EVIDENCIA DE APRENDIZAJE 2

Inteligencia Empresarial (CLARA INES CANO) - PREAEC2302B020289

OBJETIVO:
HACER UNA BREVE APLICACIÓN DE LOS CONTENIDOS DE LA UNIDAD CON UN
TALLER REFLEXIVO QUE SERÁ GUIADO A TRAVÉS DE 3 PREGUNTAS.

HERNÁN DAVID RODRÍGUEZ HERRERA

hernan.rodriguez@est.iudigital.edu.co
 DESARROLLO DE LA ACTIVIDAD:

- Reglas de asociación, patrones secuenciales.

- Objetivos y componentes de una bodega de datos.

- Analítica de datos: descriptiva, diagnóstica, predictiva y prescriptiva.

• Pregunta 1: En tus palabras ¿cómo puedes explicar qué son las reglas de asociación y para
que se usan?

Respuesta 1: Las reglas de asociación son técnicas utilizadas en la minería de datos para descubrir
patrones y relaciones entre conjuntos de elementos en un conjunto de datos. Estas reglas le
permiten identificar la coocurrencia de elementos en transacciones o eventos. Se utilizan para
encontrar conexiones interesantes o correlaciones ocultas entre diferentes elementos o elementos
en grandes conjuntos de datos.

Por ejemplo, digamos que tenemos una base de datos de transacciones de clientes en un
supermercado. Podemos aplicar reglas de asociación para identificar patrones de compra. Una regla
de asociación podría ser algo así: “Si un cliente compra pan y leche, lo más probable es que compre
huevos”. Esta regla sugiere un vínculo entre pan, leche y huevos, lo que sugiere que los consumidores
que compran pan y leche tienden a comprar también huevos.

• Pregunta 2: ¿Cuáles serían los beneficios y los factores negativos de una bodega de datos?

Respuesta 2: Los beneficios de una bodega de datos son los siguientes:

- Integración de datos: Una bodega de datos permite la integración de datos de diferentes

fuentes en un único repositorio centralizado. Esto facilita el análisis y la generación de
informes, ya que los datos están disponibles en un formato coherente y estructurado.
- Mejora de la calidad de los datos: Al consolidar y limpiar los datos en una bodega de datos,
se pueden identificar y corregir errores o inconsistencias. Esto conduce a una mayor calidad
de los datos y a informes más precisos y confiables.
- Apoyo a la toma de decisiones: Una bodega de datos proporciona una vista global de los
datos de una organización, lo que permite a los usuarios acceder y analizar la información
de manera más rápida y eficiente. Esto facilita la toma de decisiones basada en datos y ayuda
a identificar patrones y tendencias.

Sin embargo, también existen algunos factores negativos asociados con una bodega de datos:

- Costos: Implementar y mantener una bodega de datos puede ser costoso, ya que implica la
inversión en hardware, software y recursos humanos especializados.
- Complejidad: La construcción y gestión de una bodega de datos puede ser compleja,
especialmente cuando se trata de integrar datos de diferentes fuentes y garantizar la
consistencia y calidad de los datos.
 - Cambios en los requisitos: Los requisitos de análisis y generación de informes pueden
cambiar con el tiempo. Mantener la wodega de datos actualizada y adaptada a estos
cambios puede requerir esfuerzos adicionales.

Ejemplo práctico: Supongamos que una empresa minorista utiliza una bodega de datos para analizar
las ventas de sus productos. Los beneficios de la bodega de datos incluirían la capacidad de combinar
datos de diferentes tiendas y canales de venta en un único repositorio para obtener una visión
completa de las ventas. Esto permitiría a la empresa identificar patrones de compra, realizar análisis
de tendencias y tomar decisiones informadas sobre el inventario y la estrategia de precios. Por otro
lado, un desafío o factor negativo podría ser el costo asociado con la implementación y el
mantenimiento de la bodega de datos, así como la complejidad de integrar y asegurar la calidad de
los datos de diferentes fuentes.

• Pregunta 3: ¿Cuáles son además de la asociación otras tres técnicas de minería de datos?
explíquelas con sus palabras.

Respuesta 3: Además de las reglas de asociación, existen otras tres técnicas de minería de datos
ampliamente utilizadas:

- Clustering (agrupamiento): Esta técnica se utiliza para agrupar objetos o datos similares en
conjuntos o clusters. El objetivo es descubrir patrones o estructuras inherentes en los datos
sin la necesidad de etiquetas o categorías predefinidas. Por ejemplo, en el análisis de
segmentación de clientes, el clustering se puede utilizar para agrupar clientes con
características similares en grupos o segmentos.
- Árboles de decisión: Los árboles de decisión son estructuras de datos en forma de árbol que
representan decisiones y posibles resultados basados en condiciones y reglas. Esta técnica
se utiliza para la clasificación y predicción, donde los datos se dividen en subconjuntos más
pequeños basados en características o atributos para tomar decisiones. Por ejemplo, un
árbol de decisión podría utilizarse para predecir si un cliente determinado comprará un
producto en función de su historial de compras y otras características demográficas.
- Redes neuronales: Las redes neuronales son modelos inspirados en el funcionamiento del
cerebro humano. Se componen de nódulos interconectados llamados neuronas artificiales,
que procesan y transmiten información. Estas redes se utilizan para el aprendizaje
automático y son capaces de reconocer patrones complejos y realizar predicciones. Por
ejemplo, las redes neuronales se utilizan en el reconocimiento de voz, el procesamiento de
imágenes y la detección de fraudes.

