SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR

Tamaño: px
Comenzar la demostración a partir de la página:

Download "SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR"

Transcripción

1 SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR Carlos Mendoza Astroz SAS INSTITUTE Domain Expert

2 AGENDA 1. La nueva visión del cliente: una perspectiva analítica 2. Nuevos paradigmas de modelamiento analítico del conocimiento del cliente (KYC) a. Perspectiva tradicional b. Ciencias del comportamiento c. Redes sociales (SNA) d. Minería de texto (TM) e. Social media 3. Nuevas tecnologías en el conocimiento del cliente (KYC) a. Big data b. Almacenamiento distribuido c. High Performance Analytics (HPA) 4. Conclusiones

3 NUEVA VISIÓN DE CLIENTE: UNA PERSPECTIVA ANALÍTICA

4 ISSUES EN EL CONOCIMIENTO DEL CLIENTE (KYC) Silos de información y de visiones del cliente Inconsistencia de información Resultados analíticos no están a tiempo para generar valor en la organización Procesos e interacciones del negocio permanecen desconectados de resultados analíticos

5 PARADIGMAS EN EL CONOCIMIENTO DEL CLIENTE (KYC)

6 CIENCIAS DEL COMPORTAMIENTO CIENCIAS DEL COMPORTAMIENTO Behavior economics Behavior finance Behavior Marketing Conocimiento del cliente (KYC) MODELOS ANALÍTICOS TRADICIONALES (desde el individuo) Toma de deciones analiticas a cerca del cliente MODELOS ANALÍTICOS NO TRADICIONALES (SNA, TM y Social Media) Millones de clientes - grandes conjuntos de información - simultáneamente Almacenamiento distribuido High Performance Analytics

7 NUEVOS PARADIGMAS DE MODELAMIENTO ANALÍTICO DEL KYC

8 Account_type_desc Account_open_date Account_close_date Account_status_date Account_status_desc Account_tax_id_type_code Dormant_ind Industry_code Last_activity_date Product_category_name Product_line_name Product_name amount_10030 amount_10040 amount_10010 amount_11030 amount_3183 amount_11010 trancnt_10030 trancnt_10040 trancnt_10010 trancnt_11030 trancnt_3183 trancnt_11010 event_count_30 event_count_60 event_count_90 credits_count_30 credits_count_60 credits_count_90 debits_count_30 debits_count_60 debits_count_90 credits_amt_30 ESTRUCTURA ANALITICA TRADICIONAL Definición. Conocimiento del cliente. Es el conjunto de características y comportamientos que ejemplifican las variables de mayor significancia en la conducta de los clientes, generadas en base a su perfil transaccional e información sociodemográfica. Con esta información en algunos casos se complementan con procesos de gestión documental y debida diligencia. Tradicionalmente se analiza al consumidor basado en el comportamiento racional, individualista y aislado. Vector KYC Informacion de productos transaccionales Promedios por montos Promedios por transaccion Variables del Buro y puntajes asociados Otras variables sociodemografica

9 ESTRUCTURA ANALITICA TRADICIONAL Sample Explore Modify Model Assess Utility

10 CIENCIAS DEL COMPORTAMIENTO Definición. Ciencias del comportamiento (Behavior economics, Behavior finance, Behavior Marketing). Es una sombrilla que busca entender y explicar el comportamiento observado del consumidor utilizando nuevos supuestos mas allá de su perfil financiero y sociodemográfico, incluye la psicología y sociología. Se ha reconocido que el proceso de toma de decisiones de los consumidores va mas allá de un comportamiento racional tal modelo de comportamiento del consumidor (psicométrico y conductual) deben ser comprendidos e incorporados en la toma de decisiones buscando identificar su conducta.

11 CIENCIAS DEL COMPORTAMIENTO Ciencias Modelos tradicionales comportamiento Perfiles financiero Perfil sociodemográfico Perfil psicológico Perfil conductual Analítica tradicional Visión aislada e individualista en la toma de decisiones Analítica No tradicional Tendencias, comunidades, preferencias sociales, sentimientos. Modelamiento: 1. Segmentación 2. Scores 3. Regresión logística Nuevas técnicas: 1. SNA 2. Minería de texto 3. Social Media Conocimiento del cliente

12 ESTRUCTURA ANALITICA NO TRADICIONAL ANALISIS DE REDES SOCIALES El Análisis de las Redes Sociales (SNA) es un enfoque sobre estructuras sociales. El SNA parte de la premisa que entidades sociales son creadas por relaciones y patrones de comportamiento originados por sus vinculos. Formalmente, una red social es usualmente definida como un conjunto de actores sociales, o nodos, cuyos miembros están conectados por uno o varios tipos de relaciones. Los nodos son, mayormente, individuos, grupos u organizaciones. El SNA puede considerar redes con otros tipos de nodos, tales como páginas web, blogs, artículos de revistas, etc.

13 ESTRUCTURA ANALITICA NO TRADICIONAL MINERIA DE TEXTO El objetivo de la minería de texto es el descubrimiento de información nueva a partir de colecciones de documentos de texto no estructurado. Esto quiere decir que la información que contienen dichas colecciones de documentos están en lenguaje natural aunque también se podría utilizar otro tipo de información textual. Content Categorization Sentiment Analysis Text Mining Ontology Management Contextual Analysis

14 ESTRUCTURA ANALITICA NO TRADICIONAL SOCIAL MEDIA Social Media Analytics es una herramienta que permite comprender y analizar la reacción e impacto de productos, servicios, mercados y campañas en las redes sociales. Analiza millones de comentarios en las redes sociales y proporciona resultados agrupados metodológicamente en gráficos y paneles de control. Escucha Emplea Apalanca Entender los sentimientos, tendencias, problemas y oportunidades Descubre nuevos tópicos o issues relevantes. Establece relaciones con comunidades y consumidores y es capaz de generar herramientas para ganar su confianza Apalanca y proporciona feedback en distintos aspectos que enriquecen el comportamiento del cliente.

