Inteligencia de Negocios (Business Intelligence)

Transcripción

1 ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS Programa de Pregrado Modalidad de Experiencia Laboral Artículo El uso de la Minería de Datos en la Inteligencia de Negocios (Business Intelligence) Rolando Chávez Fiestas Facultad de Ing. De Sistemas UCV INTRODUCCIÓN Las dimensiones de las bases de datos empresariales y sus velocidades de crecimiento, hacen muy difícil para el informático su análisis y la extracción de información importante, aún con el uso de herramientas estadísticas clásicas que permiten realizar estas tareas. La incorporación de nuevas tendencias de tecnologías en el campo de la gestión de datos empresariales como Data Mining, Herramientas OLAP, Open Source, Data Warehouse, Data Marts,etc.., hacen más confusas sus opciones de aplicación y desarrollo en una organización competitivamente automatizada Figura 1-. Estos diferentes modelos de gestión nos lleva hacia el modelo unificado de Inteligencia de negocios (Business Intelligence). Figura 1 Inteligencia de Negocios

2 La Inteligencia de Negocios es el conjunto de productos y servicios que permiten a los usuarios finales accesar y analizar de manera rápida y sencilla, la información para la toma de decisiones de negocio a nivel operativo, táctico y estratégico. El término Business Intelligence (Inteligencia de Negocios) hizo su aparición en 1996 cuando un reporte de Gartner Group 1 dijo textualmente lo siguiente: By 2000, Information Democracy will emerge in forward-thinking enterprises, with Business Intelligence information and applications available broadly to employees, consultants, customers, suppliers, and the public. The key to thriving in a competitive marketplace is staying ahead of the competition. Making sound business decisions based on accurate and current information takes more than intuition. Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it - today these tools collectively fall into a category called "Business Intelligence." 2 Para el año 2000, la Democracia de la Información emergerá en las empresas de vanguardia, con las aplicaciones de Inteligencia de Negocios ampliamente disponibles a nivel de empleados, consultores, clientes, proveedores y el público en general. La clave para surgir en un mercado competitivo es mantenerse delante de sus competidores. Se requiere mas que intuición para tomar decisiones correctas basadas en información exacta y actualizada. Las herramientas de reporte, consulta y análisis de datos pueden ayudar a los usuarios de negocios a navegar a través de un mar de información para sintetizar la información valiosa que en él se encuentra - hoy en día esta categoría de herramientas se les llama "Inteligencia de Negocios" Estos modelos y herramientas son resultados del descubrimiento del Conocimiento en Base de Datos (KDD), que combina las metodologías de la Inteligencia Artificial con las metodologías tradicionales, en estas nuevas aplicaciones nace el término de Minería de datos (Data Mining) que ha evolucionado y que ha tenido mayor aceptación. Minería de Datos (Data Mining) La Minería de Datos es un término relativamente nuevo en el argot informático; por ello, no es de extrañar que no exista una definición precisa y de aceptación generalizada por los especialistas del tema. 1 Empresa de Consultoria fundada en 1979 por Gideon Gartner, Industria Norte Americana, que investiga y desarrolla tecnologías relacionadas a las TI de Negocios.- Stanford Connecticut. 2 Texto extraído de

3 Una definición de Minería de datos dada por Tingshao Zhu en su tesis de doctorado es la siguiente [Zhu, 2003]: La Minería de datos es la aplicación de técnicas de procesamiento de informaciones, para encontrar patrones útiles que se espera ayuden a las personas a acceder a la Base de Datos más eficientemente. Para Microsoft La minería de Datos es el proceso de detectar la información de los conjuntos grandes de datos, utiliza el análisis matemático para deducir los patrones y tendencias que existen en los datos. Normalmente estos patrones no se pueden detectar mediante la exploración tradicional den los datos porque las relaciones son demasiados complejas o porque hay demasiados datos. Estos patrones y tendencias se pueden recopilar y definir como un modelos de minería de datos. Los modelos de minería de datos se pueden aplicar a diferentes situaciones de negocio empresarial como: Administrar ventas, Enviar Correos a clientes potenciales y no potenciales, selección de de estrategias de ventas de Productos, Secuencia de compra de los clientes, CRM, etc. La generación de un modelo de Minería de datos forma parte de un proceso mayor que incluye desde la formulación de preguntas acerca de los datos hasta la implementación de un modelo en el entorno de trabajo. El proceso se puede definir mediante el siguiente algoritmo: Figura 2. Figura 2.- Procesos en la minería de Datos Definir el Problema Integration Services Implementar y Actualizar Modelos Preparar Datos Integration Services Validar Modelos Explorar Datos Vista de Origen de datos Diseñador de Minería de Datos Generar Modelos

