Logo

Business Intelligence (Sistemas de Información de negocio)

Código: 107563
Créditos: 6
2026/2027
Titulación Tipo Curso
Empresa y Tecnología OB 3

Profesor/a de contacto

Nombre :
David Esteban Palma Araneda
Correo electrónico :
david.palma@uab.cat

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Puesto que la asignatura tracta especificamente de la obtención y organitzación de información, es importante tener en cuenta, y refrescar si fuese necesario, conceptos ya tratados en asignaturas como Base de Datos, sobre todo en lo referente a consultas SQL.

 

Objetivos

El objetivo básico de la asignatura es el de introducir al alumnado en el conjunto de herramientas y habilidades necesarias para crear cuadros de mando útiles y completos para la toma de decisiones estratégicas dentro de una organización.

Al finalizar el curso, los y las estudiantes deberan ser capaces de:

  • Recoger y comprender la información que se genera en los procesos empresariales
  • Estructurar la información para conseguir un modelo dimensional que genere el Data Wharehouse de la empresa
  • Usar de forma intensiva uno de los programas de Business Intelligence.
  • Evaluar la idoneidad y ajuste de diversos métodos de modelamiento para problemas comunes en la empresa


Resultados de aprendizaje

  • CM13 (Proponer bases de datos relacionales que recojan las características, funcionalidades y estructura adecuadas a la organización.) Proponer bases de datos relacionales que recojan las características, funcionalidades y estructura adecuadas a la organización.

Contenidos

1. Business Inteligence, Data Wharehouse y Modelo Dimensional


2. Modelo Dimensional aplicado a distintos procesos empresariales (transacciones, ventas, inventario, etc.)


3. Recorrido por los Procesos y Tareas del sistema de ETL (Extracción, Transformación y carga de datos)


4. La representación de los datos: métricas, KPI, buenas prácticas de visualización, ...


5. Integración de Bases de Datos a nivel Dimensional


6. Fundamentos y aplicaciones básicas de modelación de datos

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Prácticas de laboratorio 15 0,6 CM13
Tutorias y seguimiento de los trabajos a realizar y de los casos a preparar 15 0,6 CM13
Lecturas relacionadas, preparación de casos y prácticas, estudio y elaboración de esquemas 87 3,48 CM13
Clases magistrales, discusión de casos y presentación de trabajos 30 1,2 CM13

El trabajo en la asignatura se estructurará en torno a una alternancia de teoría y práctica. Cada vez que se trate un nuevo tema, se comenzará por introducir los conceptos teóricos, seguidos inmediatamente por aplicaciones prácticas con bases de datos reales o sintéticas. Existirán tres tipos de trabajo práctico: (i) ejercicios breves a realizar durante la clase, (ii) tareas evaluables en el formato de prácticas de laboratorio entregables dentro de un plazo dado, y (iii) un proyecto de asignatura a trabajar a lo largo del semestre. La mayor parte del trabajo práctico se realizará en grupos, los cuales se definirán al principio de la asignatura y se mantendrán fijos a lo largo de ella.


Para esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente en tareas de apoyo, como la búsqueda bibliográfica o de información, la corrección de textos o código, o traducciones. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo éstas han influido en el proceso y el resultado final de la actividad. La no transparencia del uso de la IA en esta actividad evaluable se considerará falta de honestidad académica y puede conllevar una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos de gravedad. En cualquier caso el uso de la IA está prohibido en cualquier examen.


Nota: se reservarán 15 minutos de una clase para que los alumnos completen la encuesta de evaluación del profesorado y el módulo.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Tareas en grupo 30% 0 0 CM13
Pruebas individuales y prueba final 40% 3 0,12 CM13
Proyecto de Business Intelligence 30% 0 0 CM13

La evaluación de la asignatura (nota de asignatura, NAsig) se compondrá de tres elementos:

  1. Tareas a realizar en grupo (30%): A lo largo del semestre, se publicarán tareas que deberán ser completadas en grupos de trabajo (a mantener constantes a lo largo del semestre), y que deberán ser entregadas mediante el campus virtual.
  2. Exámenes a realizar individualmente (40% en total, 20% cada uno): Se realizarán dos exámenes presenciales en las fechas indicadas por la facultad.
  3. Un proyecto a realizar en grupo (30%): El cual se realizará en grupo, y en distintas etapas a lo largo del semestre. El proyecto consiste en:
  4. Conseguir una base de datos real, idealmente de una empresa o institución (o en su defecto, de alguna fuente de datos abierta), y re-estructurarla en un modelo estrella.
  5. Definir indicadores de gestión (KPI) relevantes y generar dashboards para su visualización.
  6. Proponer y responder una pregunta de investigación relevante utilizando los datos disponibles y alguna técnica de modelación estudiada en la asignatura.

Si la nota en el componente exámenes (NExam) es menor a 4,0, entonces la nota de presentación (NPres) se calculará como el mínimo entre 4,0 y la nota de la asignatura (NAsig), es decir, NPres = min(4,0 ; NAsig). En caso contrario, NPres = NAsig.

