Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ASIGNATURA:
AUTORAS:
ASESOR:
SATIPO – PERU
2018
i
INTRODUCCIÓN
Hay tantos datos y una gran cantidad de decisiones que tomar. Las organizaciones de todo el mundo se
están enfrentando a este dilema. Los datos están creciendo, pero ¿y su capacidad para tomar decisiones
de acuerdo con esos enormes volúmenes de datos? ¿También están creciendo?
La analítica predictiva ayuda a evaluar lo que sucederá en el futuro. La minería de datos (Data Mining)
busca los patrones ocultos en los datos que pueden utilizarse para predecir el comportamiento futuro. Las
empresas, los científicos y los gobiernos han utilizado este enfoque por años para transformar los datos
en conocimientos proactivos.
Según Frawley, W (1992) se estima que cada 20 meses se duplica la información en todo el mundo. La
sociedad de la información destina gran cantidad de recursos en adquirir, almacenar y procesar enormes
cantidades de información de muy diversa índole (financiera, comercial, industrial, científica, publicitaria,
etc.) y todo ello a un ritmo que se acelera diariamente debido al constante desarrollo tecnológico donde,
internet, base de datos dinámica y creciente llamada a ser la principal fuente de extracción de información,
es sólo el pico visible del iceberg. Hoy en día las grandes organizaciones se administran con el apoyo de
sistemas de gestión que manejan terabytes de información, una información que oculta conocimiento en
forma de reglas, asociaciones, excepciones o patrones, todos ellos de gran valor en la toma de decisiones
de negocio. Frente a las respuestas proporcionadas por los tradicionales sistemas de gestión de bases de
datos.
2
FUNDAMENTO
Definición:
Data Mining o también conocida como (minería de datos).
- Urdaneta, Elymir. (1997) sostiene que: Es el conjunto de técnicas y tecnologías que permiten
explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de
encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos
en un determinado contexto.
- Valcárcel Asencios, Violeta. (2004), menciona que :Es una gran cantidad de información que
generan las empresas en su actividad diaria y la necesidad que tienen de sacarle el mayor partido,
cuyas técnicas de Data Mining se han convertido en herramientas fundamentales para encarar la
toma de decisiones empresariales.
Comentario
Si bien es cierto estas tecnologías nos permiten, la predicción automatizada de tendencias y
comportamientos, automatiza el proceso de encontrar información predecible en grandes bases de
datos, ya que antes requerían un intenso análisis manual, ahora pueden ser contestadas directa y
rápidamente desde los datos.
- Las herramientas de Data Mining barren las bases de datos e identifican modelos desconocidos.
Algunos de los modelos que se pueden querer detectar son por ejemplo transacciones fraudulentas
de tarjetas de créditos e identificar datos anormales que pueden representar errores de tipeado en
la carga de datos.( Sofía J. Vallejos. Minería de Datos. 2006)
- Las técnicas de Data Mining pueden redituar los beneficios de automatización en las plataformas
de hardware y software existentes y puede ser implementada en sistemas nuevos a medida que las
plataformas existentes se actualicen y nuevos productos sean desarrollados. (2005) Wikipedia
3
Comentario
Somos consiente que hoy en en día las herramientas de Data Mining son implementadas en sistemas
de procesamiento paralelo de alto performance, pueden analizar bases de datos masivas en minutos,
tienden a tener un procesamiento más rápido lo que significa que los usuarios pueden
automáticamente experimentar con más modelos para entender datos complejos, lo que su
alta velocidad hace que sea práctico para los usuarios analizar inmensas cantidades de datos. Grandes
bases de datos, a su vez, producen mejores predicciones.
Importancia
Muchos que desconocemos sobre esta nueva herramienta nos sabemos cómo realmente Trabaja el
Data Mining, para ello mediante este informe doy a conocer los alcances:
La técnica usada para realizar estas hazañas en Data Mining se llama Modelado. Modelado es
simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la
aplica en otra situación de la cual desconoce la respuesta.
Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una
respuesta es conocida y luego el software de Data Mining en la computadora debe correr a través de los
datos y distinguir las características de los datos que llevarán al modelo. Hansen. Customer(2007) Una
vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la
respuesta.
Ahora nosotros como futuros administradores¿ Por qué de debemos usar Data Mining?
Sin duda alguna que el uso de Data Mining:
- Contribuye a la toma de decisiones tácticas y estratégicas proporcionando un sentido automatizado
para identificar información clave desde volúmenes de datos generados por procesos tradicionales
y de Business.
