BI aplicat: KDD i quadres de comandament

Introducció

Al llarg d'aquest mòdul s'ha après a dissenyar arquitectures, emmagatzemar i processar grans volums de dades, i garantir-ne la integritat. Aquest darrer RA tanca el cercle: de què serveix tot això si les dades no acaben transformant-se en informació significativa per a la presa de decisions de negoci?

Un àmbit deliberadament estret

L'ús a fons d'eines de BI (Power BI, Metabase, dashboards professionals, Modern Data Stack, AI-augmented BI) es treballa amb profunditat al mòdul 5074 — Sistemes de Big Data (bloc 7). Aquí ens centrem en el procés de validar tècniques de Big Data aplicades a la presa de decisions: el model KDD i la simulació d'implantació d'un model d'Intel·ligència de Negocis.

Models d'Intel·ligència de Negocis

La Intel·ligència de Negocis (Business Intelligence, BI) és el conjunt de processos, tecnologies i metodologies que transformen dades brutes en informació accionable. En un context de Big Data, el BI multiplica la seva rellevància: ja no es limita a agregar dades d'un únic sistema transaccional, sinó que conjuga dades de fonts molt diverses d'un mateix negoci —clients, finances, vendes, productes, màrqueting, xarxes socials, competència— per a extreure'n una anàlisi valuosa i efectiva.

flowchart LR
    subgraph Fonts["Dades estructurades i no estructurades"]
        CRM[Clients / CRM]
        FIN[Financeres]
        VEN[Vendes]
        MKT[Marqueting / Xarxes socials]
        COMP[Competencia]
    end
    Fonts --> NET["Neteja i transformacio"]
    NET --> MIN["Mineria / analisi"]
    MIN --> BI["Model Intel·ligencia\nde Negocis"]
    BI --> DEC["Decisions de negoci"]

Seleccionar quines dades —estructurades (taules de vendes) i no estructurades (comentaris de xarxes socials, logs de navegació)— aporten valor al model és el primer pas: no totes les dades disponibles són igual de rellevants per a respondre una pregunta de negoci concreta.

El procés KDD (Knowledge Discovery in Databases)

El KDD és el procés formal de descobriment de coneixement a partir de dades, formalitzat per Fayyad et al. el 1996, i és el marc de referència per a validar tècniques de Big Data aplicades a la presa de decisions:

flowchart LR
    Dades[(Dades brutes)] --> Seleccio
    Seleccio[Seleccio] --> Neteja
    Neteja[Neteja i transformacio] --> Mineria
    Mineria[Mineria de dades] --> Interpretacio
    Interpretacio[Interpretacio i avaluacio] --> Coneixement[(Coneixement\naccionable)]

Selecció: identificar, d'entre totes les fonts disponibles (estructurades i no estructurades), quines són rellevants per a la pregunta de negoci plantejada.
Neteja i transformació: eliminar duplicats, gestionar valors nuls, normalitzar formats i unitats, i transformar les dades en base als objectius predeterminats (agregacions, derivació de noves variables).
Mineria de dades: aplicar tècniques d'anàlisi (agregacions, classificació, detecció de patrons) sobre el conjunt ja net.
Interpretació i avaluació: valorar si els patrons descoberts són útils, nous i comprensibles per als responsables de negoci, i comprovar la seva influència real en l'èxit de l'empresa.

Miniactivitat — AC5075/05/01

Aplica les quatre fases del KDD a un cas concret: donada una taula de vendes i un conjunt de comentaris de xarxes socials sobre un producte, descriu què faries a cada fase per respondre la pregunta "hem de retirar aquest producte del catàleg?". Justifica per què cal combinar dades estructurades (vendes) i no estructurades (comentaris) per respondre-hi correctament.

Implantació d'un model d'Intel·ligència de Negocis

Validar una tècnica de Big Data aplicada al BI no acaba en el model analític: cal simular-ne la implantació en un context d'empresa real, considerant:

Objectiu de negoci: quina decisió concreta ha de facilitar el model (per exemple, "detectar quins clients tenen risc d'abandonament").
Fonts de dades a conjugar: quins sistemes de l'empresa (CRM, ERP, web analytics, xarxes socials) cal integrar, i en quin format arriben.
Procés KDD aplicat: selecció, neteja/transformació i mineria de les dades combinades.
Presentació dels resultats: un quadre de comandament senzill (KPI, evolució temporal, comparativa) que permeti als responsables de negoci interpretar el resultat sense necessitat de conèixer la tècnica subjacent — per a l'ús a fons d'eines de visualització (Metabase, Power BI) consulta el bloc de Visualització de dades del mòdul 5074 — Sistemes de Big Data.
Validació del model: comprovar que la informació extreta és fiable i que efectivament influeix en l'èxit del negoci, comparant-ne els resultats amb un període de control o amb l'opinió d'experts del domini.

Tècniques de validació de models BI

Un model de BI no es considera vàlid pel simple fet de generar-se: cal validar-lo abans de confiar-hi decisions reals:

Validació amb dades de control: comparar les prediccions o agregacions del model amb un període o subconjunt de dades conegut, per confirmar que els números quadren.
Validació amb experts de domini: presentar els resultats a qui coneix el negoci (un responsable de vendes, de màrqueting) i confirmar que les conclusions tenen sentit pràctic, no només estadístic.
Seguiment post-implantació: mesurar si les decisions preses a partir del model milloren realment els indicadors de negoci (vendes, retenció, marge) en el temps, i no només en el moment de la implantació.

Miniactivitat — AC5075/05/02

Per al cas de l'AC5075/05/01 (retirar o no un producte del catàleg), proposa una tècnica de validació concreta que aplicaries abans de prendre la decisió definitiva, i explica quin risc mitiga aquesta validació.

RA5 | Mòdul 5075 Big Data Aplicat | Institut Sa Palomera (Blanes) | Curs IABD 2026-2027