15 VISION ANALITICA 360 O DEL CLIENTE ANÁLISIS DE TEXTO SNA Modelamiento de un conjunto de actores sociales, cuyos miembros están conectados por uno o varios tipos de relaciones Encontrar información clave en datos no estructurados como pueden ser encuestas de servicio o información en medios sociales, con la finalidad de extraer el sentimiento de un cliente KYC Minería de datos Extraer patrones valiosos (consumo, preferencia, etc.) de fuentes de datos para soportar la toma de decisiones Análisis tradicional Gestión documental y Debida diligencia Copyright 2011, SAS Institute Inc. All rights reserved. SOCIAL MEDIA ANALYTICS Comprende, analiza y determina el impacto de productos, servicios, mercados, campañas en las redes sociales

16 VISIÓN DE NUEVAS TECNOLOGÍAS EN EL KYC

17 ESTRUCTURA ANALITICA NO TRADICIONAL SOCIAL MEDIA La construcción de información y modelos para millones de clientes simultáneamente desde sus variables sociodemográficas y financieras (estructurada), además de información útil para otros análisis como SNA, TM y SM plantea otros interrogantes a solucionar: 1. Cada vez contamos con más información en nuestras bases de datos, podemos disponer de ella en nuestros análisis del conocimiento del cliente? 2. Es posible analizar estos volúmenes de información en tiempos razonables para tomar decisiones?

18 ESTRUCTURA ANALITICA NO TRADICIONAL SOCIAL MEDIA QUE ES EL BIG DATA? Son las herramientas, procesos y procedimientos que permiten a una organización crear, manipular y manejar grandes conjuntos de información dentro de plazos, velocidades, variedades y complejidades aceptables, junto con el almacenamiento del volumen necesario para soportarlo. Un ZETTABYTE es equivalente a 1000 millones de discos de desktop de hoy (terabytes) Source: IDC Digital Universe Study, sponsored by EMC, May 2010

19 COMPOSICION DE DATOS: ESTRUCTURADOS, SEMIESTRUCTURADOS Y NO ESTRUCTURADOS EN UNA ORGANIZACION Datos no estructurados Texto, audio 25% Datos estructurados Bases de datos 70% 5% SAS Institute Datos semiestructurados

20 DATA SIZE COMPOSICION DE DATOS: ESTRUCTURADOS, SEMIESTRUCTURADOS Y NO ESTRUCTURADOS EN UNA ORGANIZACION THRIVING IN THE BIG DATA ERA VOLUME VARIETY VELOCITY VALUE TODAY THE FUTURE

21 VOLUMEN DE INFORMACION COMPOSICION DE DATOS: ESTRUCTURADOS, SEMIESTRUCTURADOS Y NO ESTRUCTURADOS EN UNA ORGANIZACION GRANDE Medido en TERABYTES 1TB = 1,000GB Medido en PETABYTES 1PB = 1,000TB Medido en ZETTABYTES 1EB = 1,000PB PEQUENO 1990 s (RDMBS, DATA WAREHOUSE, ETC.) 2000 s (ADMINISTRACION DIGITAL DE ACTIVOS) 2010 s (NO-SQL, NO ESTRUCTURADO, ETC.)

22 ESTRUCTURA ANALITICA NO TRADICIONAL SOCIAL MEDIA Con esta nueva realidad (grandes volúmenes de información, creciendo exponencialmente en su mayoría de tipo no estructurado) como se puede generar valor en el conocimiento del cliente? 1. Se puede contar con toda la información disponible (en sentido amplio) para efectuar modelos analíticos desde puntos de vista geográfico, demográfico, psicológico y conductual? 2. Se puede analizar toda la información para generar políticas de KYC? y personalización de la propuesta de valor?

23 SIMPLICIDAD OPERACIONAL ALTA EFICIENCIA Big data ESCALAMIENTO MASIVO ALTO RENDIMIENTO

24 ESTRUCTURA ANALITICA NO TRADICIONAL SOCIAL MEDIA Que es almacenamiento distribuido? Es una forma de almacenar grandes volúmenes de información a costos razonables. Cuál es su importancia? Permite desarrollar tareas de almacenamiento de forma masiva. Es decir, almacena grandes volúmenes de datos (ZETTABYTES), en entornos formados por muchas máquinas sencillas (distribuidos), para luego agregarlos de forma consistente. Ventajas: 1. Disminuye costos de almacenamiento de información de clientes. 2. Permite aumentar la capacidad de interpretar grandes volúmenes de información de clientes Almacenamiento y procesamiento no distribuido Almacenamiento y procesamiento distribuido

25 SAS HIGH-PERFORMANCE ANALYTICS Que es High performance analytics? Son metodologías que permiten analizar y procesar grandes volúmenes de información de manera eficiente, es decir, en tiempos razonables. Reducciones de 200%-5000% en tiempos de análisis de información.

