MINERÍA DE DATOS.
Que Es ¿?
Su principal finalidad es explorar, mediante la utilización de distintas técnicas y tecnologías,
bases de datos enormes de manera automática con el objetivo de encontrar patrones
repetitivos, tendencias o reglas que expliquen el comportamiento de los datos que se han ido
recopilando con el tiempo. Estos patrones pueden encontrarse utilizando estadísticas o
algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.
Por tanto, los datos son el medio o la base para llegar a conclusiones y transformar estos datos
en información relevante, para que las empresas puedan abarcar mejoras y soluciones que les
ayuden a conseguir sus objetivos.
TIPOS DE ANÁLISIS DE DATOS
Análisis predictivo:
El análisis predictivo consiste en extraer un modelo analítico de datos históricos que
predice el comportamiento futuro o estima resultados desconocidos. En este, se
Emplea diversas técnicas estadísticas de modelización, aprendizaje automático y
minería de datos para reunir toda la información tecnológica para elaborar
predicciones de cara al futuro. Entre algunos, permite predecir riesgos, nuevos
clientes, ventas, inventarios, análisis de factores.
Nivel de beneficios potenciales: Alto
Penetración de mercado: 5% a 20% de la audiencia objetivo
Madurez: Adolescente
Entre algunas técnicas implementadas para el análisis predictivo, se encuentran:
Predicción discreta o Clasificación: Estudio de categorías pre-definidas para catalogar
nuevos elementos.
Ej.: Predecir el comportamiento de pago de un cliente en una entidad financiera, bajo
el concepto de BUEN CLIENTE o MAL CLIENTE.
Predicción continua o regresión: Estudio de datos con el objetivo de predecir un
evento NUMERICO a futuro.
Ej.: Estimar la expectativa de vida de un cliente, o predecir ventas futuras.
Análisis Descriptivo: Los Métodos Descriptivos o aprendizaje no supervisado permiten
formar grupos de datos rápidamente, también son conocidos como métodos
simétricos, no supervisados o indirectos. Las observaciones son generalmente
clasificadas en grupos que no son conocidos con anterioridad, los elementos de las
variables pueden estar conectados entre sí de acuerdo a vínculos desconocidos de
antemano, de esta manera, todas las variables disponibles son tratados en el mismo
nivel y no hay hipótesis de causalidad, permite entre otros caracterizar tipos como
perfiles de clientes, segmentación de productos, detección de anomalías, reglas que
condicionen una venta.
Entre algunas técnicas empleadas para el análisis descriptivo se encuentran:
Agrupamiento / Clustering: Consiste en el organiza miento de una población de datos
heterogéneos, en términos de un numero de clúster homogéneo.
Ej.: Diseñar estrategias de mercado según el tipo de cliente. Detección de anomalías
identificando datos que se alejen del centroide de agrupación.
Asociación: Identificar los elementos que tienen algún nivel de simetría o asociación a
otros elementos por medio de reglas.
Ej.: Determinar los productos que se pueden ofrecer juntos en promoción.
ETAPAS DE LA MINERÍA DE DATOS
Dentro de un proceso de minería de datos podemos encontrar cinco fases:
Objetivo y recolección de datos: Lo primero de todo es centrarnos de en qué tipo de
información queremos obtener. Imaginemos el ejemplo que un supermercado quiere
conocer a qué hora del día es donde más asistencia de clientes hay. Este sería el
objetivo y la información que quiere obtener el comercio en este caso.
Procesamiento y gestión de los datos: Una vez que sabemos los datos que queremos
recopilar ponemos a trabajar a los datos. Esta quizás sea la fase más complicada del
proceso. Pues requiere seleccionar la muestra representativa sobre la que se va a
realizar el análisis. Una vez escogida la muestra se debe analizar qué tipo de variables
o modelo de regresión se va a realizar sobre la muestra.
Selección del modelo: Está muy relacionado con la anterior fase. Se trata de crear un
modelo o Algoritmo que nos arroje el mejor resultado posible. Para ello hay que hacer
un análisis exhaustivo de las variables a incluir en el modelo. Esto se convierte en una
tarea complicada ya que dependerá del tipo de información a analizar. Por ello, los
mineros de datos llevan a cabo distintos exámenes del algoritmo como: regresión
lineal, árbol de decisión, series temporales, red neuronal, etc.
