Estrategias y metodología People Analytics

¿Qué significa BI en el contexto de People Analytics?. Balanced Insights. Big Integration. Base Informativa. Business Intelligence.

¿Cuál es el principal objetivo del Business Intelligence?. Visualizar gráficas. Almacenar datos históricos. Optimizar sistemas operativos. Tomar decisiones basadas en datos.

¿Qué estructura básica define una base de datos relacional?. Gráficas, dashboards y filtros. Listas y secuencias. Imágenes y textos. Tablas, columnas y registros.

¿Qué significa ETL?. Extract, Transform, Load. Execute, Transfer, Log. Evaluate, Transform, Launch. Edit, Transfer, Load.

¿Cuál de estas es una dimensión de la calidad de datos?. Cantidad. Velocidad. Exactitud. Grado de compresión.

¿Qué representa un Datamart?. Una base de datos relacional. Un conjunto especializado de datos de un área. Una copia de seguridad del DWH. Una tabla temporal.

¿Qué tecnologías se usan en Big Data?. Sistemas OLAP. Sistemas distribuidos como Hadoop y Spark. Solo Excel y Access. SGBD relacionales.

¿Qué dimensión NO forma parte de las clásicas 3 Vs del Big Data?. Velocidad. Veracidad. Variedad. Volumen.

Según el RGPD, ¿qué es un dato personal?. Solo el número de empleado. Información sobre una persona identificada o identificable. Solo el nombre. Datos financieros exclusivamente.

¿Qué es una clave primaria (PK)?. Una columna de texto descriptivo. Una relación entre dos tablas. Un identificador único por fila. Un valor repetido en varias filas.

¿Qué modelo permite ver las entidades y sus relaciones de forma general?. Modelo conceptual. Modelo físico. Modelo relacional. Modelo lógico.

¿Qué enfoque parte del detalle y asciende al global en el diseño del DWH?. Inside-out. Top-down. Macro-down. Bottom-up.

¿Qué diferencia hay entre "datos" y "conocimiento"?. Son sinónimos. Los datos son individuales y sin relacionar, mientras que el conocimiento se extrae de datos relacionados. El conocimiento es una forma de dato. Los datos siempre tienen valor intrínseco.

Un dato aislado, puede llevar a... Conocimiento inmediato. Conclusiones correctas. Conclusiones equivocadas o no tener ningún valor. Decisiones automatizadas.

Los Decision Support Systems (DSS) se consideran precursores de: Las bases de datos relacionales. El Business Intelligence. Las redes sociales. Los sistemas operativos.

Según la definición de Business Intelligence, ¿qué permite transformar?. Solo datos en información. Datos almacenados en información, y esta información en conocimiento, orientado a la toma de decisiones basada en datos reales y objetivos. Conocimiento en datos. Información en datos sin valor.

Una diferencia clave entre un DSS y un BI es que el DSS es __________ y el BI es __________. Generalista / Específico. Específico / Generalista. Histórico / On-line. Software comercial / Software a medida.

Las bases de datos relacionales, formuladas por Edgar Frank Codd en los años 70, están formadas por: Solo tablas y columnas. Tablas, Columnas, Registros, Relaciones y Restricciones. Documentos y grafos. Únicamente relaciones sin restricciones.

La restricción más importante e imprescindible en toda tabla de un DWH es: La relación entre dos tablas. La columna de texto. La Primary Key (PK). El registro.

¿Cuál de los siguientes es un caso de uso habitual de una solución BI?. Desarrollo de videojuegos. Almacén de información para analistas y científicos de datos, y base para analistas de RRHH (People Analytics). Diseño de páginas web. Gestión de redes sociales.

El alma o núcleo de todo proyecto Business Intelligence es: El reporting corporativo. El Datawarehouse (DWH). El Datamart. El proceso ETL.

Las tablas que componen un DWH pueden dividirse en dos categorías principales: Textos y números. Fuentes y destinos. Hechos y Dimensiones. Archivos y carpetas.

