Instituto Tecnolgico Superior de Lerdo

La Excelencia Acadmica al Servicio de Nuestra Sociedad

Ejemplos

DATA MINING

Materia: Tpicos Avanzados de Base de Datos. Catedrtico: Ing. Ricardo de Jess Bustamante Gonzlez Alumna: 06230245 Laura Lizeth Mendoza Hernndez Carrera: Lic. En Informtica Especialidad: Redes

Cd. Lerdo, Dgo., a 20 de Mayo de 2010.

DATA MINING
Ejemplo 1. Data Mining y Wal-Mart. Un ejemplo clsico, citado a menudo en artculos sobre la minera de datos, de Wal-Mart, un usuario pionero de la minera de datos en su cadena de supermercados en los EE.UU., al considerar que exista un nmero significativo de hombres que vienen a sus tiendas por la tarde y comprar slo un paquete de paales y un paquete de cerveza. Una vez identificados, como un patrn interesante es entonces un acicate para una mayor investigacin para determinar por qu ocurre, y si es algo que podra ser explotada. Dejamos a su imaginacin lo que razones de Wal-Mart encontr que caus el patrn en este ejemplo y cmo lo explotan! Sin embargo, es un tema comn que los patrones descubiertos en los datos provocan ms preguntas. Muchas veces no se los patrones que son ms tiles, pero las explicaciones resultantes de por qu se producen los patrones. Bibliografa. http://www.cs.ucl.ac.uk/staff/a.hunter/tradepress/dm.html

Ejemplo 2. Data Mining y el fraude de las tarjetas de crdito. El uso fraudulento de tarjetas de crdito supone un coste de miles de millones de dlares anuales para el sistema bancario y la economa mundial. Pese a las numerosas medidas ensayadas para combatirlo, la cantidad y sofisticacin de este tipo de delitos aumenta cada ao, superndose sistemticamente las medidas anti-fraude. Generalmente, los bancos emisores disponen de sistemas que realizan algn tipo de comprobacin de las transacciones, utilizando sencillas reglas sientonces. El problema de estos sistemas es que, aunque intuitivamente se sepa que ciertas reglas detectan el uso irregular de una tarjeta, normalmente resulta imposible expresarlas con validez emprica. En consecuencia, el banco a menudo se enfrenta al dilema de identificar errneamente una tarjeta como fraudulenta cuando en realidad no es el caso, lo que implica el riesgo potencial de deteriorar la relacin con el cliente. El sistema desarrollado en este proyecto se basa en la hiptesis de que un usuario no autorizado utiliza una tarjeta de forma cualitativa y cuantitativamente diferente de como la ha utilizado anteriormente el usuario legtimo. Factores como la frecuencia de empleo de la tarjeta, el tipo y situacin de los comercios en que suele utilizarse, hasta qu punto el usuario respeta su lmite de crdito... forman

en conjunto una huella que puede identificar de forma unvoca al usuario legtimo. Una ruptura de estos patrones puede utilizarse como indicador para detectar si otra persona est utilizando la tarjeta de forma fraudulenta. Es vital que los sistemas bancarios sean capaces de reconocer dichas violaciones de los esquemas tpicos lo ms pronto posible. Esencialmente, el infractor es un usuario de los servicios del banco, si bien un usuario indeseable. Aplicando tcnicas de minera de datos, puede diferenciarse claramente su comportamiento del de los clientes normales. En este proyecto, el anlisis mediante mtodos de clustering borroso de una serie de datos sobre el titular de la tarjeta, el comercio y la transaccin ha permitido: Definir las caractersticas que, combinadas, caracterizan los diversos tipos de fraude. Diferenciar el uso fraudulento del normal.

Como conclusin de los resultados obtenidos, se proponen una serie de recomendaciones y pautas de supervisin del uso de las tarjetas en tiempo real, entre ellas el anlisis de comercios (para detectar aqullos sospechosos de colaborar con los autores del fraude); la necesidad de consolidar la informacin sobre transacciones fraudulentas, lo que proporcionara una visin ms exacta del problema; y el anlisis de vulnerabilidad, que permitira revisar ms exhaustivamente las transacciones cuando el riesgo es mximo puesto que est demostrado que las tarjetas son particularmente vulnerables en ciertas condiciones. Bibliografa. http://www.daedalus.es/fileadmin/daedalus/doc/MineriaDeDatos/DAEDALUSMD16-Tarjetas_Credito.pdf

Ejemplo 3. Data Mining y los prstamos. Un ejemplo popular de minera de datos est utilizando el comportamiento pasado para clasificar a los clientes. Estas tcticas han sido empleadas por las compaas financieras durante aos como un medio para decidir si aprueba o no los prstamos y tarjetas de crdito. Si bien este ejemplo puede venir del sector financiero, las empresas en todas las industrias se pueden utilizar mtodos similares para identificar a sus clientes ms valiosos. Bibliografa. http://www.the-modeling-agency.com/data-mining-examples.html

Ejemplo 4. Control de Procesos en Hewlett Packard. KnowledgeSEEKER es utilizado extensamente por Hewlett Packard en sus plantas de manufactura de Estados Unidos como una herramienta de control de procesos, tanto para analizar los factores que impactan la calidad del producto, as como para generar normas para los sistemas de control de produccin. Un ejemplo de KnowledgeSEEKER en accin era la solucin de problemas problemas de garanta de calidad en el proceso de produccin para el escner a color HP IIc. De acuerdo con Quality Assurance Manager Rick Cole, "KnowledgeSEEKER identificar rpidamente los factores crticos, varios de los cuales haban sido completamente insospechadas". Esta informacin permiti a los ingenieros para corregir rpidamente el problema. En otro caso derivado KnowledgeSEEKER las normas necesarias para identificar las situaciones en que un proceso de fabricacin estaba a punto de salirse de control. Esto permiti que las acciones a tomar intervencin que impidi que los problemas derivados de la cada vez. Bibliografa. http://www.data-mining-software.com/data_mining_examples.htm

Ejemplo 5. Investigacin en la Universidad de Rochester Centro del Cncer El equipo de investigacin del cncer en la mundialmente conocida Universidad de Rochester Cancer Center en Rochester, Nueva York utiliza KnowledgeSEEKER ampliamente. En un estudio reciente sobre el efecto de la ansiedad sobre las nuseas relacionadas con la quimioterapia, KnowledgeSEEKER desempeado un papel fundamental. Los sujetos fueron divididos en cuatro grupos, cada uno da una cantidad variable de un frmaco para reducir la ansiedad y los niveles resultantes de la nusea registrado. Cuando KnowledgeSEEKER se aplic a los datos, sin embargo, qued claro que las diferencias no existen entre los grupos predefinidos, pero entre los subgrupos cuyos niveles de ansiedad personales variadas. Esta informacin indicaron que el equipo que los medicamentos de intervencin que se haban utilizado demasiado dbil y por lo tanto no puede ser recomendado como un tratamiento general para todos los pacientes con cncer. Los mdicos tambin dieron cuenta que necesitaban para desarrollar una forma alternativa de intervencin e identificar subgrupos en los que el tratamiento sera ms eficaz.

Bibliografa. http://www.data-mining-software.com/data_mining_examples.htm