Análisis y revisión de resultados: Básicamente es analizar los resultados para
comprobar si arrojan una explicación lógica. Explicación que facilite la toma de
decisiones en base a la información suministrada por los resultados.
Actualización del modelo: El último paso del proceso sería la actualización del modelo.
Es muy importante que se vaya haciendo con el paso del tiempo para que no quede
obsoleto. Las variables del modelo podrían pasar a ser no significativas y por tanto se
requiere un control periódico del mismo.
VENTAJAS
Gracias a la acción conjunta de analítica y minería de datos, que combina estadística,
Inteligencia Artificial y aprendizaje automático, las empresas pueden crear modelos para
descubrir conexiones entre millones de registros. El data mining posibilita, entre otros
aspectos:
Limpiar los datos de ruido y repeticiones.
Extraer la información relevante y utilizarla para evaluar posibles resultados.
Tomar mejores decisiones de negocio con mayor rapidez.
EJEMPLOS DE APLICACIONES DE LA MINERÍA DE DATOS
La capacidad predictiva del data mining ha cambiado el diseño de las estrategias
empresariales. Ahora se puede entender el presente para anticiparse al futuro. Estos son
algunos ejemplos de data mining en la industria actual:
'Marketing'. La minería de datos se utiliza para explorar bases de datos cada vez
mayores y mejorar la segmentación del mercado. Analizando las relaciones entre
parámetros como edad de los clientes, género, gustos, etc., es posible adivinar su
comportamiento para dirigir campañas personalizadas de fidelización o
captación. El data mining en marketing predice también qué usuarios pueden darse
de baja de un servicio, qué les interesa según sus búsquedas o qué debe incluir una
lista de correo para lograr una tasa de respuesta mayor.
Comercio minorista. Los supermercados, por ejemplo, emplean los patrones de
compra conjunta para identificar asociaciones de productos y decidir cómo situarlos en
los diferentes pasillos y estanterías de los lineales. El data mining detecta además qué
ofertas son las más valoradas por los clientes o incrementa la venta en la cola de caja.
Banca. Los bancos recurren a la minería de datos para entender mejor los riesgos del
mercado. Es habitual que se aplique a la calificación crediticia (rating) y a sistemas
inteligentes antifraude para analizar transacciones, movimientos de tarjetas, patrones
de compra y datos financieros de los clientes. El data mining también permite a la
banca conocer más sobre nuestras preferencias o hábitos en internet para optimizar
el retorno de sus campañas de marketing, estudiar el rendimiento de los canales de
venta o gestionar las obligaciones de cumplimiento de las regulaciones.
Medicina. La minería de datos favorece diagnósticos más precisos. Al contar con toda
la información del paciente —historial, examen físico y patrones de terapias anteriores
— se pueden prescribir tratamientos más efectivos. También posibilita una gestión
más eficaz, eficiente y económica de los recursos sanitarios al identificar riesgos,
predecir enfermedades en ciertos segmentos de la población o pronosticar la duración
del ingreso hospitalario. Detectar fraudes e irregularidades y estrechar vínculos con los
pacientes al ahondar en el conocimiento de sus necesidades son también ventajas de
emplear el data mining en medicina.
Televisión y radio. Hay cadenas que aplican la minería de datos en tiempo real a
sus registros de audiencia en televisión online (IPTV) y radio. Estos sistemas recaban y
analizan sobre la marcha información anónima de las visualizaciones, las
retransmisiones y la programación de los canales. Gracias al data mining se pueden
emitir recomendaciones personalizadas a los radioyentes y telespectadores, conocer
en directo sus intereses y su actividad, y entender mejor su conducta. Las cadenas
obtienen, además, conocimiento muy valioso para sus anunciantes, que aprovechan
estos datos para llegar con más precisión a sus clientes potenciales.
FASES DE MD
Ejemplo : En 2014 la empresa sueca de música en streaming Spotify compra The Echo
Nest, una compañía especializada en ciencia de datos musicales. Esta ahora es la
encargada de almacenar y analizar la información de sus 170 millones de usuarios. Con
ayuda de dicha empresa, en 2015 Spotify lanzó un servicio de música personalizada
llamado Discover Weekly que semanalmente recomienda a sus usuarios una selección
de canciones que podría interesarles por medio de algoritmos y análisis de los datos de
la música escuchada y el historial de búsqueda de la semana pasada. El servicio recibió
una buena recepción generalizada y actualmente figura un fuerte punto de venta ante la
competencia de la empresa.
