samples de la pgina de inicio de Microsoft
SQL Server Samples and Community Projects. Haga clic en Databases y, a continuacin, en la pestaa Releases, y seleccione las bases de datos que desee.
Nota
Para consultar los tutoriales, se recomienda agregar los botones Siguiente y Anterior a la barra de herramientas del visor de documentos. Para obtener ms
informacin, vea Adding Next and Previous Buttons to Help.
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial DMX de Bike Buyer
Leccin 3: Generar un escenario de cesta de la compra Tutorial intermedio de minera de datos
Para obtener informacin acerca de cmo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).
En la siguiente lnea del cdigo se define la columna de clave para la estructura de minera de datos, que identifica de forma nica una entidad de los datos de origen:
<key column>
La siguiente lnea del cdigo se utiliza para definir las columnas de minera de datos que usarn los modelos de minera de datos asociados a la estructura de minera
de datos:
<table columns>
( <nested key column>,
<nested mining structure columns> )
Para obtener informacin acerca de los tipos de columnas de estructura de minera de datos que puede definir, vea Columnas de la estructura de minera de datos.
Nota
De forma predeterminada, SQL Server Data Tools SSDT crea un conjunto de datos de exclusin del 30 por ciento para cada estructura de minera de datos; sin
embargo, al utilizar DMX para crear una estructura de minera de datos, debe agregar el conjunto de datos de exclusiones manualmente, si as se desea.
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear la consulta
El primer paso es conectarse a una instancia de Analysis Services y crear una consulta DMX en SQL Server Management Studio.
Para crear una consulta DMX mediante SQL Server Management Studio
1. Abra SQL Server Management Studio.
2. En el cuadro de dilogo Conectar al servidor, para Tipo de servidor, seleccione Analysis Services. En Nombre del servidor, escriba LocalHost o el nombre de
la instancia de Analysis Services a la que desee conectarse para esta leccin. Haga clic en Conectar.
3. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consulta y haga clic en DMX.
Se abre el Editor de consultas, que contiene una consulta nueva en blanco.
Modificar la consulta
El paso siguiente es modificar la instruccin CREATE MINING STRUCTURE descrita anteriormente para crear la estructura de minera de datos Market Basket.
por:
[Market Basket]
3. Reemplace lo siguiente:
<key column>
por:
4. Reemplace lo siguiente:
<table columns>
( <nested key column>,
<nested mining structure columns> )
por:
[Products] TABLE (
[Model] TEXT KEY
El lenguaje TEXT KEY especifica que la columna Model es la columna de clave de la tabla anidada.
Ahora, la instruccin completa de la estructura de minera de datos debera ser como sigue:
Ejecutar la consulta
El ltimo paso es ejecutar la consulta. Despus de crear y guardar una consulta, debe ejecutarse es decir, debe ejecutarse la instruccin para crear la estructura de
minera de datos en el servidor. Para obtener ms informacin acerca de la ejecucin de consultas en el Editor de consultas, vea Editor de consultas del motor de base
de datos (SQL Server Management Studio).
En la siguiente leccin agregar modelos de minera de datos a la estructura de minera de datos Market Basket que acaba de crear.
Leccin siguiente
Leccin 2: Agregar modelos de minera a la estructura de minera cesta de la compra
El siguiente es un ejemplo genrico de la instruccin ALTER MINING STRUCTURE que agrega un modelo de minera de datos a una estructura que incluye columnas de
tabla anidada:
La primera lnea del cdigo identifica la estructura de minera de datos existente a la que se agregar el modelo de minera de datos:
La siguiente lnea de cdigo asigna un nombre al modelo de minera de datos que se agregar a la estructura de minera de datos:
Para obtener informacin sobre cmo denominar un objeto en Extensiones de minera de datos DMX, vea Identificadores (DMX).
Las lneas siguientes del cdigo definen las columnas de la estructura de minera de datos que usar el modelo de minera de datos:
[<key column>],
<mining model columns> <usage>,
Si no especifica el uso, no tiene que incluir una columna de la estructura de minera de datos en la lista. Todas las columnas que se usan por la estructura de minera de
datos a la que se hace referencia estn disponibles automticamente para su uso por parte de los modelos de minera de datos que se basan en dicha estructura. Sin
embargo, el modelo no usar las columnas para entrenamiento a menos que especifique el uso.
