Está en la página 1de 41

DATA WAREHOUSING

y
DATA MINING
Data Warehousing y Data Mining 2
1. Introduccin a la Minera de Datos (DM)
2. El proceso de KDD
3. Tcnicas de Minera de Datos
4. Evaluacin de modelos
Minera de Datos (Data Mining)
Data Warehousing y Data Mining 3
1. Introduccin a la Minera de Datos (DM)
2. El proceso de KDD
3. Tcnicas de Minera de Datos
4. Evaluacin de modelos
Minera de Datos (Data Mining)
Data Warehousing y Data Mining 4
Situacin actual: uso extendido de los SGBD
BD son el soporte del Sistema de Informacin de las
organizaciones
BD son diseadas para dar soporte (eficiente) a las funciones
bsicas de la organizacin (ventas, produccin, personal...)
SISTEMAS OPERACIONALES (OLTP On Line Transaction Processing)
las organizaciones almacenan grandes volmenes de datos con
informacin histrica
1970
2000
evolucin de la tecnologa de gestin de datos
- SGBD eficientes
- SGBD robustos
- lenguajes y herramientas de uso de alto nivel
Situacin actual de la tecnologa de gestin de datos.
1. Introduccin a la Minera de datos (DM)
Data Warehousing y Data Mining 5
Una vez satisfecha la necesidad de tener un
soporte informtico para los procesos bsicos de
la organizacin: sistemas de informacin para la
gestin.
La organizaciones exigen nuevas prestaciones
de los sistemas de informacin: sistemas de
informacin para la toma de decisiones.
1. Introduccin a la Minera de datos (DM)
Tecnologa de almacenes de datos
Data Warehousing y Data Mining 6
Almacenes de datos (AD) (data warehouse)
Disponer de Sistemas de
Informacin de apoyo a la
toma de decisiones*
Disponer de bases de datos que permitan extraer conocimiento
de la informacin histrica almacenada en la organizacin
motivacin
anlisis de la
organizacin
previsiones de
evolucin
diseo de
estrategias
* DSS: Decision Support Systems
objetivos
1. Introduccin a la Minera de datos (DM)
Data Warehousing y Data Mining 7
Datos Op. 1
Datos Op. 2
Datos Op. 3
metadatos
datos de
detalle
datos
agregados
datos
agregados
AD
gestor de
carga
gestor
del AD
gestor
del AD
gestor de
consultas
copias
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
SAD
rea de
almacenamiento
intermedio
1. Introduccin a la Minera de datos (DM)
Arquitectura de un sistema
de Almacn de Datos
Data Warehousing y Data Mining 8
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
- visin relacional de los datos
- ejecucin de consultas SQL sobre el esquema relacional
- preparacin de los resultados de la consulta: informe
clasificacin y agrupacin de filas
clculo de totales por grupos
adicin de datos calculados
consultas (informes) muy
estticos
Data Warehousing y Data Mining 9
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
- visin multidimensional de los datos
- ejecucin de consultas sobre el esquema multidimensional
- navegacin sobre las consultas: DRILL DOWN, ROLL UP
- facilidades para (dinmicamente):
aplicar filtros a los datos seleccionados
calcular funciones estadsticas (totales, porcentajes, ...)
resumir (agregar) o refinar (disgregar) los datos seleccionados
algunas funciones adicionales (rango, ...)
consultas (informes) muy
dinmicos
Data Warehousing y Data Mining 10
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
Presentacin (mas o menos sofisticada)
de los datos almacenados
exploracin de los datos
Estas herramientas no son capaces de extraer
conocimiento de los datos consultados:
patrones, tendencias, pautas, ..., que permitan
hacer previsiones y tomar decisiones.
Los datos por s slos tienen un valor relativo,
lo que de verdad es interesante es el
conocimiento que se puede inferir de ellos.
Data Warehousing y Data Mining 11
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
datos conocimiento
Las herramientas de minera de datos permiten
extraer conocimiento a partir de los datos
almacenados.
DW
patrones, pautas,
reglas, ...
Data Warehousing y Data Mining 12
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
En el contexto de un Servicio Pblico de Salud:
- Porcentaje de enfermos que han sido tratados
de gripe este ao.
- Nmero de pacientes de gripe durante este ao,
por franjas de edad.
- Crecimiento porcentual de casos de gripe en
este ao respecto al ao anterior.
- Nmero de casos de gripe previsibles para los
prximos aos.
- Perfiles de pacientes sensibles a la gripe
(grupos de riesgo).
- Relacin de la gripe con otras enfermedades.
Data Warehousing y Data Mining 13
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
informacin extensional
(datos)
informacin intensional
(conocimiento)
Data Warehousing y Data Mining 14
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
El analista parte de una pregunta o
hiptesis, explora los datos y valida
o rechaza su hiptesis hasta
construir su modelo de los datos.
(proceso deductivo)
El sistema encuentra y sugiere
modelos de los datos.
(proceso inductivo)
Data Warehousing y Data Mining 15
Herramientas
de consultas
e informes
Herramientas
de OLAP
Herramientas
de Data Mining
1. Introduccin a la Minera de datos (DM)
DW
Proceso inductivo:
Razonamiento hipottico de casos
particulares (ejemplos) a casos
generales (reglas)
Data Warehousing y Data Mining 16
Minera de datos [Witten & Frank 2000]: proceso de
extraccin de conocimiento vlido, til, comprensible, y
desconocido, a partir de datos almacenados.
1. Introduccin a la Minera de datos (DM)
vlido: el conocimiento obtenido debe ser preciso ("correcto")
para nuevos conjuntos de datos (no slo para el conjunto utilizado
en su obtencin).
til: el conocimiento obtenido debe servir a la organizacin para
tomar decisiones que le reporten algn beneficio.
comprensible: el conocimiento obtenido debe ser fcil de
interpretar y usar.
novedoso: el conocimiento obtenido debe aportar a la
organizacin, informacin desconocida hasta ese momento.
Data Warehousing y Data Mining 17
1. Introduccin a la Minera de datos (DM)
Ejemplo1: anlisis de riesgo en prstamos bancarios.
Un banco desea disponer de un modelo que le permita predecir qu
tipo de clientes podran no devolver un prstamo solicitado. La
entidad dispone de informacin sobre prstamos anteriores, as como
datos personales de los titulares de esos prstamos.