- Permite a los usuarios dar prioridad a decisiones y acciones mostrando factores que tienen un
mayor en un objetivo, qué segmentos de clientes son desechables y qué unidades de negocio son
sobrepasados y por qué.
- Proporciona poderes de decisión a los usuarios del negocio que mejor entienden el problema y el
entorno y es capaz de medir la acciones y los resultados de la mejor forma.
Sin duda alguna que el uso de Data Mining, según Urdaneta, Elymir. (1997):
4
- Contribuye a la toma de decisiones tácticas y estratégicas
- Permite a los usuarios dar prioridad a decisiones y acciones, por ejemplo, qué segmentos
de clientes son desechables en una empresa.
- Proporciona poderes de decisión a los usuarios del negocio que mejor entienden el problema y
el entorno y es capaz de medir las acciones y los resultados de la mejor forma.
- Genera Modelos descriptivos: En un contexto de objetivos definidos en los negocios permite
a empresas, sin tener en cuenta la industria o el tamaño.
- Genera Modelos predictivos: permite que relaciones no descubiertas e identificadas a través
del proceso del Data Mining sean expresadas como reglas de negocio o modelos predictivos.
Comentario
Por ejemplo en el caso de la empresa ELECTROCENTRO S.A de Satipo, al hacer uso de esta
herramienta Data Mining ,le va permitir explorar automáticamente, visualizar y comprender los datos
e identificar patrones, relaciones y dependencias que impactan en los resultados finales de la cuenta
de resultados (tales como el aumento de los ingresos, incremento de los beneficios, contención de costes
y gestión de riesgos ,sin tener en cuenta la industria o el tamaño de la empresa) , teniendo todos estos
datos se podrá tomar una decisión de forma racional.
Otro claro ejemplo de aplicación de esta técnica, Data Mining en el CRM – Tarjetas de crédito
En el entorno "CRM" se puede evaluar y desarrollar un conjunto de reglas de negocio sobre todos los
aspectos de las interacciones de los clientes. Un ejemplo sencillo sería modelar la probabilidad de
respuesta ante una solicitud específica de un nuevo producto o servicio. Basándose en estas reglas las
campañas de marketing de una empresa pueden tener como objetivo la máxima respuesta para generar un
nivel deseado de respuesta, ingresos o beneficios. Molina Félix, Luis Carlos. (2002). Lo que le permitirá:
Crear modelos de clientes potenciales (para objetivos de marketing y otras iniciáticas CRM).
Analizar la pérdida de clientes (para atención al cliente y reclamaciones).
Monitorizar los riesgos de pérdida (para scoring de clientes y aprobación de créditos).
Investigación del fraude (para reducir pérdidas a través de la investigación del fraude).
Sin embargo, como se dijo anteriormente el alcance de la tecnología del Data Mining llega mucho más
allá del "CRM" e incluye cualquier proceso que lleva la adquisición, interpretación y actualización en los
datos (bien de origen interno o externo).
5
Caso Práctico en una empresa de Telecomunicaciones “BITEL”
OBJETIVOS
Como en cualquier otra industria, el objetivo principal de las compañías del sector de las
telecomunicaciones es la mejora de sus resultados empresariales.
Sin embargo, esta mejora no tiene por qué significar un aumento de clientes o de tarifas, sino que
hay que entender cada negocio como un gran sistema donde múltiples factores interactúan. Así,
cambios que impliquen un mejor trato hacia los clientes o un aprovechamiento más eficiente de
los recursos pueden resultar muy provechosos pese a no ser evidente la forma de conseguirlo.
Ante un entorno tan complejo y con una información disponible de tal magnitud, la minería de
datos constituye una herramienta indispensable para conseguir un conocimiento más profundo del
sistema y descubrir esas claves ocultas que pueden marcar la diferencia.
Podemos dividir el uso de la minería de datos en las empresas de telecomunicaciones en tres
ámbitos fundamentales: marketing, detección de fraudes y control de calidad.
6
2. MARKETING Y PERFIL DEL CLIENTE.
Gracias a los registros de llamadas, las compañías poseen mucha información de sus clientes. En
ellos se encuentran numerosos datos que describen su comportamiento (duración de las llamadas,
destino de las mismas, momento en el que las realiza) y pueden ser de gran utilidad para la
empresa.
Este conocimiento se puede aplicar para numerosas finalidades. Entre ellas está la correcta
planificación de las campañas de márketing emprendidas por la compañía. Hoy en día, éstas se
realizan de una forma muy personalizada dirigidas hacia un sector concreto del mercado. Si
conseguimos segmentar a nuestra clientela en grupos con características similares, será mucho
más sencillo emprender una campaña de promoción al conocer cómo es éste segmento y qué es lo
que busca.