Quienes alcancen una nota de presentación (NPres) entre 3,5 y 4,9 podrán presentarse a un examen de recuperación.


Calendario de actividades de evaluación

Las fechas de las diferentes actividades de evaluación (ejercicios, entrega de trabajos, ...) se anunciarán con suficiente antelación durante el semestre.

La fecha del examen final de la asignatura está programada en el calendario de exámenes de la Facultad.

\"La programación de las pruebas de evaluación no se podrá modificar, salvo que haya un motivo excepcional y debidamente justificado por el cual no se pueda realizar un acto de evaluación. En este caso, las personas responsables de las titulaciones, previa consulta al profesorado y al estudiantado afectado, propondrán una nueva programación dentro del período lectivo correspondiente.\" Apartado 1 del Artículo 115. Calendario de las actividades de evaluación (Normativa Académica UAB)

Los y las estudiantes de la Facultad de Economía y Empresa que de acuerdo con el párrafo anterior necesiten cambiar una fecha de evaluación han de presentar la petición rellenando el documento Solicitud reprogramación prueba https://eformularis.uab.cat/group/deganat_feie/solicitud-reprogramacion-de-pruebas

Procedimiento de revisión de las calificaciones

Coincidiendo con el examen final se anunciará el díay el medio en que es publicarán las calificaciones finales. De la misma manera se informará del procedimiento, lugar, fecha y hora de la revisión de exámenes de acuerdo con la normativa de la Universidad.

Proceso de Recuperación

“Para participar en el proceso de recuperación el alumnado debe habersido previamente evaluado en un conjunto de actividades que represente un mínimo de dos terceras partes de la calificación total de la asignatura o módulo. ”Apartado 3 del Artículo 112 ter. La recuperación (Normativa Académica UAB). Los y las estudiantes deben haber obtenido una calificación media de la asignatura entre 3,5 y 4,9.

La fecha de esta prueba estará programada en el calendario de exámenes de la Facultad. El estudiante que se presente y la supere aprobará la asignatura con una nota de 5. En caso contrario mantendrá la misma nota.

Irregularidades en actos de evaluación

Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, \"en caso que el estudiante realice cualquier irregularidad que pueda conducir a una variación significativa de la calificación de un acto de evaluación, se calificará con un 0 este acto de evaluación, con independencia del proceso disciplinario que se pueda instruir. En caso que se produzcan diversas irregularidades en los actos de evaluación de una misma asignatura, la calificación final de esta asignatura será 0\". Apartado 10 del Artículo 116. Resultados de la evaluación. (Normativa Académica UAB)

En este sentido, cualquier entrega que se identifique plagiada de otros compañeros o de cualquier otra fuente conlleva un cero enesa evaluación. En caso de plagio entre compañeros del curso el cero será tanto para el plagiador como para el que facilita el plagio.


Bibliografía

Kimball, Ralph y Ross, Margy ((2013): The Data Wharehouse Toolkit: The definitive guide to Dimensional Modeling. Tercera edicion

Few, Stephen (2013): Information Dashboard Design: Displaying data for at-a-glance monitoring, Second Edition, Analytics Press

Few, Stephen (2012): Show Me the Numbers: Designing Tables and Graphs to Enlighten, Second Edition, Analytics Press

Clark, Dan (2020): Beginning Microsoft Power BI. A Practical Guide to Self-Service Data Analytics, APress Berkeley, CA, Accés: https://link.springer.com/openurl?genre=book&isbn=978-1-4842-5620-6

Aspin, Adam (2020): Pro Power BI Desktop. Self-Service Analytics and Data Visualization for the Power User, Apress Berkeley, CA, Accés: https://link.springer.com/openurl?genre=book&isbn=978-1-4842-5763-0

Aspin, Adam (2021): Pro Power BI Theme Creation. JSON Stylesheets for Automated Dashboard Formatting, Apress Berkeley, CA, Accés: https://link.springer.com/openurl?genre=book&isbn=978-1-4842-7068-4

Seamark, Philip and Martens, Thomas (2021):Pro DAX with Power BI. Business Intelligence with PowerPivot and SQL Server Analysis Services Tabular, Apress Berkeley, CA, Accés: https://link.springer.com/openurl?genre=book&isbn=978-1-4842-4897-3

Ehrenmueller-Jensen, Markus (2020): Self-Service AI with Power BI Desktop. Machine Learning Insights for Business, Apress Berkeley, CA, Accés: https://link.springer.com/openurl?genre=book&isbn=978-1-4842-6231-3

Wade, Ryan (2020): Advanced Analytics in Power BI with R and PythonIngesting, Transforming, Visualizing, Apress Berkeley, CA, Accés:https://link.springer.com/openurl?genre=book&isbn=978-1-4842-5829-3

 

Software

Softwares específicos de BI, como Power BI o Tableau, siempre en versiones educativas adecuadas.

 

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 20 Español segundo cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 204 Español segundo cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 205 Español segundo cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 206 Español segundo cuatrimestre manaña-mixto