En la ltima lnea del cdigo se define el algoritmo y los parmetros del algoritmo que se utilizarn para generar el modelo de minera de datos.
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
por:
[Market Basket]
4. Reemplace lo siguiente:
por:
[Default Association]
5. Reemplace lo siguiente:
[<key column>],
<mining model columns>,
<table columns>
( [<nested key column>],
por:
OrderNumber,
[Products] PREDICT (
[Model]
)
En este caso, la tabla [Products] se ha designado como la columna de prediccin. Adems, la columna [Model] est incluida en la lista de columnas de tabla
anidada porque es la columna de clave de la tabla anidada.
Nota
Recuerde que una clave anidada es diferente de una clave de caso. Una clave de caso es un identificador nico del caso, mientras que la clave anidada es un
atributo que desea usar como modelo.
6. Reemplace lo siguiente:
por:
Using Microsoft_Association_Rules
por:
Market Basket
4. Reemplace lo siguiente:
por:
[Modified Association]
5. Reemplace lo siguiente:
por:
OrderNumber,
[Products] PREDICT (
[Model]
)
En este caso, la tabla [Products] se ha designado como la columna de prediccin. Adems, la columna [MODEL] est incluida en la lista porque es la columna
de clave de la tabla anidada.
6. Reemplace lo siguiente:
por:
En esta siguiente leccin procesar la estructura de minera de datos Market Basket junto con sus modelos de minera de datos asociados.
Leccin siguiente
Leccin 3: Procesar la estructura de minera de datos de la cesta de la compra
La primera lnea del cdigo identifica la estructura de minera de datos que se entrenar:
Las lneas siguientes del cdigo especifican las columnas definidas por la estructura de minera de datos. Debe incluir en la lista cada una de las columnas de la
estructura de minera de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen. Puede usar SKIP para omitir
columnas de los datos de origen que no existen en la estructura de minera de datos. Para obtener ms informacin sobre cmo usar SKIP, vea INSERT INTO (DMX).
(
<mining structure columns>
[<nested table>]
( SKIP, <skipped column> )
)
Las lneas finales del cdigo definen los datos que se utilizarn para entrenar la estructura de minera de datos. Los datos de origen se incluyen en dos tablas, por lo
que usar SHAPE para relacionar estas tablas.
SHAPE {
OPENQUERY([<datasource>],'<SELECT statement>') }
APPEND
(
{OPENQUERY([<datasource>],''<nested SELECT statement>'')
}
RELATE [<case key>] TO [<foreign key>]
) AS [<nested table>]
En esta leccin usar OPENQUERY para definir los datos de origen. Para obtener informacin acerca de otros mtodos para definir una consulta sobre los datos de
origen, vea <source data query>.
Tareas de la leccin
En esta leccin realizar la tarea siguiente:
[<mining structure>]
por:
Market Basket
4. Reemplace lo siguiente:
por:
[OrderNumber],
[Products]
(SKIP, [Model])
En la instruccin, Products hace referencia a la tabla Products definida por la instruccin SHAPE. SKIP se usa para omitir la columna Model, que se encuentra en
el origen de datos como clave, pero no la usa la estructura de minera de datos.
5. Reemplace lo siguiente:
SHAPE {
OPENQUERY([<datasource>],'<SELECT statement>') }
APPEND
(
{OPENQUERY([<datasource>],'<nested SELECT statement>')
}
RELATE [<case key>] TO [<foreign key>]
) AS [<nested table>]
por:
SHAPE {
OPENQUERY([Adventure Works DW],'SELECT OrderNumber
FROM vAssocSeqOrders ORDER BY OrderNumber')}
APPEND
(
{OPENQUERY([Adventure Works DW],'SELECT OrderNumber, Model FROM
dbo.vAssocSeqLineItems ORDER BY OrderNumber, Model')
}
RELATE OrderNumber to OrderNumber
) AS [Products]
La consulta de origen hace referencia al origen de datos AdventureWorksDW2012 definido en el proyecto de ejemplo AdventureWorksDW2012 . Usa este origen
de datos para tener acceso a las vistas vAssocSeqLineItems y vAssocSeqOrders. Estas vistas contienen los datos de origen que se utilizarn para entrenar el
modelo de minera de datos. Si no ha creado este proyecto o estas vistas, vea Tutorial bsico de minera de datos.