Un "Hecho" en un DWH es: Una entidad o eje de análisis. Una magnitud, una medida, un número, "algo que ocurre". Una variable por la que segmentamos la información. Una unidad de tiempo.

Una "Dimensión" en un DWH es: Una magnitud o medida. Una entidad, un eje de análisis, una variable por la que segmentamos la información. Algo que se suma o se cuenta. El elemento central del Datawarehouse.

Un "Modelo en Estrella" se caracteriza por: Las dimensiones se dividen en varias tablas. Cada tabla de hechos está rodeada de dimensiones completas. Utilizar solo datos no estructurados. No tener relaciones entre tablas.

El departamento de RRHH, al desempeñar funciones críticas, a menudo se transforma en un ecosistema de plataformas no siempre bien integradas, lo que implica que: Los datos están muy centralizados. Los datos están muy dispersos, creando un contexto ideal para un proyecto de Business Intelligence. Los datos son siempre homogéneos. La información no necesita tratamiento.

¿Qué característica deben cumplir los datos en un Datawarehouse para facilitar los análisis?. Ser heterogéneos. No tener profundidad histórica. Estar normalizados (homogéneos) y tener profundidad histórica. Ser datos sin tratar.

Por norma, cuanto más "cercano" a la empresa es un dato, más fiable es. ¿Cuál es el tipo de dato más fiable?. Obtenido. Preguntado. Comprado. Generado por la empresa.

Los procesos ETL (Extract, Transform & Load) son responsables de: Aislar a los consumidores del DWH. Recoger, tratar y cargar información en el DWH. Encapsular lógica de negocio una vez. Todas las anteriores.

¿Qué actividad NO forma parte de los procesos ETL?. Formateo de campos de texto. Homogeneización de importes. Generación de informes de reporting. Unión de datos de diferentes orígenes.

¿Cuál de los siguientes no es una magnitud principal de la calidad de datos?. Exactitud. Subjetividad. Completitud. Actualidad.

La frase "Garbage in, Garbage Out" en el contexto de la calidad de datos significa que: Los procesos ETL pueden corregir todos los problemas de calidad. Si los datos de entrada son de mala calidad, los resultados de salida también lo serán. La calidad de datos es un proceso estático. Los errores son siempre corregibles.

Un Datamart se describe como: Una base de datos analítica general para toda la compañía. Un pequeño DWH específico para un área de negocio, que contiene información y cálculos específicos. Una base de datos no relacional. Un repositorio de datos sin tratar.

La principal ventaja de los Datamarts es que: Son globales y tienen modelos extensos. Pueden dotar a las áreas de negocio de un subconjunto de datos adaptado 100% a sus necesidades. Contienen datos homogéneos. Son obligatorios en toda solución BI.

El fin fundamental del DWH es ser la base para: Almacenar datos sin analizarlos. Construir informes, modelos analíticos, etc. Procesar información manualmente. Reducir la variedad de datos.

Los informes de Reporting pueden clasificarse según su complejidad. ¿Cuál es el tipo que permite navegar a través de la información en base a niveles de agregación?. Predefinido. Drill-down. Dashboard. Pixel perfect.

Un "Dashboard (cuadro de mando)" se caracteriza por: Mostrar información simple para operativa diaria. Ser un informe con formato muy estricto diseñado para ser impreso. Mostrar información de varias áreas de negocio, ser interactivo y cuidar mucho el formato. No permitir la interactividad.

Las herramientas de Visual Data Discovery (como Tableau, Qlik, PowerBI) están orientadas a: La creación de muchos informes con baja interactividad. El diseño de informes vistosos e interactivos que permitan a los analistas "investigar". La generación de salidas en formatos txt, csv, xml. La visualización de informes en dispositivos móviles.

El Balanced Scorecard (BSC) es un tipo de cuadro de mando que permite analizar la empresa desde cuatro perspectivas. ¿Cuál de las siguientes no es una de ellas?. Financiera. Cliente. Tecnológica. Organización.