26 SAS HIGH-PERFORMANCE ANALYTICS Utilización de toda la información disponible en el KYC Almacenamiento distribuido de Información estructurada y no estructurada de millones de clientes simultáneamente Procesamiento por HPA para un modelo de 360 o del cliente. Conclusión: Inmensos volúmenes de información (almacenamiento distribuido) de clientes simultáneamente analizados en pocos minutos (HPA) para determinar una visión 360 del cliente

27 ANALÍTICA DE ALTO DESEMPEÑO: MODELOS DE ADQUISICIÓN DE CLIENTES Proceso actual Un algoritmo (red neuronal) Proceso de alto desempeño Múltiples algoritmos (e.g. pronostico, regresión logística., etc.) 7 iteraciones de una red neuronal 5000 iteraciones de una red neuronal en 70 minutos 1 modelo por día 1 modelo en 30 minutos 5 horas para procesar el modelo 3 minutos para procesar el modelo lift de 1.6% lift de 2.5%

28 CONCLUSIONES

29 CIENCIAS DEL COMPORTAMIENTO CIENCIAS DEL COMPORTAMIENTO Behavior economics Behavior finance Behavior Marketing Conocimiento del cliente (KYC) MODELOS ANALÍTICOS TRADICIONALES (desde el individuo) Toma de decisiones analíticas a cerca del cliente MODELOS ANALÍTICOS NO TRADICIONALES (SNA, TM y Social Media) Millones de clientes - grandes conjuntos de información - simultáneamente Almacenamiento distribuido High Performance Analytics

30 CONCLUSIONES 1. Re-pensar el cliente como visión de largo plazo y del cliente 360 º (sociodemográfico, financiero psicológico conductual). 2. Es necesario tener una visión tanto tecnológica como analítica del KYC. 3. Es posible analizar grandes volúmenes de información para incorporar estos procesos en las tomas de decisión. 4. Evolución, implementación y aplicación de procesos analíticos sencillos y complejos. 5. Combinación de resultados analíticos sobre la población (no la muestra). RETOS 1. Empezar una labor de inclusión de nuevos datos e información 2. Estrategia de Information Management e Inclusión de nuevas tecnologías

31 SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR Carlos Mendoza Astroz SAS INSTITUTE Domain youtube.com/sassoftware MUCHAS GRACIAS

SAS Data Scientist. Plan de Formación

SAS Data Scientist. Plan de Formación SAS Data Scientist Plan de Formación www.sas.com/spain/formacion Juan Lorenzo, Director del Plan de Formación juan.lorenzo@sas.com formacion@sas.com Tel: +34 91 200 73 00 BIG DATA EL NUEVO RETO EN LAS

Más detalles

Nuevo horizonte tecnológico surgido del BigData

Nuevo horizonte tecnológico surgido del BigData Nuevo horizonte tecnológico surgido del BigData Ejemplo de capacidades y aplicaciones en Defensa: aplicaciones OSINT - Future Space 30 de Mayo de 2013 Ref. FS13-BigDataDefensaOSINT Copyright 2013 FutureSpace,

Más detalles

Juan Carlos Olarte B Innovation and Business Development Management. BIG DATA & ANALYTICS: El Futuro es Ahora

Juan Carlos Olarte B Innovation and Business Development Management. BIG DATA & ANALYTICS: El Futuro es Ahora Juan Carlos Olarte B Innovation and Business Development Management BIG DATA & ANALYTICS: El Futuro es Ahora Temas a Tratar Evolución y Tendencias Big Data & Analytics Data Mining, Data Science y Big Data

Más detalles

Big Data Analytics. Copyright 2012, SAS Institute Inc. All rights reserved.

Big Data Analytics. Copyright 2012, SAS Institute Inc. All rights reserved. Big Data Analytics El desafío? Source: IDC Digital Universe Study, sponsored by EMC, May 2010 NUESTRA PERSPECTIVA Big Data esun términorelativo no ABSOLUTO Big Data Cuando el volúmen, velocidad o variedad

Más detalles

Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina Ciclo completo de Customer Intelligence Gestión de Datos Vista Integrada del Cliente Segmentación Análisis del Cliente

Más detalles

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology Insurance Analytics Presentación SBI Technology. Quienes Somos? Más de 20 años de experiencia a nivel internacional en BI aplicado

Más detalles

Minería de datos en la nube. Patricia Rayón Villela

Minería de datos en la nube. Patricia Rayón Villela Minería de datos en la nube Patricia Rayón Villela 1 Contenido Big-Data BI en la nube Analítica Texto Video Visual 2 Big data Problemas que eran difíciles o imposibles de resolver antes de ahora son manejables.

Más detalles

Panel: Minería de datos para la administración tributaria

Panel: Minería de datos para la administración tributaria Panel: Minería de datos para la administración tributaria Leopoldo Gutiérrez Socio líder de Tax Data Analytics en EY Especialista en diseño, desarrollo e implementación de modelos analíticos orientados

Más detalles

SOCIAL CRM SIGUIENTE PASO EN LA ESTRATEGIA SOCIAL JAIME VALVERDE - HEAD OF SOCIAL - OMNICOM MEDIA GROUP

SOCIAL CRM SIGUIENTE PASO EN LA ESTRATEGIA SOCIAL JAIME VALVERDE - HEAD OF SOCIAL - OMNICOM MEDIA GROUP SOCIAL CRM SIGUIENTE PASO EN LA ESTRATEGIA SOCIAL JAIME VALVERDE - HEAD OF SOCIAL - OMNICOM MEDIA GROUP 1 INTRODUCCIÓN Un breve análisis sobre la historia del CRM y sus verdaderas intenciones, cómo pretendía

Más detalles

Conceptos básicos de Big Data

Conceptos básicos de Big Data Conceptos básicos de Big Data Este documento no podrá ser reproducido, total o parcialmente, sin el permiso expreso de TRC Informática, S.L. Correos electrónicos, mensajes de textos, datos en formularios