En el comando SHAPE, usar OPENQUERY para definir dos consultas. La primera consulta define la tabla primaria y la segunda, la tabla anidada. Las dos tablas
se relacionan mediante la columna OrderNumber, que existe en ambas tablas.
Ahora, la instruccin completa debera ser como sigue:
Despus de que la consulta haya terminado de ejecutarse, puede ver los modelos y los conjuntos de elementos encontrados, ver asociaciones o filtrar por conjunto de
elementos, probabilidad o importancia. Para ver esta informacin, en SQL Server Management Studio, haga clic con el botn secundario en el nombre del modelo de
datos y, a continuacin, hace clic en Examinar.
En la siguiente leccin crear varias predicciones basadas en los modelos de minera de datos que ha agregado a la estructura Market Basket.
Leccin siguiente
Leccin 4: Ejecutar predicciones de cesta de la compra
Una lista de las funciones de prediccin y las columnas del modelo de minera de datos devueltas en el conjunto de resultados. Esta lista tambin puede incluir
columnas de entrada de los datos de origen.
Una consulta de origen que define los datos que se usan para crear una prediccin. Por ejemplo, si est creando muchas predicciones en un lote, la consulta de
origen podra recuperar una lista de clientes.
Una asignacin entre las columnas del modelo de minera de datos y los datos de origen. Si los nombres de las columnas coinciden, puede usar la sintaxis
NATURAL PREDICTION JOIN y omitir las asignaciones de columna.
La consulta se puede mejorar si se usan funciones de prediccin. Las funciones de prediccin proporcionan informacin adicional, como la probabilidad de que se
produzca una prediccin o la existencia de compatibilidad con una prediccin en el conjunto de datos de entrenamiento. Para obtener ms informacin acerca de las
funciones de prediccin, vea Funciones (DMX).
Tambin puede usar el generador de consultas de prediccin de SQL Server Data Tools SSDT para crear consultas de prediccin.
En la primera lnea del cdigo se definen las columnas del modelo de minera de datos que devuelve la consulta y se especifica el nombre del modelo de minera de
datos usado para generar la prediccin:
La lnea del cdigo siguiente indica la operacin que se va a realizar. Dado que se especificarn valores para cada una de las columnas y se escribirn los nombres de
columna exactamente de manera que coincidan con el modelo, puede usar la sintaxis NATURAL PREDICTION JOIN. Sin embargo, si los nombres de columna fueran
diferentes, tendra que especificar las asignaciones entre las columnas del modelo y las columnas de los nuevos datos agregando una clusula ON.
En las lneas siguientes del cdigo se definen los artculos del carro de la compra que se utilizarn para predecir artculos adicionales que un cliente agregar:
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear una consulta que prediga qu otros artculos podra adquirir un cliente en funcin de los artculos que ya se estn en su carro de la compra. Para crear
esta consulta usar el modelo de minera de datos con el valor de MINIMUM_PROBABILITY predeterminado.
Crear una consulta que prediga qu otros artculos podra adquirir un cliente en funcin de los artculos que ya se estn en su carro de la compra. Esta consulta
se basa en un modelo diferente, en el que MINIMUM_PROBABILITY ha quedado establecido en 0,01. Dado que el valor predeterminado para
MINIMUM_PROBABILITY en modelos de asociacin es 0,3, la consulta en este modelo debera devolver ms elementos posibles que la consulta en el modelo
predeterminado.
<select list>
por:
PREDICT([Default Association].[Products],INCLUDE_STATISTICS,3)
Podra incluir solamente el nombre de columna [Products], pero si utiliza la funcin Predict (DMX), puede limitar el nmero de artculos devueltos por el
algoritmo a tres. Tambin puede usar INCLUDE_STATISTICS, que devuelve la compatibilidad, la probabilidad y la probabilidad ajustada para cada producto.
Estas estadsticas ayudan a valorar la precisin de la prediccin.
4. Reemplace lo siguiente:
[<mining model>]
por:
[Default Association]
5. Reemplace lo siguiente:
por:
Esta instruccin utiliza la instruccin UNION para especificar tres productos que se deben incluir en el carro de la compra junto con los artculos previstos. La
columna Model de la instruccin SELECT corresponde a la columna de modelo incluida en la tabla de productos anidada.