Las herramientas de BI han evolucionado para proporcionar sistemas de "autoconsumo" donde los usuarios puedan: Programar en lenguajes como Python. Crear sus propios informes sin necesidad de conocimientos técnicos o de lenguajes como Python, Spark, R, SQL o SAS. Solo consumir informes fijos predefinidos. Realizar análisis muy complejos sin interactividad.

¿Cuál es la principal diferencia entre Business Intelligence y Business Analytics?. BI responde al "qué ha pasado", mientras BA responde al "por qué ha pasado" y "qué pasará". BI utiliza análisis estadísticos, mientras BA no. BA se centra en hechos, mientras BI en modelos predictivos. BI requiere conocimientos tecnológicos, mientras BA no.

Business Analytics, en comparación con Business Intelligence, implica: Conocimientos de negocio únicamente. Análisis estadístico, minería de datos, modelos predictivos y simulaciones, requiriendo conocimientos matemáticos, estadísticos y tecnológicos. Menor necesidad de "machacar" los datos. Un menor grado de madurez analítica.

En la madurez analítica, la fase de "Prescribir" busca responder a la pregunta: ¿Qué ha pasado?. ¿Por qué ha pasado?. ¿Qué pasará mañana?. ¿Qué deberíamos hacer?.

¿Qué se necesita para aumentar el grado de madurez analítica de una organización?. Resistencia al cambio. Perfiles especializados, inversión en tecnología y formación. Limitación de la democratización de datos. Menor agilidad en la toma de decisiones.

¿Cuál de los siguientes es un problema que las tecnologías tradicionales de BI tenían límites para manejar?. Volumen, variedad y velocidad de los datos. El uso de tablas relacionales. La homogeneización de datos. La generación de informes predefinidos.

La definición de Big Data es: Un conjunto de tecnologías y disciplinas para el almacenamiento, procesamiento y análisis de datos masivos. Un tipo de base de datos relacional. Un sistema de Business Intelligence. Un lenguaje de programación.

Para la "Velocidad" en Big Data, se han diseñado tecnologías capaces de tratar y analizar información: Solo histórica. En tiempo real, desde orígenes desestructurados y masivos. Únicamente datos manuales. Sin mezclarla con información histórica.

¿Qué tipo de bases de datos son capaces de tratar datos no tabulares, como documentos completos, para la "Variedad" en Big Data?. BBDD relacionales. BBDD NoSQL. DWH corporativos. Datamarts.

Un Data Lake es un almacén de datos donde se guarda: Solo información estructurada y homogeneizada. Todo tipo de información sin tratar. Información certificada para consulta fácil. Únicamente datos relacionales.

El Data Lake se convierte en el corazón de los procesos People Analytics porque: Solo almacena datos relacionales. Permite guardar todo tipo de información sin tratar, y en RRHH se maneja información muy variada. Es una base de datos analítica general. Facilita la consulta de información preparada.

Una de las responsabilidades y actividades relacionadas con el "Gobierno del Dato" es: Reducir los costes de almacenamiento. Asegurar la conformidad de las actividades con distintas leyes como RGPD (Cumplimiento Normativo). Promover accesos no autorizados. Generar informes de reporting.

¿Qué es un "dato personal" según el RGPD?. Cualquier información sobre una persona física no identificable. Toda información sobre una persona física identificada o identificable. Solo un nombre o un número de identificación. Datos que no pueden ser localizados.

¿Qué se entiende por "tratamiento" de datos personales según el RGPD?. Solo la supresión de datos. Cualquier operación o conjunto de operaciones realizadas sobre datos personales (recogida, registro, organización, etc.). Exclusivamente la comunicación por transmisión. Únicamente la conservación de datos.

La "Primary Key (PK)" es el conjunto de columnas que proporciona: Un "nombre" repetible a cada registro. Un "nombre único" a cada registro, y la combinación de valores no puede ser nula ni repetirse. Valores nulos. Relaciones entre tablas sin unicidad.

En el diseño de un DWH, el enfoque "Top-down" implica: Partir del detalle (indicadores concretos) y ascender al nivel general. Ir de una visión general (todo el DWH) a una visión más de detalle (indicadores concretos por área). La perspectiva de los analistas de datos. No tener en cuenta las visiones.