Más detalles

BIG DATA. Jorge Mercado. Software Quality Engineer

BIG DATA. Jorge Mercado. Software Quality Engineer BIG DATA Jorge Mercado Software Quality Engineer Agenda Big Data - Introducción Big Data - Estructura Big Data - Soluciones Conclusiones Q&A Big Data - Introducción Que es Big Data? Big data es el termino

Más detalles

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas para la Gestión Unidad 3 Aplicaciones de Sistemas U.N.Sa. Facultad de Cs.Económicas SIG 2010 UNIDAD 3: APLICACIONES DE SISTEMAS Aplicaciones empresariales: Sistemas empresariales. Sistemas de administración

Más detalles

Web mining y obtención de información para la generación de

Web mining y obtención de información para la generación de Web mining y obtención de información para la generación de inteligencia Miguel Ángel Esteban (Universidad de Zaragoza) mesteban@unizar.es Instituto Juan Velázquez de Velasco de Investigación en Inteligencia

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

Más detalles

Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos. Data Warehousing: el reto de extraer el valor de los datos

Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos. Data Warehousing: el reto de extraer el valor de los datos Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos Data Warehousing: el reto de extraer el valor de los datos AGENDA Data Warehouses Problemáticas típicas de Data Warehouse Soluciones

Más detalles

Cursos de Formación 2010

Cursos de Formación 2010 Cursos de Formación 2010 Estrategias de marketing para fidelizar a los clientes (10h) Para destacar y sobrevivir en el futuro es fundamental que las marcas entiendan los enormes cambios que se avecinan.

Más detalles

El ABC de Big Data: Analytics, Bandwidth and Content

El ABC de Big Data: Analytics, Bandwidth and Content Documento técnico El ABC de Big Data: Analytics, Bandwidth and Content Richard Treadway e Ingo Fuchs, NetApp, Noviembre de 2011 WP-7147 RESUMEN EJECUTIVO Las empresas entran en una nueva era en la que

Más detalles

Cuáles son algunos de los padecimientos que enfrentan las empresas hoy día?

Cuáles son algunos de los padecimientos que enfrentan las empresas hoy día? Qué es Inteligencia de Negocios? Una interesante definición para inteligencia de negocios o BI, por sus siglas en inglés, según el Data Warehouse Institute, lo define como la combinación de tecnología,

Más detalles

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS En tiempos de incertidumbre financiera, la toma de decisiones basada en información es crucial para sobrevivir en el mundo de los negocios. Empresas de todas las industrias dependen

Más detalles

Libere el conocimiento que vive en cualquier dato. Mario Ochoa 10/09/2014

Libere el conocimiento que vive en cualquier dato. Mario Ochoa 10/09/2014 Libere el conocimiento que vive en cualquier dato Mario Ochoa 10/09/2014 En qué se diferencian las empresas exitosas de la actualidad? Datos. Valor La innovación de tecnología acelera el valor Machine

Más detalles

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza IBM Software Information Management White Paper Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza Un enfoque de appliance simplifica el uso de la analítica avanzada Cómo aprovechar la

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

Soluciones Integrales en Inteligencia de Negocios

Soluciones Integrales en Inteligencia de Negocios Soluciones Integrales en Inteligencia de Negocios QUIENES SOMOS NUESTRA MISIÓN DATAWAREHOUSE MINERÍA DE DATOS MODELOS PREDICTIVOS REPORTERÍA Y DASHBOARD DESARROLLO DE APLICACIONES MODELOS DE SIMULACIÓN

Más detalles

MAESTRÍA EN INGENIERÍA DE COMPUTACIÓN Y SISTEMAS CON MENCIÓN EN GESTIÓN DE TECNOLOGÍAS DE LA INFORMACIÓN

MAESTRÍA EN INGENIERÍA DE COMPUTACIÓN Y SISTEMAS CON MENCIÓN EN GESTIÓN DE TECNOLOGÍAS DE LA INFORMACIÓN MAESTRÍA EN INGENIERÍA DE COMPUTACIÓN Y SISTEMAS CON MENCIÓN EN GESTIÓN DE TECNOLOGÍAS DE LA INFORMACIÓN SUMILLAS 1 CICLO I Gestión de Servicios de Tecnologías de Información Estudio de los servicios de

Más detalles

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer En los últimos años, el interés por la Computación en la Nube (Cloud Computing), tanto para uso personal como para negocios,

Más detalles

Big Data: Qué es y por qué es relevante?

Big Data: Qué es y por qué es relevante? Big Data: Qué es y por qué es relevante? 01000111101001110111001100110110011001 Volumen 10x Aumento del volumen de información cada cinco años Gran Información Velocidad 4.3 Número de dispositivos conectados

Más detalles

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge

INTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Es un conjunto de conceptos y metodologías para mejorar la toma de decisiones.

Más detalles

CRM Implementación eficaz y Aumento de capacidad Analítica

CRM Implementación eficaz y Aumento de capacidad Analítica CRM Implementación eficaz y Aumento de capacidad Analítica Mstro. Victor Mata Mata 25 de Marzo de 2014 Contenido CRM en las Empresas e Identificación de la madurez Organizacional. Implementación CRM: Áreas

Más detalles

Máster en Gestión de Marketing

Máster en Gestión de Marketing Contenidos académicos del Máster en Gestión de Marketing - MMARQ Primer trimestre: 1. Técnicas cuantitativas: El objetivo de esta asignatura es familiarizarse con técnicas gráficas y analíticas de estadística.