Ahora, la instruccin completa debera ser como sigue:
SELECT
PREDICT([Default Association].[Products],INCLUDE_STATISTICS,3)
From
[Default Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Mountain Bottle Cage' AS [Model]
UNION SELECT 'Mountain Tire Tube' AS [Model]
UNION SELECT 'Mountain-200' AS [Model]) AS [Products]) AS t
Crear una prediccin usando un modelo con el valor 0,01 para MINIMUM_PROBABILITY
Para crear una consulta de asociacin
1. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consulta y, a continuacin, haga clic en
DMX para abrir el Editor de consultas.
2. Copie el ejemplo genrico de la instruccin PREDICTION JOIN en la consulta en blanco.
3. Reemplace lo siguiente:
<select list>
por:
PREDICT([Modified Association].[Products],INCLUDE_STATISTICS,3)
4. Reemplace lo siguiente:
[<mining model>]
por:
[Modified Association]
5. Reemplace lo siguiente:
por:
Esta instruccin utiliza la instruccin UNION para especificar tres productos que se deben incluir en el carro de la compra junto con los artculos previstos. La
columna [Model] de la instruccin SELECT corresponde a la columna incluida en la tabla de artculos anidada.
Ahora, la instruccin completa debera ser como sigue:
SELECT
PREDICT([Modified Association].[Products],INCLUDE_STATISTICS,3)
From
[Modified Association]
NATURAL PREDICTION JOIN
(SELECT (SELECT 'Mountain Bottle Cage' AS [Model]
UNION SELECT 'Mountain Tire Tube' AS [Model]
UNION SELECT 'Mountain-200' AS [Model]) AS [Products]) AS t
La consulta devuelve una tabla que contiene tres artculos: HL Mountain Tire, Water Bottle y Fender Set Mountain. En la tabla se enumeran estos productos por
orden de probabilidad. El producto que aparece al principio de la tabla es el producto con mayor probabilidad de estar incluido en el mismo carro de la
compra que los tres artculos especificados en la consulta. Los productos restantes son los siguientes con mayor probabilidad de estar incluidos en el carro de
la compra. La tabla tambin contiene estadsticas que describen la precisin de la prediccin.
A partir de los resultados de esta consulta, se puede ver que el valor del parmetro MINIMUM_PROBABILITY afecta a los resultados devueltos por la consulta.
ste es el ltimo paso del tutorial de Market Basket. Ahora dispone de un conjunto de modelos que puede usar para predecir los artculos que los clientes pueden
adquirir simultneamente.
Para aprender a utilizar DMX en otro escenario de prediccin, vea Tutorial DMX de Bike Buyer.
Vea tambin
Conceptos
Ejemplos de consultas del modelo de asociacin
Interfaces de consultas de minera de datos
El algoritmo de serie temporal de Microsoft crea modelos que se pueden utilizar para predecir datos relacionados con el tiempo. Extensiones de minera de datos
DMX es un lenguaje de consulta proporcionado por Analysis Services que sirve para crear modelos de minera de datos y consultas de prediccin.
Aprendizaje
En este tutorial se presupone que ya est familiarizado con los objetos que Analysis Services utiliza para crear modelos de minera de datos. Si an no ha creado una
estructura o modelo de minera de datos mediante DMX, vea Tutorial DMX de Bike Buyer.
El tutorial est compuesto por las lecciones siguientes:
Leccin 1: Crear un modelo de minera de datos de serie temporal y una estructura de minera de datos
En esta leccin aprender a usar la instruccin CREATE MINING MODEL para agregar un nuevo modelo previsin y un modelo de minera de datos relacionado.
Leccin 2: Agregar modelos de minera de datos a la estructura de minera de datos de serie temporal
En esta leccin aprender a usar la instruccin ALTER MINING STRUCTURE para agregar nuevos modelos de minera de datos a la estructura de serie temporal.
Aprender tambin a personalizar el algoritmo utilizado para analizar una serie temporal.
Leccin 3: Procesar la estructura de serie temporal y los modelos
En esta leccin aprender a entrenar los modelos utilizando la instruccin INSERT INTO y rellenando la estructura con datos de la base de datos
AdventureWorksDW2012 .
Leccin 4: Crear predicciones de serie temporal con DMX
En esta leccin aprender a crear predicciones de serie temporal.