4 El Data Mining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales. De forma general, los datos son la materia prima bruta para diseñar este modelo. En el momento que el usuario les atribuye algún significado especial justificado e las reglas de negocios, pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento. Uno de los ejemplos de base de datos de conocimiento podemos observarlo en el producto de Sinnexus : Classora Knowledge Base 3. Classora obtiene su información de tres tipos de fuentes distintas: los robots de carga, los usuarios de la aplicación y la propia plantilla de la empresa (Grupo de Generación de Contenidos). Robots de carga: La mayor parte de la información disponible en Classora se carga automáticamente a través de robots. Estos robots se conectan a las principales fuentes públicas online para recabar datos de todo tipo. Existen tres módulos de robots: Robots de ETL: encargados de la carga masiva de informes a partir de fuentes públicas oficiales (FIFA, CIA, FMI, Eurostat...). Sirven tanto para cargas absolutas como incrementales. Exploradores de datos: encargados de buscar y actualizar datos concretos de una unidad de conocimiento a partir de una fuente determinada: Wikipedia, IMDB, Banco Mundial... etc. Agregadores de contenidos: no se conectan a fuentes externas, sino que utilizan datos internos de Classora para generar nueva información (histórica, agregada... etc.). Los usuarios de Classora pueden crear nuevas unidades de conocimiento y nuevos informes (rankings, encuestas... etc.). Por supuesto, también pueden completar datos vacíos y corregir posibles datos erróneos. No obstante, en ocasiones existen datos que están bloqueados y, por tanto, no pueden ser editados libremente por los usuarios de Classora. Esto se debe a que los propios administradores han confirmado manualmente la veracidad de esos datos, o bien a que existe cierta polémica (puntos de vista enfrentados) acerca de los datos en cuestión. En resumen, el datamining se presenta como una tecnología emergente, con varias ventajas: por un lado, resulta un buen punto de encuentro entre los investigadores, desarrolladores, y las personas de negocios; por 3 Classora es una base de conocimiento que almacena información de todo tipo: personas, empresas, países, películas, canciones... etc.

5 otro, ahorra grandes cantidades de dinero a una empresa y abre nuevas oportunidades de negocios corporativos Además, no hay duda de que trabajar con esta tecnología implica cuidar un sinnúmero de detalles debido a que el producto final involucra "toma de decisiones". En el artículo Data Mining: Torturando a los datos hasta que confiesen, Luis Carlos Molina 4 proporciona una visión muy clarificadora sobre la minería de datos, incluyendo interesantes ejemplos de aplicaciones de la misma. Son muchos los motivos que nos llevan a generar información, ya que nos pueden ayudar a controlar, optimizar, administrar, examinar, investigar, planificar, predecir, someter, negociar o tomar decisiones de cualquier ámbito según el dominio en que nos desarrollemos. La información por sí misma está considerada un bien patrimonial. De esta forma, si una empresa tiene una pérdida total o parcial de información provoca bastantes perjuicios. Es evidente que la información debe ser protegida, pero también explotada. Los negocios requieren que las soluciones tengan una integración transparente en un ambiente operativo. Esto nos lleva a la necesidad de establecer estándares para hacer un ambiente interoperable, eficiente y efectivo. Esfuerzos en este sentido se están desarrollando actualmente en el País con los nuevos proyectos de TI encaminados a los usos estandarizados de modelos de datos, Gestores de grandes volúmenes de Datos y de nuevas Plataformas operativas. CONCLUSIÓN: La capacidad para almacenar datos ha crecido en los últimos años a velocidades exponenciales, por el crecimiento de Hardware y software. En contrapartida, nuestra capacidad para procesarlos y utilizarlos no ha ido a la par. Por este motivo, el data mining se presenta como una tecnología de apoyo para explorar, analizar, comprender y aplicar el conocimiento usando grandes volúmenes de datos. Descubrir nuevos caminos que nos ayuden en la identificación de interesantes estructuras en los datos es una de las tareas fundamentales del data mining. En el ámbito comercial, resulta interesante encontrar patrones ocultos de consumo de los clientes para poder explorar nuevos horizontes. Hoy en día en el Perú se da alta prioridad a la investigación y al desarrollo de este modelo de tecnología aplicando en los diferentes organizaciones comerciales que quieren predecir el comportamiento de un futuro cliente, basándose en sus datos históricos, ayudando a poder retenerlo durante el mayor tiempo posible. Un ejemplo es las tiendas de Saga Falabella, Banco de Crédito, Ripley, etc. 4 Luis Carlos Molina Félix. Coordinador del Programa Data Mining (UOC) Universitat Oberta de Catalunya Torturando a los datos hasta que confiesen

6 Las herramientas comerciales de data mining que existen actualmente en el mercado peruano son variadas y excelentes. Las hay orientadas al estudio del web o al análisis de documentos o de clientes de supermercado, mientras que otras son de uso más general. Su correcta elección depende de la necesidad de la empresa y de los objetivos a corto y largo plazo que pretenda alcanzar. La decisión de seleccionar una solución de data mining no es una tarea simple. Es necesario consultar a expertos en el área con vista a seleccionar la más adecuada para el problema de la empresa.-figura 3 Figura 3. Data Mining: Herramienta en la inteligenciaa de Negocios