Please enable JavaScript.

Coggle requires JavaScript to display documents.

¿Qué es? Business-Analytics-Challenges-Faced-by-Small-Businesses, knime…

- - - - Analytics Maturity Quotient (AMQ)
        
        AMQ = Data Quality x [ 0.4 x (Data-driven Leadership) + 0.3 x (People with analytics skills) + 0.2 x (Data-driven Decision making process + 0.1 x (Agile Infrastructure to Instrument)
      - CRISP DM
        
        Entender negocio :left_right_arrow: Entender los datos :arrow_right: Preparar los datos :left_right_arrow: Modelar
        
        Evaluar :arrow_right: Deployment
        
        Regresa a entender el negocio
        
        Fase: Entender los datos
        
        Describir datos
        
        Cantidad de datos
        
        Tipos de atributos
        
        Atributos cualitativos
        
        2 more items...
        
        Atributos cuantitativos
        
        2 more items...
        
        Esquemas de codificación
        
        Explorar datos
        
        Recolectar los datos iniciales
        
        Verificar la calidad de los datos
- - - - Cualitativa
      - Cuantitativa
    - - Máquinas de soporte vectorial
      - Redes neuronales :warning:
      - Regresión Lineal
      - Regresión logística
      - KNN :check:
        
        Frágil con datos desbalanceados, requieren mucha memoria :red_cross:
        
        Soporta variable objetivo discreta y continua, fácil de implementar, soporta diferentes particiones :check:
      - Árboles de decisión y regresión :check:
        
        Algoritmos: ID3 y C4.5, CHAID, CART
        
        Tolerante al ruido, su representación es orientada al conocimiento, escalan bien en datos grandes, no exige mucha preparación de datos. :check:
        
        Aspecto negativo: tiende al sobreajuste, particiones paralelas a los ejes, no maneja bien los datos continuos :red_cross:
      - Bosques aleatorios
      - Naive Bayes
      - Ensambles :check:
        
        Boosting y Ada Boost
        
        Random Forest y Extra Trees
        
        Bagging
        
        Stacking
        
        Ventajas: combinar clasificadores reduce el riesgo de seleccionar un clasificador poco eficiente, es posible abarcar diferentes particiones de los datos por clasificadores diferentes cuando el conjunto de entrenamiento es grande :check:
        
        Desventajas: son difíciles de interpretar, no son útiles cuando los clasificadores resultantes son muy similares :red_cross:
  - - - Variables de entrada
    - - Detección de anomalías
      - Patrones secuenciales
      - Reglas de asociación :check:
        
        Identifica patrones, aplicado en marketing, análisis de diagnósticos, análisis de comunidades
        Algoritmo apriori el más usado para encontrar reglas de asociación (antecedentes, consecuentes, nivel de confianza, soporte y mejora)
      - Redes neuronales :warning:puede ser usada para las técnicas descriptivas, por ejemplo tipo SOM.
      - Clustering :check:
        
        Ventajas: facilitan el entendimiento de los datos, es ideal como primera actividad de un proceso de analítica, existen gran cantidad de algoritmos que la implementan, aplicable a cualquier tipo de atributo. :check:
        
        Desventajas: hay que realizar un proceso previo de preparación para evitar viciar el ejercicio de clustering. La definición del número de clusters ideal siempre es difusa :red_cross:
- - - - Datos inconsistentes
      - Datos atípicos
      - Datos perdidos
      - Datos redundantes
    - - Atributos con valores diferentes
      - Atributos sinónimos de variable objetivo o no observables
      - Atributos con valores únicos