Ejemplo práctico: Supongamos que una empresa de telecomunicaciones utiliza la técnica de

clustering para segmentar a sus clientes en diferentes grupos con características similares, como el
uso de datos, el tipo de plan y la ubicación geográfica. Esto les permite personalizar sus ofertas y
estrategias de marketing para cada segmento de clientes.

Además, utilizan árboles de decisión para predecir si un cliente determinado cancelará su contrato
en función de factores como la duración del contrato, el nivel de satisfacción y el historial de pagos.
Con esta información, pueden tomar acciones preventivas para retener a los clientes en riesgo de
cancelación.
Por último, la empresa también utiliza redes neuronales para analizar patrones de uso de datos y
detectar posibles casos de fraude. La red neuronal puede identificar comportamientos anormales o
inusuales en los patrones de consumo de datos, lo que permite a la empresa tomar medidas rápidas
para prevenir y mitigar el fraude.

Conclusión:

Las reglas de asociación se utilizan para descubrir relaciones entre elementos, una bodega de datos
ofrece beneficios como la integración y mejora de la calidad de los datos, pero también presenta
desafíos como los costos y la complejidad. Además de las reglas de asociación, otras tres técnicas de
minería de datos son el clustering, los árboles de decisión y las redes neuronales, que se aplican en
situaciones como la segmentación de clientes, la predicción de cancelaciones y la detección de
fraudes.
Editorial: Las 4 Clases de Analítica: Descriptiva, Diagnóstica, Predictiva y Prescriptiva
La analítica de datos se ha convertido en una herramienta poderosa en el mundo
empresarial, ya que permite extraer conocimiento valioso a partir de grandes volúmenes de
información. Hay diferentes enfoques y técnicas dentro de la analítica, y en este editorial
exploraremos las cuatro clases principales: descriptiva, diagnóstica, predictiva y
prescriptiva:
La analítica descriptiva tiene como objetivo comprender y resumir los datos existentes. Esta
clase de analítica proporciona una visión retrospectiva y ayuda a las organizaciones a
entender su pasado y tomar decisiones basadas en información histórica.
La analítica diagnóstica se adentra en la causa raíz de los eventos pasados. La analítica
diagnóstica permite a las organizaciones entender las relaciones de causa y efecto en sus
datos y proporciona información valiosa para la toma de decisiones estratégicas.
A través del análisis de datos históricos y la identificación de patrones, la analítica
predictiva puede prever tendencias, comportamientos y resultados probables.
La analítica descriptiva proporciona una visión general del pasado, la analítica diagnóstica
revela las causas de los eventos pasados, la analítica predictiva permite anticipar el futuro y
la analítica prescriptiva sugiere acciones para lograr los mejores resultados.
La analítica predictiva permite anticiparse a los cambios y tomar decisiones proactivas,
mientras que la analítica prescriptiva proporciona recomendaciones basadas en datos para
optimizar los resultados futuros.
Sin embargo, es importante tener en cuenta que la analítica de datos no es una solución
mágica.

En conclusión, las cuatro clases de analítica: descriptiva, diagnóstica, predictiva y

prescriptiva, son fundamentales en el proceso de extracción de conocimiento a partir de los
datos. Al combinar estas clases de analítica y aprovechar su potencial, las organizaciones
pueden obtener una visión completa de su pasado, entender las causas de los eventos,
anticiparse al futuro y tomar acciones efectivas para alcanzar los mejores resultados. La
analítica de datos se ha convertido en una herramienta indispensable en el mundo empresarial
y aquellos que la adopten de manera efectiva estarán mejor equipados para enfrentar los
desafíos y aprovechar las oportunidades en un entorno empresarial cada vez más competitivo
y orientado por los datos.
REFERENCIAS BIBLIOGRÁFICAS:

• BAOSS. Reglas de asociación y data mining. BAOSS. Recuperado de

https://www.baoss.es/reglas-de-asociacion-y-data-mining/

• Open Access UOC. Data mining: Módulo 6 - Reglas de asociación. Open Access UOC.
Recuperado de
https://openaccess.uoc.edu/bitstream/10609/138187/25/Data%20mining_M%C3%B3dulo
%206_Reglas%20de%20asociaci%C3%B3n.pdf

• IBM. Nodes: Association Rules. IBM Documentation. Recuperado de

https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-association-rules

• Making Science. 4 tipos de análisis de datos que debes conocer. Making Science. Recuperado
de https://www.makingscience.es/blog/4-tipos-de-analisis-de-datos-que-debes-conocer/

• Prometeus GS. Análisis de datos: Diferencias. Prometeus GS. Recuperado de

https://prometeusgs.com/analisis-de-datos-diferencias/

• Data Scientist. Data Warehouse: ¿Qué es y cómo utilizarlo? Data Scientist. Recuperado de
https://datascientest.com/es/data-warehouse-que-es-y-como-utilizarlo

• PowerData. Data Warehouse. PowerData. Recuperado de https://www.powerdata.es/data-

warehouse