Técnicas de minería de

datos

PARA EXTRAER DATOS RELEVANTES Y PROCESABLES PARA LA

TOMA DE DECISIONES
 1) SEGUIMIENTO DE PATRONES
• IMPLICA RECONOCER Y
MONITOREAR TENDENCIAS EN
CONJUNTOS DE DATOS PARA
REALIZAR ANÁLISIS
INTELIGENTES CON RESPECTO A
LOS RESULTADOS COMERCIALES.
EJEMPLO: el patrón en los datos de ventas puede
mostrar que un determinado producto es más
popular entre grupos demográficos específicos o
una disminución en el volumen total de ventas
después de la temporada navideña. Luego, la
empresa puede usar esta información para dirigirse
a mercados específicos y optimizar la cadena de
suministro.

• IDENTIFICAR DATOS
DEMOGRÁFICOS DE ALTO
RENDIMIENTO O COMPRENDER
LAS VARIACIONES ESTACIONALES
EN EL COMPORTAMIENTO DE
COMPRA DEL CLIENTE.
 2) ASOCIACIÓN
• IMPLICA BUSCAR CIERTAS
OCURRENCIAS CON ATRIBUTOS
CONECTADOS. LA IDEA ES
BUSCAR VARIABLES VINCULADAS
EN FUNCIÓN DE ATRIBUTOS O
EVENTOS ESPECÍFICOS. LAS
REGLAS DE ASOCIACIÓN PUEDEN
SER PARTICULARMENTE ÚTILES
PARA ESTUDIAR EL
COMPORTAMIENTO DEL
CONSUMIDOR.
EJEMPLO: una tienda en línea podría saber que
los clientes que compran un determinado producto
probablemente comprarán un artículo
complementario. Usando esta información, pueden
proporcionar mejores recomendaciones para
maximizar los ingresos por ventas. Esta técnica
también se puede utilizar en el diseño de catálogos,
agrupación de productos, diseño de maquetación,
etc.
 3) CLASIFICACIÓN
• ES EL PROCESO DE DIVIDIR EJEMPLO : la empresa quiere pronosticar el
GRANDES CONJUNTOS DE cambio en los ingresos de los clientes a los que se
DATOS EN CATEGORÍAS les otorga una membresía de lealtad. Puede crear
una categoría que contenga los datos
OBJETIVO. ESTA
demográficos de los clientes con una
CATEGORIZACIÓN TAMBIÉN membresía de lealtad para diseñar un modelo
ESTÁ DETERMINADA POR EL de clasificación binaria para predecir un aumento
MARCO DE DATOS, POR o disminución en el gasto.
EJEMPLO, BASE DE DATOS
RELACIONAL, BASE DE
DATOS ORIENTADA A
OBJETOS, ETC. VIENE EN EL
ÁMBITO DE LA PREPARACIÓN
DE DATOS.
 4) DETECCIÓN DE VALORES
ATÍPICOS
Ejemplo. Suponga que sus ventas siempre oscilan
entre $7,000 y $10,000 por semana. Pero una
semana, los ingresos por ventas cruzan los $40,000,
sin ningún factor estacional obvio en juego. Querrá
• IMPLICA IDENTIFICAR
comprender la razón detrás del aumento en las
ANOMALÍAS O
ventas para poder replicarlo y obtener una mejor
"VALORES ATÍPICOS" EN
SU CONJUNTO DE DATOS comprensión de su base de clientes.
PARA COMPRENDER LAS
CAUSAS ESPECÍFICAS O
DERIVAR PREDICCIONES
MÁS PRECISAS.
5) CLUSTERING
• CONSISTE EN AGRUPAR DATOS EN FUNCIÓN DE
LAS SIMILITUDES. AYUDA EN EL
DESCUBRIMIENTO DE CONOCIMIENTOS, LA
DETECCIÓN DE ANOMALÍAS Y LA OBTENCIÓN
DE INFORMACIÓN SOBRE LA ESTRUCTURA
INTERNA DE LOS DATOS.

• POR EJEMPLO, PUEDE AGRUPAR AUDIENCIAS DE DIFERENTES

REGIONES EN PAQUETES SEGÚN SU GRUPO DE EDAD, SEXO E
INGRESOS DISPONIBLES, DE MODO QUE PUEDA ADAPTAR SU
CAMPAÑA DE MARKETING PARA MAXIMIZAR SU ALCANCE.