ID D-crdito
(aos)
C-crdito
(euros)
Salario
(euros)
Casa
propia
Cuentas
morosas
... Devuelto-
prstamo
101 15 60.000 2.200 s 2 no
102 2 30.000 3.500 s 0 s
103 9 9.000 1.700 s 1 no
104 15 18.000 1.900 no 0 s
105 10 24.000 2.100 no 0 no
... ... ... ... ... ... ...

Data Warehousing y Data Mining 18
1. Introduccin a la Minera de datos (DM)
Ejemplo1: anlisis de riesgo en prstamos bancarios.

ID D-crdito
(aos)
C-crdito
(euros)
Salario
(euros)
Casa
propia
Cuentas
morosas
... Devuelto-
prstamo
101 15 60.000 2.200 s 2 no
102 2 30.000 3.500 s 0 s
103 9 9.000 1.700 s 1 no
104 15 18.000 1.900 no 0 s
105 10 24.000 2.100 no 0 no
... ... ... ... ... ... ...

A partir de estos datos, las tcnicas de DM podran generar un
modelo de los datos, consistente en un conjunto de reglas, que
permitiesen predecir en el futuro, el posible comportamiento de un
cliente que solicitase un prstamo.
Data Warehousing y Data Mining 19
1. Introduccin a la Minera de datos (DM)
Ejemplo1: anlisis de riesgo en prstamos bancarios.

ID D-crdito
(aos)
C-crdito
(euros)
Salario
(euros)
Casa
propia
Cuentas
morosas
... Devuelto-
prstamo
101 15 60.000 2.200 s 2 no
102 2 30.000 3.500 s 0 s
103 9 9.000 1.700 s 1 no
104 15 18.000 1.900 no 0 s
105 10 24.000 2.100 no 0 no
... ... ... ... ... ... ...