Leccin 5: Extender el modelo de serie temporal
En esta leccin aprender a utilizar el parmetro EXTEND_MODEL_CASES para actualizar el modelo con nuevos datos al realizar las predicciones.
Requisitos
Antes de hacer este tutorial, asegrese de que los siguientes componentes estn instalados:
Con el fin de mejorar la seguridad, las bases de datos de ejemplo no se instalan de forma predeterminada. Para instalar las bases de datos de ejemplos oficiales para
Microsoft SQL Server, vaya a http://www.CodePlex.com/MSFTDBProdSamples o en la seccin Microsoft SQL Server Product Samples de la pgina principal de Microsoft
SQL Server Samples and Community Projects. Haga clic en Databases y, a continuacin en la pestaa Releases y seleccione las bases de datos que desee.
Nota
Para consultar los tutoriales, se recomienda agregar los botones Siguiente y Anterior a la barra de herramientas del visor de documentos. Para obtener ms
informacin, vea Adding Next and Previous Buttons to Help.
Vea tambin
Tasks
Tutorial bsico de minera de datos
Conceptos
Tutorial intermedio de minera de datos Analysis Services Minera de datos
En la primera lnea del cdigo se define el nombre del modelo de minera de datos:
Analysis Services genera un nombre para la estructura subyacente anexando "_structure" al nombre del modelo, con lo que se asegura de que el nombre de la
estructura sea distinto del nombre del modelo. Para obtener informacin acerca de cmo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).
La lnea siguiente de cdigo define la columna de clave para el modelo de minera de datos, que en el caso de un modelo de serie temporal identifica singularmente un
incremento de tiempo en los datos del origen. El incremento de tiempo se identifica con las palabras clave KEY TIME despus de los tipos de datos y nombre de
columna. Si el modelo de serie temporal tiene una clave de serie independiente, se identifica con la palabra clave KEY.
<key columns>
La lnea siguiente del cdigo se utiliza para definir las columnas del modelo que se predecir. Puede tener varios atributos de prediccin en un nico modelo de
minera de datos. Cuando hay varios atributos de prediccin, el algoritmo de serie temporal de Microsoft genera un anlisis independiente para cada serie:
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear la consulta
El primer paso es conectarse a una instancia de Analysis Services y crear una consulta DMX en SQL Server Management Studio.
Para crear una consulta DMX mediante SQL Server Management Studio
1. Abra SQL Server Management Studio.
2. En el cuadro de dilogo Conectar al servidor, para Tipo de servidor, seleccione Analysis Services. En Nombre del servidor, escriba LocalHost o el nombre de
la instancia de Analysis Services a la que desee conectarse para esta leccin. Haga clic en Conectar.
3. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consulta y haga clic en DMX.
Se abre el Editor de consultas, que contiene una consulta nueva en blanco.
Modificar la consulta
El paso siguiente es modificar la instruccin CREATE MINING MODEL para crear el modelo de minera de datos que se usa para la prediccin, junto con su estructura
de minera de datos subyacente.
por:
[Forecasting_MIXED]
3. Reemplace lo siguiente:
<key columns>
por:
La palabra clave TIME KEY indica que la columna ReportingDate contiene los valores de incremento de tiempo utilizados para ordenar los valores. Los
incrementos de tiempo pueden ser fechas y horas, nmeros enteros o cualquier tipo de datos ordenado, siempre que los valores sean nicos y los datos estn
ordenados.
Las palabras clave TEXT y KEY indican que la columna ModelRegion contiene una clave de serie adicional. Puede tener nicamente una clave de serie y los
valores de la columna deben ser distintos.
4. Reemplace lo siguiente:
por:
5. Reemplace lo siguiente:
por:
El parmetro de algoritmo, AUTO_DETECT_PERIODICITY = 0.8, indica que desea que el algoritmo detecte los ciclos en los datos. Si se establece este valor ms
prximo a 1, se favorece la deteccin de muchos patrones pero puede desacelerar el procesamiento.
El parmetro de algoritmo, FORECAST_METHOD, indica si desea analizar los datos utilizando ARTXP, ARIMA o una combinacin de ambos.
La palabra clave, WITH DRILLTHROUGH, especifica que desea poder ver estadsticas detalladas de los datos de origen cuando el modelo se complete. Debe
agregar esta clusula si desea examinar el modelo utilizando el Visor de series temporales de Microsoft. No se requiere para la prediccin.
Ahora, la instruccin completa debera ser como sigue:
Ejecutar la consulta
El ltimo paso es ejecutar la consulta. Despus de crear y guardar una consulta, debe ejecutarse para crear el modelo y su estructura de minera de datos en el
servidor. Para obtener ms informacin acerca de la ejecucin de consultas en el Editor de consultas, vea Editor de consultas del motor de base de datos (SQL Server
Management Studio).
Una estructura nueva denominada Forecasting_MIXED_Structure existe ahora en el servidor, junto con el modelo de minera de datos Forecasting_MIXED
relacionado.
En la leccin siguiente agregar un modelo de minera de datos a la estructura de minera de datos Forecasting_MIXED recin creada.
Leccin siguiente
Leccin 2: Agregar modelos de minera de datos a la estructura de minera de datos de serie temporal
Vea tambin
Referencia
Contenido del modelo de minera de datos para los modelos de serie temporal Analysis Services Minera de datos
Referencia tcnica del algoritmo de serie temporal de Microsoft
La primera lnea de cdigo identifica la estructura de minera de datos existente a la que se agregarn los modelos de minera de datos:
La siguiente lnea de cdigo asigna un nombre al modelo de minera de datos que se agregar a la estructura de minera de datos:
Para obtener informacin acerca de cmo asignar un nombre a un objeto en DMX, vea Identificadores (DMX).
Las lneas siguientes del cdigo definen columnas de la estructura de minera de datos que utilizar el modelo de minera de datos:
[<key columns>],
<mining model columns>
Solo puede utilizar columnas que ya existan en la estructura de minera de datos, y la primera columna de la lista debe ser la columna de clave de la estructura.
La siguiente lnea de cdigo define el algoritmo de minera de datos que genera el modelo de minera de datos y los parmetros del algoritmo que puede establecer
en el algoritmo, y especifica si puede obtener detalles a partir del modelo en la vista detallada de los datos en los casos de entrenamiento:
Para obtener ms informacin acerca de los parmetros del algoritmo que puede ajustar, vea Referencia tcnica del algoritmo de serie temporal de Microsoft.
Puede especificar que una columna del modelo de minera de datos se utilice para la prediccin mediante la sintaxis siguiente:
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
por:
[Forecasting_MIXED_Structure]
4. Reemplace lo siguiente:
por:
Forecasting_ARIMA
5. Reemplace lo siguiente:
<key columns>,
por:
[ReportingDate],
[ModelRegion]
Observe que no necesita repetir ninguna informacin del tipo de contenido o tipo de datos que proporcion en la instruccin CREATE MINING MODEL, porque
esta informacin ya est almacenada en la estructura de minera de datos.
6. Reemplace lo siguiente:
por:
([Quantity] PREDICT,
[Amount] PREDICT
)
7. Reemplace lo siguiente:
por:
Leccin siguiente
Leccin 3: Procesar la estructura de serie temporal y los modelos
Vea tambin
Referencia
Conceptos
Algoritmo de serie temporal de Microsoft
La primera lnea del cdigo identifica la estructura de minera de datos que se va a entrenar:
Las lneas siguientes del cdigo especifican las columnas definidas por la estructura de minera de datos. Debe incluir en la lista cada una de las columnas de la
estructura de minera de datos, y cada columna debe estar asignada a una columna incluida en los datos de la consulta de origen:
(
<mining structure columns>
)
Las ltimas lneas del cdigo definen los datos que se utilizarn para entrenar la estructura de minera de datos.
En esta leccin usar OPENQUERY para definir los datos de origen. Para obtener ms informacin acerca de otros mtodos para definir una consulta sobre los datos
de origen, vea <source data query>.
Tareas de la leccin
En esta leccin realizar la tarea siguiente:
Para procesar la estructura de minera de datos y los modelos relacionados mediante INSERT INTO
1. En el Explorador de objetos, haga clic con el botn secundario en la instancia de Analysis Services, seleccione Nueva consulta y haga clic en DMX.
Se abre el Editor de consultas, que contiene una consulta nueva en blanco.
2. Copie el ejemplo genrico de la instruccin INSERT INTO en la consulta en blanco.
3. Reemplace lo siguiente:
[<mining structure>]
por:
Forecasting_MIXED_Structure
4. Reemplace lo siguiente:
por:
[ReportingDate],
[ModelRegion]
5. Reemplace lo siguiente:
por:
La columna de origen hace referencia al origen de datos AdventureWorksDW2012 definido en el proyecto de ejemplo IntermediateTutorial. Utiliza este origen de
datos para tener acceso a la vista vTimeSeries. Esta vista contiene los datos de origen que se utilizarn para entrenar el modelo de minera de datos. Si no est
familiarizado con este proyecto o con estas vistas, veaLeccin 2: generar un escenario de pronstico Tutorial intermedio de minera de datos.
Ahora, la instruccin completa debera ser como sigue:
Cuando la consulta termine de ejecutarse, puede crear las predicciones mediante los modelos de minera de datos procesados. En la leccin siguiente, crear varias
predicciones basadas en los modelos de minera de datos que ha creado.
Leccin siguiente
Leccin 4: Crear predicciones de serie temporal con DMX
Vea tambin
Referencia
<source data query>
OPENQUERY (DMX)
Conceptos
Requisitos y consideraciones de procesamiento minera de datos
Tareas de la leccin
En esta leccin realizar las tareas siguientes:
Crear una consulta para obtener las predicciones predeterminadas segn los datos existentes.
Crear una consulta para proporcionar datos nuevos y actualizar las predicciones.
Adems de crear consultas manualmente utilizando DMX, tambin puede crear predicciones con el generador de consultas de prediccin de SQL Server Data Tools
(SSDT).
La lista de seleccin puede contener columnas del modelo, como el nombre de la lnea de producto para la que crea las predicciones, o funciones de prediccin, como
Lag (DMX) o PredictTimeSeries (DMX), que es especfico para los modelos de minera de datos de serie temporal.
<select list>
por:
[Forecasting_MIXED].[ModelRegion],
PredictTimeSeries([Forecasting_MIXED].[Quantity],6) AS PredictQty,
PredictTimeSeries ([Forecasting_MIXED].[Amount],6) AS PredictAmt
La primera lnea recupera un valor del modelo de minera de datos que identifica la serie.
La segunda y tercera lneas utilizan la funcin PredictTimeSeries. Cada lnea predice un atributo diferente, [Quantity] o [Amount]. Los nmeros despus de los
nombres de los atributos de prediccin especifican el nmero de pasos temporales para realizar la prediccin.
La clusula AS se utiliza con el fin de proporcionar un nombre para la columna que devuelve cada funcin de prediccin. Si no proporciona un alias, de forma
predeterminada ambas columnas se devuelven con la etiqueta Expression.
4. Reemplace lo siguiente:
[<mining model>]
por:
[Forecasting_MIXED]
5. Reemplace lo siguiente:
WHERE [criteria>]
por:
SELECT
[Forecasting_MIXED].[ModelRegion],
PredictTimeSeries([Forecasting_MIXED].[Quantity],6) AS PredictQty,
PredictTimeSeries ([Forecasting_MIXED].[Amount],6) AS PredictAmt
FROM
[Forecasting_MIXED]
WHERE [ModelRegion] = 'M200 Europe' OR
[ModelRegion] = 'M200 Pacific'
En la leccin siguiente, crear una consulta que proporciona los datos nuevos al modelo y comparar los resultados de esa prediccin con la recin creada.
Vea tambin
Referencia
PredictTimeSeries (DMX)
Lag (DMX)
Conceptos
Usando una instruccin PREDICTION JOIN para unir los datos de un origen externo a los datos de entrenamiento.
Usando una consulta de prediccin singleton para proporcionar los datos segmento a segmento.
Por ejemplo, suponga que entren el modelo de minera de datos con los datos de ventas existentes hace algunos meses. Al conseguir ventas nuevas, podra desear
actualizar las predicciones de ventas para incorporar los datos nuevos. Puede hacer esto en un paso, proporcionando las nuevas cifras de ventas como datos de entrada
y generando predicciones nuevas basadas en el conjunto de datos compuesto.
El segundo ejemplo permite especificar el estadio temporal donde las predicciones deberan iniciarse y donde deberan finalizar. Esta opcin es importante al extender
los casos del modelo porque, de forma predeterminada, los estadios temporales que se usan para las consultas de prediccin siempre se inician al final de la serie
original.
por:
por:
FROM [Forecasting_MIXED]
5. Reemplace lo siguiente:
por:
6. Reemplace lo siguiente:
[WHERE <criteria>]
por:
La tabla siguiente muestra cmo los valores nuevos proporcionados para M200 en Europa afectan a las predicciones. No proporcion ningn dato nuevo para el
producto M200 en la regin de Pacfico, pero esta serie se presenta para poder comparar:
Producto y
regin
M200 Europe
M200 Pacific
M200
Europe
7/25/2008 12:00:00 AM
77
M200 Europe
7/25/2008 12:00:00 AM
10
M200
Europe
8/25/2008 12:00:00 AM
64
M200 Europe
8/25/2008 12:00:00 AM
15
M200 Europe
9/25/2008 12:00:00 AM
72
M200
Europe
9/25/2008 12:00:00 AM
59
M200 Europe
10/25/2008 12:00:00 AM
69
M200
Europe
10/25/2008 12:00:00
AM
56
M200 Europe
11/25/2008 12:00:00 AM
68
M200 Europe
12/25/2008 12:00:00 AM
89
M200
Europe
11/25/2008 12:00:00
AM
56
M200
Europe
12/25/2008 12:00:00
AM
74
M200 Pacific
7/25/2008 12:00:00 AM
41
M200 Pacific
7/25/2008 12:00:00 AM
41
M200 Pacific
8/25/2008 12:00:00 AM
44
M200 Pacific
8/25/2008 12:00:00 AM
44
M200 Pacific
9/25/2008 12:00:00 AM
38
M200 Pacific
9/25/2008 12:00:00 AM
38
M200 Pacific
10/25/2008 12:00:00 AM
41
M200 Pacific
10/25/2008 12:00:00 AM
41
M200 Pacific
11/25/2008 12:00:00 AM
36
M200 Pacific
11/25/2008 12:00:00 AM
36
M200 Pacific
12/25/2008 12:00:00 AM
39
M200 Pacific
12/25/2008 12:00:00 AM
39
Las primeras dos predicciones para la serie M200 Europe son exactamente iguales que los nuevos datos que proporcion. Por diseo, Analysis Services
devuelve los nuevos datos reales en lugar de realizar una prediccin. Eso se debe a que al extender los casos del modelo, los pasos temporales utilizados para
las consultas de prediccin siempre se inician al final de la serie original. Por tanto, si agrega dos datos nuevos, las dos primeras predicciones devueltas se
superponen a los datos nuevos.
Una vez agotados todos los nuevos datos, Analysis Services realiza predicciones basadas en el modelo actualizado. Por consiguiente, a partir de septiembre de
2005, puede ver la diferencia entre las predicciones para M200 Europe del modelo original, en la columna de la izquierda, y el modelo que utiliza
EXTEND_MODEL_CASES, en la columna de la derecha. Las predicciones son diferentes porque el modelo se ha actualizado con datos nuevos.
Cree una instruccin PREDICTION JOIN en un modelo de serie temporal y especifique los datos nuevos correspondientes a dos meses.
Solicite predicciones para cuatro intervalos de tiempo, donde el punto inicial es el intervalo de tiempo 3 y el punto final es el intervalo de tiempo 6.
En otras palabras, si los datos nuevos contienen n intervalos de tiempo y solicita predicciones para los estadios temporales 1 a n, las predicciones coincidirn con el
mismo perodo que los datos nuevos. Para obtener nuevas predicciones de un perodo de tiempo que no cubren los datos, debe iniciar las predicciones en el intervalo
de tiempo n+1 tras la nueva serie de datos o asegurarse de que solicita intervalos de tiempo adicionales.
Nota
Si agrega nuevos datos, no puede realizar predicciones histricas.
En el ejemplo siguiente se muestra la instruccin DMX que permite obtener solo las predicciones nuevas para las dos series del ejemplo anterior.
Los resultados de la prediccin se inician en el intervalo de tiempo 3, que est despus de los datos nuevos para 2 meses que proporcion.
Producto y regin
M200 Europe
M200 Europe
9/25/2008 12:00:00 AM
72
M200 Europe
10/25/2008 12:00:00 AM
69
M200 Europe
11/25/2008 12:00:00 AM
68
M200 Europe
12/25/2008 12:00:00 AM
89
Vea tambin
Referencia
PredictTimeSeries (DMX)
Conceptos
Ejemplos de consultas de modelos de serie temporal