Más detalles

ESTRATEGIAS DIRECTIVAS

ESTRATEGIAS DIRECTIVAS ESTRATEGIAS DIRECTIVAS Estrategias de 1 a 1 Víctor M. Ornelas P. La Alta Dirección de las empresas busca crear valor para los accionistas principalmente a través de promover las ventas y mejorar los márgenes

Más detalles

Por qué Analytics en su Negocio?

Por qué Analytics en su Negocio? Por qué Analytics en su Negocio? Aplicaciones para la Gestión de Riesgos: El Caso del Score Crediticio 22 de Agosto de 2013 Bruno Gili y Sven Schaffrath Por qué Analytics en su negocio? Cantidad de Información

Más detalles

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value.

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Luis Aburto Lafourcade Gerente de Desarrollo luaburto@analytics.cl Agenda CRM: Entendiendo

Más detalles

Jornadas INCATEC 2015

Jornadas INCATEC 2015 Jornadas INCATEC 2015 Dr. Pedro Nolasco Bonillo Ramos Ingeniero en Computación. USB Magíster en Ingeniería de Sistemas. USB Magíster en Gerencia de las Finanzas. UNY Doctor en Ciencias de la Computación.

Más detalles

EL DATA SCIENTIST MAS QUE UNA MODA

EL DATA SCIENTIST MAS QUE UNA MODA EL DATA SCIENTIST MAS QUE UNA MODA JULIO 2015 AGENDA Origen y Evolución Qué conocimientos y skills deben tener? Cómo son los actuales Data Scientist? Dónde están ubicados en las empresas? SAS Data Scientist

Más detalles

Los Datos Maestros y la Visión Única de los Activos Esenciales: Clientes y Productos

Los Datos Maestros y la Visión Única de los Activos Esenciales: Clientes y Productos Los Datos Maestros y la Visión Única de los Activos Esenciales: Clientes y Productos Danilo Novelli Director, Worldwide Information Governance Sales IBM Pg 1 Qué son los Datos Maestros? Los Datos Maestros

Más detalles

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

WE ARE EXPERTS IN DATA PROCESSING & ANALYTICS IDATHA. DARK DATA White Paper - IDATHA. Octubre 2015. IDATHA.COM

WE ARE EXPERTS IN DATA PROCESSING & ANALYTICS IDATHA. DARK DATA White Paper - IDATHA. Octubre 2015. IDATHA.COM DARK DATA White Paper -. Octubre 2015..COM Resumen Ejecutivo Hoy en día las empresas recogen y almacenan enormes cantidades de datos. Estos datos se conservan en la mayoría de los casos para tareas de

Más detalles

CIO Roundtable Está lista su organización para aprovechar el potencial que ofrece Big Data?

CIO Roundtable Está lista su organización para aprovechar el potencial que ofrece Big Data? CIO Roundtable Está lista su organización para aprovechar el potencial que ofrece Big Data? Contenido Introducción 3 Qué es Big Data? 4 Está lista su organización para Big Data? Preguntas relevantes 6

Más detalles

Big Data, motor para superar la crisis

Big Data, motor para superar la crisis Big Data, motor para superar la crisis Francisco Javier Antón Vique Presidente de la Fundación Big Data Subdirector TIC del Ministerio de Educación, Cultura y Deporte Madrid, 9 de octubre de 2013 La innovación

Más detalles

Tendencias de Innovación en los próximos 10 años

Tendencias de Innovación en los próximos 10 años Tendencias de Innovación en los próximos 10 años La luz eléctrica no vino de la mejora continua de las velas Oren Harari Copyright 2012 Accenture All rights reserved. 2 Qué es innovación? Accenture lo

Más detalles

Universidad Autónoma del Estado de México Licenciatura en Mercadotecnia Programa de estudio de la unidad de aprendizaje:

Universidad Autónoma del Estado de México Licenciatura en Mercadotecnia Programa de estudio de la unidad de aprendizaje: Universidad Autónoma del Estado de México Licenciatura en Mercadotecnia Programa de estudio de la unidad de aprendizaje: Fundamentos de la Mercadotecnia I. Datos de identificación Espacio educativo donde

Más detalles

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results.

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results. Smarter Decisions. Better Results. 1 Aumente el valor de su BI con Análisis Predictivo José Ignacio Marín SPSS Sales Engineer 25/11/2010 2 Agenda Cómo está cambiando la toma de decisiones La potencia del

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina OCHO NIVELES DE ANALYTICS 4 ALERTAS Contesta las preguntas: Cuándo reaccionar? Qué acciones son necesarias? 3 2

Más detalles

Gerentes de mercadeo y/o asistentes de mercadeo, responsables por la planeación y ejecución de las estrategias de mercadeo en las empresas.

Gerentes de mercadeo y/o asistentes de mercadeo, responsables por la planeación y ejecución de las estrategias de mercadeo en las empresas. Durante los últimos años todo ha evolucionado, las personas, las tradiciones, las culturas, la tecnología y como no, los conceptos y estrategias del mundo del Marketing y la Publicidad. Hace tan solo una

Más detalles

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM)

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) Objetivos Al finalizar la unidad el alumno deberá conocer los antecedentes, el origen, los objetivos, los diferentes tipos y las estrategias

Más detalles

CRM Customer Relationship Manager

CRM Customer Relationship Manager Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas CRM Customer Relationship Manager Yerko Halat 16 de Octubre del 2001 1 Definiciones de

Más detalles

BIG DATA MARÍA PARRA AMAT. Almería, 5 junio 2015

BIG DATA MARÍA PARRA AMAT. Almería, 5 junio 2015 BIG DATA MARÍA PARRA AMAT Almería, 5 junio 2015 BIG DATA "Petróleo del XXI" Nuevo enfoque en el entendimiento y la toma de decisiones Conjunto de técnicas y herramientas ORIGEN Estadística Metodologías

Más detalles

Máster. en en Business Intelligence

Máster. en en Business Intelligence Máster en en Business Intelligence Máster en Business Intelligence Este máster se presenta como un programa muy equilibrado que abarca todos los aspectos de la estrategia, la gestión, la implementación

Más detalles

Hadoop. Cómo vender un cluster Hadoop?

Hadoop. Cómo vender un cluster Hadoop? Hadoop Cómo vender un cluster Hadoop? ÍNDICE Problema Big Data Qué es Hadoop? Descripción HDSF Map Reduce Componentes de Hadoop Hardware Software 3 EL PROBLEMA BIG DATA ANTES Los datos los generaban las

Más detalles

Los Cuatro Pilares de la Tercera Plataforma de Tecnología y Su Impacto En El Sector Minero

Los Cuatro Pilares de la Tercera Plataforma de Tecnología y Su Impacto En El Sector Minero Los Cuatro Pilares de la Tercera Plataforma de Tecnología y Su Impacto En El Sector Minero Federico Amprimo IDC Latinoamérica Si, Steve Jobs se llevó nuestros trabajos Alexander Stubb, Primer Ministro

Más detalles

Business Intelligence

Business Intelligence 2012 Business Intelligence Agenda Programas Diferencias de OLTP vs OLAP Arquitectura de una solución de BI Tecnologías Microsoft para BI Diferencias entre OLTP v/s OLAP Alineación de Datos OLTP Datos organizados

Más detalles

OLAP y Minería de Datos: Introducción

OLAP y Minería de Datos: Introducción OLAP y Minería de Datos: Introducción Carlos Hurtado L. churtado@dcc.uchile.cl Departamento de Ciencias de la Computación Universidad de Chile OLAP y Minería de Datos: Introducción, DCC, U. de Chile, 2do

Más detalles

La Dinámica Digital y su Evolución

La Dinámica Digital y su Evolución La Dinámica Digital y su Evolución POR: DIANE NOBOA www.mediapressconsulting.com LA DINÁMICA DIGITAL Y SU EVOLUCIÓN La dinámica digital en las empresas aumenta en importancia, pero pocas implementan modelos

Más detalles

Seguridad en tiempos de Big Data

Seguridad en tiempos de Big Data Seguridad en tiempos de Big Data A/C Rodrigo Guirado, CISA, CGEIT, CRISC Director de Consultoría PwC Uruguay Agenda Qué es realmente Big Data? Cómo usar Big Data en seguridad? Qué aspectos de seguridad

Más detalles

Josefina Marin Moreno PAC 3 Postgrado: Enseñanza de literatura y creación y edición digital de contenidos literarios UOC/GRUP 62

Josefina Marin Moreno PAC 3 Postgrado: Enseñanza de literatura y creación y edición digital de contenidos literarios UOC/GRUP 62 Josefina Marin Moreno PAC 3 Postgrado: Enseñanza de literatura y creación y edición digital de contenidos literarios UOC/GRUP 62 LAS TIC EN LOS CENTROS ESCOLARES. 1. Líneas de trabajo Las Tecnologías de

Más detalles

INFORME EJECUTIVO DE IDC

INFORME EJECUTIVO DE IDC INFORME EJECUTIVO DE IDC De qué forma Big Data transforma la protección y el almacenamiento de datos Agosto 2012 Escrito por Carla Arend Patrocinado por CommVault Introducción: De qué forma Big Data transforma

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

Roadmap para la adopción de nuevas arquitecturas de información

Roadmap para la adopción de nuevas arquitecturas de información Roadmap para la adopción de nuevas arquitecturas de información Qué es Big Data..? es el nombre que se le da a conjuntos de información que crecen de una manera tan exponencial que resulta prohibitivo

Más detalles

CONECTANDO DATOS CON NEGOCIO

CONECTANDO DATOS CON NEGOCIO CONECTANDO DATOS CON NEGOCIO Big Data y Data Science consulting Valor de negocio a través de los Datos Synergic Partners es una firma especializada en Big Data, Data Science y Data Engineering comprometida

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Cómo competir utilizando Big Data y Analytics

Cómo competir utilizando Big Data y Analytics Cómo competir utilizando Big Data y Analytics Guillermo Girón R. Business Information Regional Consultant ggiron@gbm.net Santo Domingo, Septiembre 2014 Sobrecarga de Información Pero a falta de Insight

Más detalles

Máster. en Inteligencia de Negocios

Máster. en Inteligencia de Negocios Máster en Inteligencia de Negocios Máster en Inteligencia de Negocios Este máster se presenta como un programa muy equilibrado que abarca todos los aspectos de la estrategia, la gestión, la implementación

Más detalles

BIGDATA. CAMBIO DE PARADIGMA SEMANA NAVAL DE LA ARMADA JORNADAS TECNOLÓGICAS. 23 Septiembre 2014

BIGDATA. CAMBIO DE PARADIGMA SEMANA NAVAL DE LA ARMADA JORNADAS TECNOLÓGICAS. 23 Septiembre 2014 BIGDATA. CAMBIO DE PARADIGMA SEMANA NAVAL DE LA ARMADA JORNADAS TECNOLÓGICAS 23 Septiembre 2014 Unapproved communication channels F I R E W A L L S Known bad code behaviors I N T R U S I O N P R E V E

Más detalles

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM? Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining

Más detalles

Conocer al cliente: Esta vez es personal

Conocer al cliente: Esta vez es personal Conocer al cliente: Esta vez es personal Cómo analytics puede ayudar a los bancos a lograr un CRM de nivel superior, asegurar el crecimiento y lograr un alto desempeño. Índice Introducción Cómo advanced