Para nuestro
estudio, existen dos
clases de cliente: los
que devuelven los
prstamos y los que
no los devuelven.
Las reglas generadas en el proceso de DM, deben
predecir la clase de un cliente (variable objetivo) a
partir de sus caractersticas (variables predictivas).
Data Warehousing y Data Mining 20
1. Introduccin a la Minera de datos (DM)
Ejemplo1: anlisis de riesgo en prstamos bancarios.

ID D-crdito
(aos)
C-crdito
(euros)
Salario
(euros)
Casa
propia
Cuentas
morosas
... Devuelto-
prstamo
101 15 60.000 2.200 s 2 no
102 2 30.000 3.500 s 0 s
103 9 9.000 1.700 s 1 no
104 15 18.000 1.900 no 0 s
105 10 24.000 2.100 no 0 no
... ... ... ... ... ... ...

Regla 1:
Si cuentas-morosas > 0 entonces devuelve-prstamo = no
Regla 2:
Si cuentas-morosas = 0 Y ( salario>250.000 O D-credito>10)
entonces devuelve-prstamo = s
...
Data Warehousing y Data Mining 21
1. Introduccin a la Minera de datos (DM)
Ejemplo2: anlisis del carro de compras.
Un supermercado desea obtener informacin sobre los hbitos de
compra de sus clientes, con el objetivo de mejorar la ubicacin de los
productos en el local. La organizacin dispone de informacin
reciente sobre los productos adquiridos en las compras realizadas
por los clientes.

ID Huevos Aceite Paales Vino Leche Mantequilla Salmn Lechugas ...
1 s no no s no s s s
2 no s no no s no no s
3 no no s no s no no no
4 no s s no s no no no
5 s s no no no s no s
6 s no no s s s s no
7 no no no no no no no no
8 s s s s s s s no
...

Data Warehousing y Data Mining 22
1. Introduccin a la Minera de datos (DM)
Ejemplo2: anlisis de la cesta de la compra.

ID Huevos Aceite Paales Vino Leche Mantequilla Salmn Lechugas ...
1 s no no s no s s s
2 no s no no s no no s
3 no no s no s no no no
4 no s s no s no no no
5 s s no no no s no s
6 s no no s s s s no
7 no no no no no no no no
8 s s s s s s s no
...

A partir de estos datos, las tcnicas de DM podran generar un
modelo de los datos, consistente en un conjunto de reglas de
asociacin entre los productos que con frecuencia son adquiridos
conjuntamente. Este modelo proporcionara una descripcin "mas
significativa" de los datos disponibles.
Data Warehousing y Data Mining 23
1. Introduccin a la Minera de datos (DM)
Ejemplo2: anlisis de la cesta de la compra.

ID Huevos Aceite Paales Vino Leche Mantequilla Salmn Lechugas ...
1 s no no s no s s s
2 no s no no s no no s
3 no no s no s no no no
4 no s s no s no no no
5 s s no no no s no s
6 s no no s s s s no
7 no no no no no no no no
8 s s s s s s s no
...

Algunas asociaciones que se observan en los datos son:
"El 100% de las veces que se compran paales tambin se compra leche"
"El 50% de las veces que se compran huevos tambin se compra aceite"
"El 33% de las veces que se compran vino y salmn tambin se compran
lechugas"
Data Warehousing y Data Mining 24
1. Introduccin a la Minera de datos (DM)

ID Descripcin mes-12 ... ... mes-4 mes-3 mes-2 mes-1
1 televisor 20 52 14 139 74
2 video 11 ... ... 43 32 26 59
3 MP3 50 ... ... 61 14 5 28
4 frigorfico 3 ... ... 21 27 1 49
5 microondas 14 ... ... 27 2 25 12
6 ... ... ... ... ... ... ... ...

Ejemplo3: previsin de ventas.
Una cadena de tiendas de electrodomsticos desea optimizar el
funcionamiento de su almacn, manteniendo un stock de cada
producto que sea suficiente para poder servir rpidamente los
pedidos de sus clientes. La organizacin dispone de informacin
sobre las ventas de cada producto en cada mes del ltimo ao.
Data Warehousing y Data Mining 25
1. Introduccin a la Minera de datos (DM)

ID Descripcin mes-12 ... ... mes-4 mes-3 mes-2 mes-1
1 televisor 20 52 14 139 74
2 video 11 ... ... 43 32 26 59
3 MP3 50 ... ... 61 14 5 28
4 frigorfico 3 ... ... 21 27 1 49
5 microondas 14 ... ... 27 2 25 12
6 ... ... ... ... ... ... ... ...

Ejemplo3: previsin de ventas.
A partir de estos datos, las tcnicas de DM podran generar un
modelo de los datos, consistente en un conjunto de funciones, que
permitiesen predecir el nmero de unidades, de cada producto, que
sern vendidas el prximo mes en funcin de sus ventas en los
meses anteriores.
Data Warehousing y Data Mining 26
1. Introduccin a la Minera de datos (DM)

ID Descripcin mes-12 ... ... mes-4 mes-3 mes-2 mes-1
1 televisor 20 52 14 139 74
2 video 11 ... ... 43 32 26 59
3 MP3 50 ... ... 61 14 5 28
4 frigorfico 3 ... ... 21 27 1 49
5 microondas 14 ... ... 27 2 25 12
6 ... ... ... ... ... ... ... ...

Ejemplo3: previsin de ventas.
mes
ventas
producto 5
Data Warehousing y Data Mining 27
1. Introduccin a la Minera de datos (DM)
Ejemplo4: definir grupos diferenciados de empleados.
El departamento de recursos humanos de una gran empresa, desea
categorizar a sus empleados en distintos grupos, con el objetivo de
establecer una trato personalizado con ellos y definir las polticas
sociales de la empresa. La organizacin dispone en sus bases de
datos de informacin sobre sus empleados.
Data Warehousing y Data Mining 28
1. Introduccin a la Minera de datos (DM)
Ejemplo4: definir grupos diferenciados de empleados.
ID Sueldo Casado Coche Hijos Alq/Prop Sindic. Bajas/Ao Antigedad Sexo
1 10000 S No 0 Alquiler No 7 15 H
2 20000 No S 1 Alquiler S 3 3 M
3 15000 S S 2 Propietario S 5 10 H
4 30000 S S 1 Alquiler No 15 7 M
5 10000 S S 0 Propietario S 1 6 H
6 40000 No S 0 Alquiler S 3 16 M
7 25000 No No 0 Alquiler S 0 8 H
8 20000 No S 0 Propietario S 2 6 M
9 20000 S S 3 Propietario No 7 5 H
10 30000 S S 2 Propietario No 1 20 H
11 50000 No No 0 Alquiler No 2 12 M
12 8000 S S 2 Propietario No 3 1 H
13 20000 No No 0 Alquiler No 27 5 M
14 10000 No S 0 Alquiler S 0 7 H
15 8000 No S 0 Alquiler No 3 2 H
Data Warehousing y Data Mining 29
1. Introduccin a la Minera de datos (DM)
Ejemplo4: definir grupos diferenciados de empleados.
ID Sueldo Casado Coche Hijos Alq/Prop Sindic. Bajas/Ao Antigedad Sexo
1 10000 S No 0 Alquiler No 7 15 H
2 20000 No S 1 Alquiler S 3 3 M
3 15000 S S 2 Prop S 5 10 H
4 30000 S S 1 Alquiler No 15 7 M
5 10000 S S 0 Prop S 1 6 H
6 40000 No S 0 Alquiler S 3 16 M
7 25000 No No 0 Alquiler S 0 8 H
8 20000 No S 0 Prop S 2 6 M
9 20000 S S 3 Prop No 7 5 H
10 30000 S S 2 Prop No 1 20 H
11 50000 No No 0 Alquiler No 2 12 M
12 8000 S S 2 Prop No 3 1 H
13 20000 No No 0 Alquiler No 27 5 M
14 10000 No S 0 Alquiler S 0 7 H
15 8000 No S 0 Alquiler No 3 2 H
A partir de estos datos, las tcnicas de DM podran generar un
modelo de los datos, consistente en un conjunto de grupos de
empleados con caractersticas similares. Este modelo proporcionara
una descripcin "mas significativa" de los datos disponibles.
Data Warehousing y Data Mining 30
1. Introduccin a la Minera de datos (DM)
Ejemplo4: definir grupos diferenciados de empleados.
Grupo 1: 5 ejemplos
Sueldo : 22600
Casado : No -> 0.8
S -> 0.2
Coche : No -> 0.8
S -> 0.2
Hijos : 0
Alq/Prop : Alquiler -> 1.0
Sindic. : No -> 0.8
S -> 0.2
Bajas/Ao : 8
Antigedad : 8
Sexo : H -> 0.6
M -> 0.4
Grupo 2: 4 ejemplos
Sueldo : 22500
Casado : No -> 1.0
Coche : S -> 1.0
Hijos : 0
Alq/Prop : Alquiler -> 0.75
Prop -> 0.25
Sindic. : S -> 1.0
Bajas/Ao : 2
Antigedad : 8
Sexo : H -> 0.25
M -> 0.75
Grupo 3: 6 ejemplos
Sueldo : 18833
Casado : S -> 1.0
Coche : S -> 1.0
Hijos : 2
Alq/Prop : Alquiler -> 0.17
Prop -> 0.83
Sindic. : No -> 0.67
S -> 0.33
Bajas/Ao : 5
Antigedad : 8
Sexo : H -> 0.83
M -> 0.17
GRUPO 1: Solteros, sin hijos y de alquiler. Poco sindicados. Muchas bajas.
GRUPO 2: Solteros, sin hijos y de alquiler. Muy sindicados. Pocas bajas. Normalmente mujeres.
GRUPO 3: Casados, con hijos y propietarios. Poco sindicados. Normalmente hombres.
Data Warehousing y Data Mining 31
1. Introduccin a la Minera de datos (DM)
Ejemplo5: anlisis de visitas.
Un Centro de Salud, desea analizar los factores que influyen en la asistencia
(visita) de un paciente al Centro de Salud.
Factores:
Salud: salud del paciente (capacidad para acudir al centro). (1-10)
Necesidad: conviccin del paciente de que la visita es importante. (1-10)
Transporte: disponibilidad de transporte para trasladarse al centro. (1-10)
Nios: disponibilidad de dejar a los nios. (1-10)
Laboral: posibilidad de darse de baja laboral. (1-10)
Satisfaccin: satisfaccin del paciente con su mdico. (1-10)
Cita: facilidad del paciente para concertar una cita. (1-10)
Asistencia: indica si el paciente se ha pasado por el Centro de Salud durante
el ltimo ao (0: se ha pasado, 1: no se ha pasado).
Data Warehousing y Data Mining 32
1. Introduccin a la Minera de datos (DM)
Ejemplo5: anlisis de visitas.
ID Salud Necesidad Transporte Nios Laboral Satisf. Cita Asistencia
1 4 5 1 10 10 8 1
2 4 8 1 1 6 2 0
3 6 10 1 8 1 6 8 1
A partir de los datos de estos siete factores para un conjunto de
pacientes, las tcnicas de DM podran generar un modelo de los
datos consistente en un cuadro de relaciones entre los factores y
la asistencia (o no asistencia) del paciente al Centro de Salud.
Este modelo proporcionara una descripcin "mas significativa"
de los datos disponibles
Data Warehousing y Data Mining 33
1. Introduccin a la Minera de datos (DM)
Ejemplo5: anlisis de visitas.

Salud Necesidad Transporte Nios Laboral Satisfaccin Cita Asistencia
Salud 1
Necesidad -0.7378 1
Transporte 0.3116 -0.1041 1
Nios 0.3116 -0.1041 1 1
Laboral 0.2771 0.0602 0.6228 0.6228 1
Satisfaccin 0.22008 -0.1337 0.6538 0.6538 0.6257 1
Cita 0.3887 -0.0334 0.6504 0.6504 0.6588 0.8964 1
Asistencia 0.3955 -0.5416 -0.5031 -0.5031 -0.7249 -0.3988 -0.3278 1

El cuadro de correlaciones obtenido es:
El coeficiente de correlacin r (r[-1 ... 1]) se interpreta de la siguiente
forma: si r es positivo los atributos tienen un comportamiento similar
(ambos crecen o ambos decrecen al mismo tiempo), si r es negativo
cuando un atributo crece el otro decrece, si r es cero no existe
relacin entre ambos atributos.
Data Warehousing y Data Mining 34

estadstica.
aprendizaje automtico / IA.
visualizacin de datos.
recuperacin de informacin (Information Retrieval).
computacin paralela / distribuida.
bases de datos.
Relacin de DM con otras disciplinas:
1. Introduccin a la Minera de datos (DM)
Data Warehousing y Data Mining 35

estadstica.
aprendizaje automtico / IA.
visualizacin de datos.
recuperacin de informacin (Information Retrieval).

computacin paralela / distribuida.
bases de datos.
Relacin de DM con otras disciplinas:
1. Introduccin a la Minera de datos (DM)
t

c
n
i
c
a
s

d
e

D
M

s
o
p
o
r
t
e

t
e
c
n
o
l

g
i
c
o

Data Warehousing y Data Mining 36

estadstica: ha proporcionado muchos conceptos, tcnicas y
algortmos utilizados en DM:
conceptos: media, varianza, desviacin, ...
tcnicas: regresin lineal y no lineal, modelizacin
paramtrica y no paramtrica, tcnicas bayesianas, ...
aprendizaje automtico / IA: ha proporcionado los
principios y algoritmos para el aprendizaje de modelos a partir de
ejemplos.


Relacin de DM con otras disciplinas:
1. Introduccin a la Minera de datos (DM)
t

c
n
i
c
a
s

d
e

D
M

Data Warehousing y Data Mining 37

visualizacin de datos: ha proporcionado tcnicas de
representacin visual de datos, tiles en DM:
- visualizacin previa: comprender mejor los datos y decidir
posibles tareas de DM a utilizar.
- visualizacin posterior: mostrar a los usuarios, los patrones
obtenidos en el proceso de DM de una forma inteligible.
recuperacin de informacin (Information
Retrieval): ha proporcionado tcnicas y algoritmos para la
extraccin de informacin a partir de datos textuales, tiles para
algunas aplicaciones de DM.

Relacin de DM con otras disciplinas:
1. Introduccin a la Minera de datos (DM)
t

c
n
i
c
a
s

d
e

D
M

Data Warehousing y Data Mining 38

bases de datos: los avances en tecnologa de gestin de datos
han favorecido el desarrollo del DM (mejora de la eficiencia de los
algoritmos)
sistemas de DW, herramientas de OLAP
tcnicas de optimizacin de consultas
tcnicas de indexacin, ...
computacin paralela / distribuida: los avances en
computacin paralela y distribuida han favorecido el desarrollo del DM:
el coste computacional de las tareas de DM se reparte entre varios
procesadores (escabilidad de las soluciones).

Relacin de DM con otras disciplinas:
1. Introduccin a la Minera de datos (DM)
s
o
p
o
r
t
e

t
e
c
n
o
l

g
i
c
o

Data Warehousing y Data Mining 39
Aplicaciones financieras y de banca:
obtencin de patrones de uso fraudulento de tarjetas.
obtencin de perfiles de clientes en el uso de tarjetas.
obtencin de correlaciones entre indicadores financieros.
anlisis de riesgos en la concesin de prstamos, ...
reas de Aplicacin
1. Introduccin a la Minera de datos (DM)
Anlisis de mercado, distribucin y comercio:
anlisis de la cesta de la compra.
evaluacin de campaas publicitarias.
obtencin de perfiles de clientes.
anlisis de la fidelidad de los clientes, ...
Data Warehousing y Data Mining 40
Seguros:
identificacin de clientes potencialmente caros.
identificacin de clientes que pueden contratar nuevas plizas.
identificacin de clientes con comportamiento fraudulento...
reas de Aplicacin
1. Introduccin a la Minera de datos (DM)
Medicina:
diagnstico de enfermedades.
grupos de riesgo para distintas patologas.
recomendacin priorizada de frmacos.
gestin de servicios sanitarios, ...
Data Warehousing y Data Mining 41
Otros sectores:
compaas de servicios: telecomunicaciones, agua, gas, ....
correo electrnico, agendas personales.
turismo
trfico
uso de web
...
reas de Aplicacin
1. Introduccin a la Minera de datos (DM)