Please enable JavaScript.

Coggle requires JavaScript to display documents.

Aplicación de la Minería de Datos en las empresas - Coggle Diagram

- - - - Filtrar todo el ruido caótico y repetitivo en sus datos. Entender qué es relevante y luego hacer un buen uso de esa información para evaluar resultados probables. Acelerar el ritmo de la toma de decisiones informadas.
    - - Descubra información que no se esperaba obtener. Como muchos modelos diferentes son usados, algunos resultados inesperados tienden a aparecer. Las combinaciones de distintas técnicas otorgan efectos inesperados que se transforma en un valor añadido a la empresa.
      - Enormes bases de datos pueden ser analizadas mediante la tecnología de data mining.
      - Los resultados son fáciles de entender: personas sin un conocimiento previo en ingeniería informática pueden interpretar los resultados con sus propias ideas.
      - Contribuye a la toma de decisiones tácticas y estratégicas para detectar la información clave.
      - Permite encontrar, atraer y retener a los clientes. Reduce el riesgo de perder clientes: ofrecer promociones especificas o productos especiales para retenerlos.
      - Desventajas
        
        a) Dependiendo del tipo de datos que se quieran recopilar, puede llevar mucho trabajo
        
        b) La inversión inicial para obtener las tecnologías necesarias para la recopilación de datos puede tener un coste elevado.
    - - 1. Análisis de datos financieros: se emplea tanto en el sector bancario como en el de las finanzas. Se busca proveer datos que aseguren que es posible practicar análisis sistemáticos en condiciones avanzadas y con garantías de fiabilidad. Algunos ejemplos son:
        
        Diseño y construcción de almacenes de datos para el análisis multidimensional de datos.
        
        Predicción de pago de préstamos y análisis de políticas de crédito de cliente.
        
        Clasificación y el agrupamiento de los clientes para la creación de ofertas personalizadas.
        
        Detección de blanqueamiento de dinero y otros delitos financieros.
      - 2. Industria minorista: el sector minorista recoge grandes cantidades de datos provenientes de las ventas, el historial de compra de los clientes o el transporte de mercancías. La cantidad de datos recogidos continúa expandiéndose rápidamente debido al aumento de la facilidad, disponibilidad y popularidad de la web y las transacciones online
        
        El análisis multidimensional de las ventas, los clientes, los productos, el tiempo y la región.
        
        Los análisis de la eficacia de las campañas de ventas.
        
        La recomendación personalizada de productos.
        
        Las referencias cruzadas de artículos.
      - 3. Industria de las telecomunicaciones: en este sector, los datos son especialmente importantes para alcanzar una buena comprensión del negocio. La minería de datos y aplicaciones específicamente diseñadas para este área, ayudan en la identificación de los patrones de telecomunicaciones, facilitan la detección de actividades fraudulentas y posibilitan el hacer un mejor uso de los recursos, mejorando la calidad del servicio.
        
        Análisis multidimensional de datos de telecomunicaciones.
        
        Análisis de patrones fraudulentos.
        
        Identificación de patrones inusuales, hábitos y tendencias.
        
        Asociación multidimensional y análisis de patrones secuenciales.
      - 4. Análisis de datos biológicos: el campo de la biología es uno de los más beneficiados por los avances de la tecnología. La genómica, la proteómica, la genómica funcional y la minería de datos aplicada a la investigación de los seres vivos son sólo algunos ejemplos, una lista donde no hay que olvidarse de la bioinformática.
        
        Integración semántica de las bases de datos genómicos y proteómicos heterogéneos distribuidos.
        
        Alineamiento, indexación, búsqueda de similitudes y análisis comparativo de múltiples secuencias de nucleótidos.
        
        Descubrimiento de patrones y análisis de redes genéticas.
        
        Identificación de patrones de proteínas estructurales.
  - - - Árboles de decisión
      - Los árboles de decisión son diagramas lógicos que plantean, ante una determinada situación, cuáles son las opciones de intervención posibles, agregando sus implicaciones, costes, ventajas y desventajas. Se basan en la aplicación de un algoritmo clasificatorio que, a partir de un nodo, desarrolla ramas (decisiones) y determina el potencial resultado de cada una de ellas.
      - Redes neuronales
      - Las redes neuronales son modelos que, a través del aprendizaje automático, intentan llenar los vacíos de interpretación en un sistema. Para ello imitan, en cierto modo, las conexiones entre neuronas que se producen en el sistema nervioso de los seres vivos. Las redes neuronales se engloban dentro de las técnicas predictivas de minería de datos y, como todo modelo de machine learning, es preciso entrenarlas con distintos data sets con los que ir matizando los pesos de las neuronas para asegurar la fiabilidad de sus respuestas. Existen diferentes tipos de redes neuronales para data mining, como el perceptrón simple y el multicapa o los mapas de Kohonen.
      - Clustering
      - El clustering o agrupamiento en minería de datos tiene como objetivo la segmentación de elementos que presentan alguna característica definitoria en común. En este caso, el algoritmo atiende a condiciones de cercanía o similitud para hacer su trabajo. Esta técnica de data mining está muy extendida en el mundo del marketing para el envío de correos y promociones personalizadas a los usuarios que integran una base de datos.
      - Extracción de reglas de asociación
      - La extracción de reglas de asociación como técnica de minería de datos persigue la inferencia de silogismos del tipo si…/entonces… a partir de conjuntos de registros. Esta búsqueda de regularidades nos permite discriminar y conocer mejor a una muestra, y establecer qué atributo o combinación de atributos es probable que traiga consigo una determinada consecuencia.
      - Redes bayesianas
      - Las redes bayesianas son representaciones gráficas de relaciones de dependencia probabilística entre distintas variables. Sirven para dar solución tanto a problemas descriptivos como predictivos. Entre sus aplicaciones se incluyen el diagnóstico médico o el cálculo del riesgo en el sector financiero y asegurador.
      - Regresión
      - La regresión como técnica de minería de datos toma como punto de partida una serie histórica para, a partir de ella, predecir qué sucederá a continuación. De manera resumida, podemos decir que, a través de este método, se localizan regularidades dentro de los datos que permiten trazar una línea de evolución extrapolable al futuro.
      - Modelado estadístico
      - El modelado estadístico pretende dibujar el mapa de relaciones entre variables explicativas y dependientes, y mostrar cómo cambia a medida que lo hacen los parámetros considerados en su planteamiento. Lo hace estableciendo una ecuación matemática que intenta reproducir la realidad de la manera más fiel posible, incorporando, incluso, la influencia del azar y el posible margen de error en el cálculo.