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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ESTRATEGIAS DIRECTIVAS

ESTRATEGIAS DIRECTIVAS ESTRATEGIAS DIRECTIVAS CRM: Estrategia de Negocios que Crea Valor Ing. Víctor M. Ornelas P. y Lic. Víctor M. Ornelas O. La Alta Dirección de las empresas se encuentra en una búsqueda continua de crear

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

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

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

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

Más Información = Mejores Modelos = Mayor Rentabilidad

Más Información = Mejores Modelos = Mayor Rentabilidad NOVIEMBRE 2014 Más Información = Mejores Modelos = Mayor Rentabilidad Cómo optimizar el ciclo del crédito: Originación, gestión y cobranza, a partir del análisis de toda la información generada por los

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

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

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

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

Return on Analytics. Valor basado en la Inteligencia Analítica

Return on Analytics. Valor basado en la Inteligencia Analítica Return on Analytics Valor basado en la Inteligencia Analítica Return on Analytics refuerza el compromiso de Accenture con la creación de valor tangible para sus clientes. Accenture Analytics aplica la

Más detalles

CREATIVIDAD, TECNOLOGIA Y AGILIDAD: L O S N U E V O S I N D I S P E N S A B L E S D E L M A R K E T I N G.

CREATIVIDAD, TECNOLOGIA Y AGILIDAD: L O S N U E V O S I N D I S P E N S A B L E S D E L M A R K E T I N G. CREATIVIDAD, TECNOLOGIA Y AGILIDAD: L O S N U E V O S I N D I S P E N S A B L E S D E L M A R K E T I N G. 1 2 MARCAS FUERTES GENERAN UN RETORNO MAYOR A SUS ACCIONISTAS BrandZ Strong Brands Portfolio vs.

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

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

El nuevo desafío: Cambio de paradigma en el perfil del cliente en la era digital

El nuevo desafío: Cambio de paradigma en el perfil del cliente en la era digital El nuevo desafío: Cambio de paradigma en el perfil del cliente en la era digital Agenda Cómo esta cambiando la relación con los clientes? Cómo son los nuevos clientes? Algunos números Qué buscan los clientes?

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

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

Cómo convertirse en un negocio en tiempo real con SAP Business Suite basado en SAP HANA

Cómo convertirse en un negocio en tiempo real con SAP Business Suite basado en SAP HANA de la solución SAP SAP Business Suite basado en SAP HANA Objetivos Cómo convertirse en un negocio en tiempo real con SAP Business Suite basado en SAP HANA Maneje todo su negocio en tiempo real Maneje todo

Más detalles

Business Analytics. Proceso de Planificación y Seguimiento Presupuestario

Business Analytics. Proceso de Planificación y Seguimiento Presupuestario Proceso de Planificación y Seguimiento Presupuestario Objetivos de la sesión Mostrar cómo IBM Cognos 8 Planning junto con Cognos TM1 proporciona todas la funcionalidades requeridas para la planificación

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

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

INTELIGENCIA DE NEGOCIO 2014-2015

INTELIGENCIA DE NEGOCIO 2014-2015 INTELIGENCIA DE NEGOCIO 2014-2015 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos Tema 4. Modelos de Predicción: Clasificación, regresión

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

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

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA M.ª del Pilar Cantero Blanco Jefa de Servicio de Sistemas Informáticos. Subdirección General de Planificación

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

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

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

Appliance IBM Netezza High Capacity

Appliance IBM Netezza High Capacity Appliance IBM Netezza High Capacity Archivado de datos con escala peta, análisis y recuperación de desastres Appliance de alta capacidad de IBM Netezza Puntos destacados: Permite la consulta y el análisis

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

Tecnologías de Información y Comunicación II

Tecnologías de Información y Comunicación II Tecnologías de Información y Comunicación II WEB MINING WEB MINING Como Concepto Webmining es una metodología de recuperación de la información que usa herramientas de la minería de datos para extraer

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

LA FÁBRICA DE ANALYTICS

LA FÁBRICA DE ANALYTICS LA FÁBRICA DE ANALYTICS MODELADO MASIVO CON FACTORY MINER DAVID CERVI HEAD OF PRACTICE ANALYTICS & FORECASTING DAVID.CERVI@SAS.COM ANALYTICSIDEAS.COM AGENDA Analytics? