Sistemas Informáticos de
Gestión Pública
Dr. MSc. Aland Bravo Vecorena
Universidad Nacional Hermilio
Valdizán de Huánuco
Maestría en Gestión Pública
para el Desarrollo Social
Acerca del Curso
1. Fundamentos de las TICs y de la
Sociedad de la Información.
2. Sistemas Informáticos de Gestión
Pública.
3. Modelado de Bases de Datos, Data
Warehouse, Datamining y Cloud
Computing.
4. Integración de Web Services y BPM.
Agenda de Trabajo
Modelado Data Warehouse y Data Mining
Retos del Gobierno Regional Huánuco
Fundamentos de Labview - Diadem
Laboratorio Guiado Labview - Diadem
Arquitecturas de Computación en Nube
Retos del Gobierno Regional Huánuco
¡Convertir a la Región Huánuco al 2021,
como Lider mundial en Desarrollo Tecnológico Multisectorial!
Retos del Gobierno Regional Huánuco
¡Reducir la Pobreza en la Región Huánuco al 2021,
del 64.5 % hasta menos del 14.5 % mediante generación de trabajo vía APP – Pro Inversión!
Retos del Gobierno Regional Huánuco
Portal del Ciudadano Perfil de Empresa
Catálogo de Trámites Archivo Electrónico
Motor de TramitaciónApoyo en la Toma de
Decisiones
Identificación Administrativa Digital
Apoyo en la Toma de Decisiones
Valija ElectrónicaGestión de
Representantes Legales
Expediente DigitalRegistro Electrónico de
Licitadores
Escritorio de Tramitación Web
Escritorio de Tramitación Móvil
Administración y Soporte
Escritorio del Empleado Público
Servicios de Administración Electrónica
Servicios al Ciudadano
Ciudadano Representante Empresa
Inter Operatividad
Administrativa
Elementos Habilitantes
- Firma Electrónica- Notificaciones Telemáticas- Sello Temporal-Pasarela de Pago- Registro Telemático
Back Office
Sistema de Atención al CiudadanoMulticanal
¡Mejorar la Atención Ciudadana en la Región Huánuco al 2021,
Realizando los trámites TUPA, TUSNE y MAPRO por Internet las 24 horas al día los 365 días del año!
Retos del Gobierno Regional Huánuco
¡Reducir las Brechas de Infraestructura en la Región Huánuco al 2021,
Lograr atraer Inversión Privada Cofinanciada en Modalidad APP por $ 20,000 Millones USD!
Promoción de la Inversión Privada Mega Proyecto 1: Programa de
Empoderamiento Urbano y Rural de Servicios Básicos del Ciudadano Huanuqueño (Agua, Desagüe, Salud, Educación, Telecomunicaciones).
Mega Proyecto 2: Clusters Hidro Energético de la Región Huánuco.
Mega Proyecto 3: Hub Logístico de Transportes de la Región Norte Centro Oriental.
Mega Proyecto 4: Cluster Turístico Inter Planetario del Chinchaysuyo – La Capital Logística del Imperio Inca.
Mega Proyecto 5: Clusters de Parques Científicos Tecnológicos Industriales Región Huánuco.
Flujograma Inversión Privada Cofinanciada
- DGPI: DIRECCIÓN GENERAL DE
POLÍTICA DE INVERSIONES
- DI: DECLARATORIA DE INTERÉS
- IP: INICIATIVA PRIVADA
- MEF: MINISTERIO DE ECONOMÍA Y
FINANZAS
- UF: UNIDAD FORMULADORA
Estrategia Regional
Mega Proyectos
Cofinanciados
Proyectos
Cofinanciados
Proyectos
Financiados
Iniciativa Privada en
Modalidad APP
Cofinanciada
Iniciativa Pública en
Modalidad APP
Cofinanciada
Iniciativa Pública en
Modalidad APP Financiada
PRO INVERSION
SNIP - MEF
Agenda de Trabajo
Modelado Data Warehouse y Data Mining
Retos del Gobierno Regional Huánuco
Fundamentos de Labview - Diadem
Laboratorio Guiado Labview - Diadem
Arquitecturas de Computación en Nube
Desarrollo de un Data Warehouse
Define a high-level corporate data model
Data
Mart
Data
Mart
Distributed
Data Marts
Multi-Tier Data
Warehouse
Enterprise Data
Warehouse
Model refinement Model refinement
Arquitectura Data Warehouse
Data
Warehouse
Extract
Transform
Load
Refresh
OLAP Engine
Analysis
Query
Reports
Data mining
Monitor
&
Integrator
Metadata
Data Sources Front-End Tools
Serve
Data Marts
Operational
DBs
Otras
fuentes
Data Storage
OLAP
Server
Proceso de Descubrimiento del Conocimiento
Data de Entrada
Minería de Data
Pre Procesamiento
de Data
Post-Procesamiento
Integración de Data
Normalización
Selección de Característica
Reducción de Dimension
Descubrimiento del Patrón Asociación & correlación Clasificación Clustering Análisis Outlier
Evaluación del Patrón
Selección del Patrón
Interpretación del Patrón
Visualización del Patrón
Tipos de Conjuntos de Datos Registro
◦ Registro relacional
◦ Data Matricial, e.g., matriz numérica, crosstabs
◦ Data Documental: documento de texto: vector frecuencia
◦ Data de Transacción
Gráfico y red
◦ World Wide Web
◦ Redes Sociales o de información
◦ Estructuras Moleculares
Ordenadas
◦ Data de Video: sequencia de imágenes
◦ Data Temporal : series de tiempo
◦ Data Sequencial: secuencias transaccionales
◦ Data de secuencia Genética
Espacial, imagenes y multimedia:
◦ Data espacial : mapas
◦ Data de Imágenes:
◦ Data de Video:
Document 1
se
aso
n
time
ou
t
lost
win
ga
me
sco
re
ba
llpla
y
co
ach
tea
m
Document 2
Document 3
3 0 5 0 2 6 0 2 0 2
0
0
7 0 2 1 0 0 3 0 0
1 0 0 1 2 2 0 3 0
TID Items
1 Bread, Coke, Milk
2 Beer, Bread
3 Beer, Coke, Diaper, Milk
4 Beer, Bread, Diaper, Milk
5 Coke, Diaper, Milk
Análisis Boxplot Five-number summary of a distribution
◦ Minimum, Q1, Median, Q3, Maximum
Boxplot
◦ Data is represented with a box
◦ The ends of the box are at the first and third
quartiles, i.e., the height of the box is IQR
◦ The median is marked by a line within the box
◦ Whiskers: two lines outside the box extended
to Minimum and Maximum
◦ Outliers: points beyond a specified outlier
threshold, plotted individually
Desde las Tablas y Registros
hacia los Cubos de Datos
A data warehouse is based on a multidimensional data model which
views data in the form of a data cube
A data cube, such as sales, allows data to be modeled and viewed in
multiple dimensions
◦ Dimension tables, such as item (item_name, brand, type), or
time(day, week, month, quarter, year)
◦ Fact table contains measures (such as dollars_sold) and keys to
each of the related dimension tables
In data warehousing literature, an n-D base cube is called a base
cuboid. The top most 0-D cuboid, which holds the highest-level of
summarization, is called the apex cuboid. The lattice of cuboids
forms a data cube.
Cubo: Una escalera de Cuboides
time,item
time,item,location
time, item, location,
supplier
all
time item location supplier
time,location
time,supplier
item,location
item,supplier
location,supplier
time,item,supplier
time,location,supplier
item,location,supplier
0-D (apex) cuboid
1-D cuboids
2-D cuboids
3-D cuboids
4-D (base) cuboid
Modelamiento Conceptual de
Data Warehouses
Modeling data warehouses: dimensions & measures
◦ Star schema: A fact table in the middle connected to a
set of dimension tables
◦ Snowflake schema: A refinement of star schema where
some dimensional hierarchy is normalized into a set of
smaller dimension tables, forming a shape similar to
snowflake
◦ Fact constellations: Multiple fact tables share
dimension tables, viewed as a collection of stars,
therefore called galaxy schema or fact constellation
Ejemplo de Esquema Estrella
time_key
day
day_of_the_week
month
quarter
year
time
location_key
street
city
state_or_province
country
location
Sales Fact Table
time_key
item_key
branch_key
location_key
units_sold
dollars_sold
avg_sales
Measures
item_key
item_name
brand
type
supplier_type
item
branch_key
branch_name
branch_type
branch
Ejemplo de Esquema Snowflake
time_key
day
day_of_the_week
month
quarter
year
time
location_key
street
city_key
location
Sales Fact Table
time_key
item_key
branch_key
location_key
units_sold
dollars_sold
avg_sales
Measures
item_key
item_name
brand
type
supplier_key
item
branch_key
branch_name
branch_type
branch
supplier_key
supplier_type
supplier
city_key
city
state_or_province
country
city
Ejemplo de Fact Constellation
28
time_key
day
day_of_the_week
month
quarter
year
time
location_key
street
city
province_or_state
country
location
Sales Fact Table
time_key
item_key
branch_key
location_key
units_sold
dollars_sold
avg_sales
Measures
item_key
item_name
brand
type
supplier_type
item
branch_key
branch_name
branch_type
branch
Shipping Fact Table
time_key
item_key
shipper_key
from_location
to_location
dollars_cost
units_shipped
shipper_key
shipper_name
location_key
shipper_type
shipper
Data Multidimensional
Sales volume as a function of product,
month, and region
Pro
duct
Month
Dimensions: Product, Location, Time
Hierarchical summarization paths
Industry Region Year
Category Country Quarter
Product City Month Week
Office Day
Un Ejemplo de un Cubo de Dato
Total annual sales
of TVs in U.S.A. Date
Cou
ntr
y sum
sum TV
VCR PC
1Qtr 2Qtr 3Qtr 4Qtr
U.S.A
Canada
Mexico
sum
Arreglo Multidimensional para
Computación del Cubo (3D a 2D)
The best order is
the one that
minimizes the
memory
requirement and
reduced I/Os
Agenda de Trabajo
Modelado Data Warehouse y Data Mining
Retos del Gobierno Regional Huánuco
Fundamentos de Labview - Diadem
Laboratorio Guiado Labview - Diadem
Arquitecturas de Computación en Nube
¿Qué es la Computación en Nube?
► Capacidad de proveer recursos de IT bajo demanda sobre Internet.
► Plataforma de cómputo dinámica.
► Outsourced de recursos de tecnología.
► Existen nubes privadas y públicas.
El Cloud Computing se puede comparar con los servicios de:
– Electricidad, gas natural, agua, telefóno donde se paga por el uso.
– Estos servicios pueden ser requeridos y discontinuados bajo necesidad.
La Computación en Nube, un Camino para la
Próxima Generación de Centros de Datos
Flexibilidad
Hosting Dedicado
Hosting Virtual
Modelo
Dedicado
Modelo
Compartido
Modelo
de Utilidad
+ Confiabilidad + Flexibilidad + Time to market + Menores Costos
Estandarización
Consolidación
Virtualización
Automatización
Cloud
Computing
Next Generation Data Center
Solución Tradicional versus Nueva
Generación de Centros de Datos
NGDC
Adquisición de
Servicios
Soluciones Flexibles
y menor tiempo
de respuesta
Facilidades
en la administración
y menor costo
Infraestructura
escalable,
Elástica, dinámica
Solución Tradicional
Adquisición de
Recursos y construcción
de la arquitectura técnica
Poca flexibilidad y
grandes tiempos de
Respuesta
Ambientes
complejos
y costos
Infraestructura
No Compartida
y estática
Esquema de
escalabilidad simple en
función del crecimiento
de su negocio
Estrategia de Virtualización
Tiempo
Desarrollar Estandarizar Explorar
Servidores Baja Criticidad
Plataformas de Negocio
Plataformas de Misión Crítica
´Todo virtualizado’
Reducción de Capex y Opex
Mejorar niveles de servicio
Mejorar las respuestas a los requerimientos de negocio
BE
NE
FIC
IOS
Pila de Servicios de la Computación en Nube
Infraestructura
as a Service
IaaS
Host - Hypervisor
Plataforma
as a Service
PaaS
Servidores de Aplicación
Aplicaciones Software
as a Service
SaaS
Tipos de Computación en Nube
Nube
Híbrida
Nube
Privada
vApp vApp
Nube
Pública
vApp vApp
AP
I AP
I
Seguridad – Portabilidad – Administración unificada
vApp
Ejemplo de la Administración de
una Aplicación en Nube
Host - Hypervisor
Servidor de Aplicaciones
Aplicaciones
Ocurre un
incidente
AD
MIN
IST
RA
CIO
N
Administración
monitorea los
recursos
Administración
dinamicamente asigna
más recursos
App vuelve
al estado normal
Agenda de Trabajo
Modelado Data Warehouse y Data Mining
Retos del Gobierno Regional Huánuco
Fundamentos de Labview - Diadem
Laboratorio Guiado Labview - Diadem
Arquitecturas de Computación en Nube
Tipos de Formatos de Información
Principiante Intermedio Avanzado
Simple ASCII Files
Databases
TDM Files
Custom Binary & XML Files
LVM Files
Complejidad
Usuario Final
Fácil
Flexible
Formatos de Archivos TDM
Root •Description
•Title
•Author
•etc
Group •Name
•Description
•etc.
Groups
Channel •Name
•Comment
•Unit
•Max & Min
•etc
Channels
XML Header (*.TDM)
Binary (*.TDX)
Los Vi’s Labview de Almacenamiento
escriben Archivos TDM
Capable of storing:
•Analog waveforms
•1D arrays of numeric values, strings, time stamps
•DAQmx waveform attributes
•Additional user defined properties
Combining the flexibility and structuring of XML together with the
compactness that Binary files offer
Agenda de Trabajo
Modelado Data Warehouse y Data Mining
Retos del Gobierno Regional Huánuco
Fundamentos de Labview - Diadem
Laboratorio Guiado Labview - Diadem
Arquitecturas de Computación en Nube
Diadem - Labview
Labview: Laboratory Virtual Instrument
Engineering Workbench
Es un entorno de desarrollo gráfico de
4ta Generación, orientado para la
Medición Control y Automatización.
Diadem es una Herramienta de
software que permite ubicar, cargar,
visualizar, analizar y reportar los datos
desde diversas fuentes.
Ejercicios Guiados de Diadem
Ejercicio 1: Escribiendo un Archivo TDMS en Labview.
Ejercicio 2: Utilitario DataFinding y generación automática de Reportes.
Ejercicio 3: Minería de Datos y generación interactiva de Reportes.
Ejercicio 4: Creación Automatizada de Análisis y Reportes.
Ejercicio 5: Análisis Interactivo y Plug In ASCII