• LOS RESULTADOS DEL ANÁLISIS DE DATOS DE CONGLOMERADOS

GENERALMENTE SE MUESTRAN MEDIANTE GRÁFICOS PARA
AYUDAR A LOS USUARIOS A VISUALIZAR LA DISTRIBUCIÓN DE
DATOS E IDENTIFICAR TENDENCIAS EN SUS CONJUNTOS DE DATOS.
 6) PATRONES SECUENCIALES
• TÉCNICA QUE SE ENFOCA EN DESCUBRIR
PATRONES O UNA SERIE DE EVENTOS QUE TIENEN
LUGAR EN UNA SECUENCIA. SE USA AMPLIAMENTE
EN LA MINERÍA DE DATOS TRANSACCIONALES,
PERO TIENE NUMEROSAS APLICACIONES. POR
EJEMPLO, PUEDE AYUDAR A LAS EMPRESAS A
RECOMENDAR ARTÍCULOS RELEVANTES A LOS
CLIENTES PARA MAXIMIZAR LAS VENTAS.

• UN EJEMPLO SERÍA UNA TENDENCIA SECUENCIAL

IDENTIFICADA EN UNA TIENDA DE ELECTRÓNICA
DONDE ES PROBABLE QUE LOS CLIENTES QUE
COMPRAN UN IPHONE COMPREN UNA MACBOOK
DENTRO DE SEIS MESES.
7) ÁRBOL DE DECISIÓN
• UN ÁRBOL DE DECISIONES ES UNA TÉCNICA EN EL APRENDIZAJE
AUTOMÁTICO (ML) QUE SE CENTRA EN LAS RELACIONES DE MODELADO DE
ENTRADA Y SALIDA MEDIANTE REGLAS SI/ENTONCES. CON ESTE ENFOQUE,
PUEDE APRENDER CÓMO LAS ENTRADAS DE DATOS INFLUYEN EN LAS
SALIDAS. LOS ÁRBOLES SUELEN ESTAR DISEÑADOS EN UNA ESTRUCTURA
SIMILAR A UN DIAGRAMA DE FLUJO DE ARRIBA HACIA ABAJO.

• POR EJEMPLO:

• SI EL VALOR DEL CARRITO DE COMPRAS ES <$500, ENTONCES ES UN

CLIENTE REGULAR (SIN DESCUENTO)
• SI EL VALOR DEL CARRITO DE COMPRAS ES > $500 Y < $2,000, ENTONCES ES
UN CLIENTE PREMIUM (10 POR CIENTO DE DESCUENTO)
• SI EL VALOR DEL CARRITO DE COMPRAS ES > $2,000, ENTONCES ES UN
CLIENTE EXCLUSIVO (20 POR CIENTO DE DESCUENTO Y 10 % DEL VALOR DE
LA TRANSACCIÓN CONVERTIDO EN PUNTOS DE LEALTAD)
• ESTE ÁRBOL DE DECISIONES ES UN EJEMPLO SIMPLIFICADO. UN MODELO
DE ANÁLISIS PREDICTIVO CON VARIOS MODELOS DE ÁRBOLES DE
DECISIÓN FACILITA ANÁLISIS DE DATOS MÁS COMPLEJOS.
 8.-PROCESAMIENTO DE MEMORIA A
LARGO PLAZO Ejemplo, puede diseñar un modelo
• EL PROCESAMIENTO DE predictivo para identificar
MEMORIA A LARGO PLAZO ES transacciones fraudulentas mediante la
UNA TÉCNICA EN EL asignación de probabilidades. Puede
APRENDIZAJE AUTOMÁTICO usar este modelo para transacciones
QUE SE UTILIZA PARA existentes y luego, después de un
ANALIZAR DATOS DURANTE tiempo, actualizar el modelo con los
PERÍODOS PROLONGADOS. LE datos derivados de nuevas
PERMITE IDENTIFICAR transacciones, lo que resulta en una
PATRONES DE DATOS BASADOS mejor toma de decisiones.
​EN EL TIEMPO, COMO DATOS
CLIMÁTICOS, DE MANERA MÁS
EFECTIVA.