Más detalles

AMBIENTES ORACLE DE MISIÓN CRÍTICA CON VMAX 3

AMBIENTES ORACLE DE MISIÓN CRÍTICA CON VMAX 3 AMBIENTES ORACLE DE MISIÓN CRÍTICA CON VMAX 3 ASPECTOS BÁSICOS DE MISIÓN CRÍTICA Solidez Almacenamiento híbrido con niveles de servicio de rendimiento optimizado con flash a escala para cargas de trabajo

Más detalles

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

Más detalles

Scoring: Construcción y Aplicación

Scoring: Construcción y Aplicación Scoring: Construcción y Aplicación Agosto de 2014 2014 Experian Information Solutions, Inc. All rights reserved. Experian and the marks used herein are service marks or registered trademarks of Experian

Más detalles

La inteligencia de marketing que desarrolla el conocimiento

La inteligencia de marketing que desarrolla el conocimiento La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece

Más detalles

ENMKT663 MARKETING RELACIONAL

ENMKT663 MARKETING RELACIONAL ENMKT663 MARKETING RELACIONAL Profesor: E-mail profesor: Juan P. Forno jforno@formulisa.cl PRESENTACIÓN DEL CURSO Entregar a los alumnos las herramientas necesarias para definir y estructurar una estrategia

Más detalles

BIG DATA. Alex Gimenez, CTO EMC España @alexgimenezf 7 Mayo 2013. Copyright 2011 EMC Corporation. Todos los derechos reservados.

BIG DATA. Alex Gimenez, CTO EMC España @alexgimenezf 7 Mayo 2013. Copyright 2011 EMC Corporation. Todos los derechos reservados. BIG DATA Alex Gimenez, CTO EMC España @alexgimenezf 7 Mayo 2013 1 !!!!!!!!! Big data tiene menos que ver con el tamaño y más con la libertad Techcrunch!!! YA ESTÁ AQUÍ!!!!!!!!!!!! Big data es real, en

Más detalles

CUANDO CLOUD CONVERGE CON BIG DATA

CUANDO CLOUD CONVERGE CON BIG DATA CUANDO CLOUD CONVERGE CON BIG DATA CISCO Rock the Cloud Alejandro Giménez Advisory Technology Consultant 1 EN ESTA DÉCADA EL UNIVERSO DIGITAL CRECERÁ 44X DESDE 0.9 ZETTABYTES A 35.2 ZETTABYTES KILO 10

Más detalles

Tema 3 Selección de mercados internacionales

Tema 3 Selección de mercados internacionales Tema 3 Selección de mercados internacionales El proceso de selección de un mercado objetivo, compatible e idóneo con las aspiraciones y posibilidades de la empresa, donde poder expandirse y alargar su

Más detalles

Habilitando la empresa ágil a través de datos unificados La travesía hacia la plataforma de datos analítico-transaccionales

Habilitando la empresa ágil a través de datos unificados La travesía hacia la plataforma de datos analítico-transaccionales Habilitando la empresa ágil a través de datos unificados Agosto de 2015 Cómo se utilizan los datos hoy Los datos analíticos se derivan y separan a partir de datos transaccionales. Requieren bases de datos

Más detalles

Cursos. Big data. al servicio de la investigación. www.flickr.com/photos/marc_smith/6934127903 // CC by 2.0

Cursos. Big data. al servicio de la investigación. www.flickr.com/photos/marc_smith/6934127903 // CC by 2.0 Cursos Big data al servicio de la investigación www.flickr.com/photos/marc_smith/6934127903 // CC by 2.0 Madrid, 26 de febrero de 2014 OBJETIVO DEL CURSO Taller de formación en el que un conjunto de ponentes

Más detalles

Oteara. Inteligencia Social para la Escucha Activa en Internet. Presentación Mayo 2015

Oteara. Inteligencia Social para la Escucha Activa en Internet. Presentación Mayo 2015 Oteara Inteligencia Social para la Escucha Activa en Internet Presentación Mayo 2015 mpresa Compañía española fundada en 2011 Más de 15 años desarrollado productos punteros en las tecnologías BIG DATA

Más detalles

Definiciones. Adán Cabrera

Definiciones. Adán Cabrera Definiciones Marketing Digital: Es la aplicación de las estrategias de comercialización llevadas a cabo en los medios digitales Tendencia: Movimiento religioso, económico, político, artístico o semejante,

Más detalles

Enterprise Intelligence Solutions

Enterprise Intelligence Solutions Enterprise Intelligence Solutions Integrando la Voz del Cliente Kevin Kerr Adriana Ramirez 1 Introducción a Verint Líder Global en Inteligencia para la Acción y Servicios de Valor Agregado Spain Argentina

Más detalles

PYMES. Big Data PARA. Haciendo posible la innovación. Quieres ser la empresa referencia de tu categoría?

PYMES. Big Data PARA. Haciendo posible la innovación. Quieres ser la empresa referencia de tu categoría? Haciendo posible la innovación Big Data PARA PYMES Una manera sencilla de entender los grandes conjuntos de datos sobre tu categoría Descubre lo que dicen y sienten los usuarios de tu marca y del resto

Más detalles

Planning. (Planificación)

Planning. (Planificación) Inventory Optimization Transportation Management Distribution Management Order Management Store Inventory & Fulfillment Planning www.manh.com.mx Anticipe y responda a los cambios en la demanda a través

Más detalles

INTELIGENCIA DE NEGOCIOS (Business Intelligence)

INTELIGENCIA DE NEGOCIOS (Business Intelligence) INTELIGENCIA DE NEGOCIOS (Business Intelligence) Contenido: 1. Conceptos y Definiciones 2. Índices Financieros 3. Estadísticas 4. Planificación Estratégica 5. Balanced Scorecard 1. Conceptos y Definiciones

Más detalles

Por: Tito Neira, Gerente Inteligencia de Mercados. Monetización de la Información

Por: Tito Neira, Gerente Inteligencia de Mercados. Monetización de la Información Por: Tito Neira, Gerente Inteligencia de Mercados Monetización de la Información El análisis correcto El paso indicado La mejor decisión» Un solo lugar Monetización de la Información Quiénes Somos Estado

Más detalles

Convierta sus datos en conocimiento para generar utilidades.

Convierta sus datos en conocimiento para generar utilidades. Microsoft SQL Server Business Intelligence ofrece una plataforma integral fortaleciendo a las organizaciones para construir y desplegar soluciones de BI seguras, escalables y manejables. Convierta sus

Más detalles

Cómo empezar? Fernando Quesada abcq Solutions fquesada@abcqsolutions.com

Cómo empezar? Fernando Quesada abcq Solutions fquesada@abcqsolutions.com Cómo empezar? Fernando Quesada abcq Solutions fquesada@abcqsolutions.com Retos Actuales BI: Una Analogía - Definición Que no es BI Requisitos Fundamentales para Aprovechar BI Algunos Conceptos de TI (Tecnología

Más detalles

CRM Customer Relationship Management

CRM Customer Relationship Management CRM Customer Relationship Management Programas: Ingeniería de Sistemas Tecnología en Sistemas Empresariales de Información ISI/SI - 1 Contenido Qué es un CRM? Sistemas de Información de marketing Aplicaciones

Más detalles

CISCO REDES SIN FRONTERAS

CISCO REDES SIN FRONTERAS CISCO REDES SIN FRONTERAS Ronald Rojas Gerente de Ingeniería Bolivia, Ecuador, Perú rorojas@cisco.com 2009 Cisco Systems, Inc. All rights reserved. 1 Agenda Dinámica del mercado Arquitectura de la Red

Más detalles

Big Data Analytics con Hadoop. Copyright 2010, SAS Institute Inc. All rights reserved.

Big Data Analytics con Hadoop. Copyright 2010, SAS Institute Inc. All rights reserved. Big Data s con Hadoop Copyright 2010, SAS Institute Inc. All rights reserved. Hadoop será una tecnología altamente adoptada en las compañías Actuar basado en predicciones analíticas será un estándar Reaccionar

Más detalles

BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA

BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA Javier González Sánchez Director Comercial de Information Management España, Portugal, Grecia e Israel. IBM Software Características de Big Data Procesamiento

Más detalles

TEMA 1 Sistemas de información

TEMA 1 Sistemas de información TEMA 1 Sistemas de información María N. Moreno García Departamento de Informática y Automática Universidad de Salamanca Contenidos 1. Conceptos básicos 2. Elementos de un sistema de información 3. Estructura

Más detalles

DISEÑO CURRICULAR BASADO EN COMPETENCIAS DE LA ASIGNATURA DE: FUNDAMENTOS DE MERCADEO

DISEÑO CURRICULAR BASADO EN COMPETENCIAS DE LA ASIGNATURA DE: FUNDAMENTOS DE MERCADEO DISEÑO CURRICULAR BASADO EN COMPETENCIAS DE LA ASIGNATURA DE: FUNDAMENTOS DE MERCADEO 1. Datos Generales: Carrera: Tecnología en Administración de Empresas Semestre: Segundo Código: Unidad Académica: Ciencias

Más detalles

Marketing One to One e Internet

Marketing One to One e Internet Marketing One to One e Internet Paula Andrea Brienza Objetivos del Trabajo Analizar el desarrollo de una estrategia de Marketing One to One y las aplicaciones de Internet en el área de negocios, con el

Más detalles

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Equifax Perú Resumen ejecutivo: Equifax (EFX) se propuso determinar si EFL podría agregar valor a su score

Más detalles

Decisiones Analíticas en Tiempo Real

Decisiones Analíticas en Tiempo Real Decisiones Analíticas en Tiempo Real Pablo O. Hadjinian Consultor de Preventas Agenda Introducción SAS Real Time Decision Manager Casos de Uso Arquitectura Funcional Qué entendemos por Marketing en Tiempo

Más detalles

Soluciones de administración, protección y confidencialidad de la información en Tributos

Soluciones de administración, protección y confidencialidad de la información en Tributos Soluciones de administración, protección y confidencialidad de la información en Tributos Miguel Salgado Director General Adjunto EMC Iberia 1 Desafíos de la Administración Electrónica y de la Gestión

Más detalles

A continuación se mencionan algunas definiciones importantes para la comprensión del desarrollo de la investigación.

A continuación se mencionan algunas definiciones importantes para la comprensión del desarrollo de la investigación. CAPÍTULO 1 1. LOGÍSTICA: ELEMENTOS CONCEPTUALES 1.1 Definiciones principales A continuación se mencionan algunas definiciones importantes para la comprensión del desarrollo de la investigación. 1.1.1 Logística

Más detalles

SOCIEDAD DE SOLUCIONES

SOCIEDAD DE SOLUCIONES Nota de interés Entrega 2 de 3 CUSTOMER-FOCUSED OPERATIONAL EFFECTIVENESS Documento preparado especialmente para Gerentes de Marketing, Producto y s. Del Capacidades en los canales de comercialización

Más detalles