Del mismo modo, el conocimiento exhaustivo de la clientela ayuda a detectar nuevas oportunidades
de negocio, al conocer mejor los hábitos e intereses de los consumidores.
Otra de las utilidades de este profundo estudio de la clientela es su fidelización. Las empresas del
sector están especialmente sensibilizadas con la pérdida de clientes que escogen una compañía de
la competencia, puesto que es un proceso fácil y está demostrado que el coste de conseguir un
cliente nuevo es sustancialmente más costoso que mantener al antiguo.
Ante esto, la minería de datos puede predecir qué clientes son más susceptibles de irse a la
competencia basándose en las bases de datos anteriores. De esta forma, la compañía podrá
anticiparse y ofrecer a estos clientes descontentos alguna opción para mejorar su satisfacción. La
predicción supone sin duda una de las armas más importantes de la minería de datos, puesto que da
a las empresas una ventaja competitiva sobre sus rivales.
7
2.1 DETECCIÓN DE FRAUDES
Por un lado tenemos el fraude suscriptivo, donde el cliente contrata el uso de una
línea pero no paga sus facturas al día. Su detección es bastante simple consultando
la base de datos de los clientes. Sin embargo, el adecuado uso de la minería de datos
puede elaborar modelos que predigan qué clientes son más susceptibles de dejar de
pagar sus facturas.
Por otro lado, tenemos el fraude superimpuesto, donde una persona no registrada
accede a la línea de un cliente para hacer un uso fraudulento de ella. Su detección
es bastante más complicada, pero posible utilizando la minería de datos para
analizar cambios en los comportamientos de los clientes. El tiempo que tardemos
en detectarlo será un aspecto clave muy a considerar a la hora de implantar nuestro
sistema.
Utilizando los datos recopilados, también se podrían realizar modelos que predigan
la aparición de estos problemas, para que la respuesta sea más eficiente y rápida.
3. APLICACIÓN
Una vez comentados los diferentes ámbitos en los que la minería de datos resulta
8
de gran utilidad para las empresas de telecomunicaciones, el paso siguiente será
estudiar cómo se llevan a cabo esas aplicaciones.
Una vez conocida la base teórica, analizaremos tres casos prácticos donde la
aplicación de herramientas de minería de datos significó una notable ventaja
competitiva para las compañías.
9
3.1.1 Planteamiento inicial
Esto es debido a que las alarmas pueden ser remotas implicaciones de fallos y que
a menudo sólo se pueden analizar en el contexto de otras alarmas y otro
conocimiento. Además, el hecho del continuo crecimiento y evolución de las redes
y las alarmas dificulta aún más las cosas.
Para tratar de mitigar este problema se creó TASA, un sistema que descubre
regularidades en las alarmas y que puede localizar episodios frecuentes de alarmas
presentándolos como normas.
3.1.2 Desarrollo
10
atributos de alarmas para localizar episodios de alarma frecuentes.
- Por tanto, se puede decir que durante esta fase TASA busca automáticamente
reglas de episodio y reglas de asociación,
- Estos conocimientos son fáciles de entender por lo que permite hacerse a una
idea de las alarmas y pueden usarse en aplicaciones de vigilancia de redes.
11
Figura 11 : Herramientas de exploración
3.1.3 RESULTADOS
Como hemos podido observar, TASA resulta una herramienta muy útil para
comprender el funcionamiento de la red o indicar configuraciones erróneas.
4. CONCLUSIÓN
A lo largo de los tres ejemplos prácticos detallados hemos comprobado cómo tres
problemas completamente distintos pueden abordarse desde la misma perspectiva.
Por otro lado, vimos cómo la segmentación unida a un modelo de predicción era
capaz de disminuir notablemente la morosidad en una compañía, suponiendo un
gran ahorro de costes.
12
Por último, la gestión de un aspecto tan complejo como los avisos de alarma en una
compleja red podía facilitarse notablemente mediante las técnicas de minería de
datos.
El hecho de que sea tan complicado conseguir ejemplos prácticos detallados indica
que son un bien valioso para las empresas, que no desean compartir con la
competencia.
REFERENCIAS
[3] Sofía J. Vallejos. Minería de Datos. 2006. Universidad Nacional del Nordeste.
[4] S.M.H. Hansen. Customer Segmentation and Customer Profiling for a Mobile
Telecommunications Company Based on Usage Behavior, July 2007
[5] Pinheiro, C.; Evsukoff, A.; Ebecken, N. Revenue Recovering with Insolvency
Prevention on a Brazilian Telecom Operator. SIGKDD Explorations. Volume 8
Issue
13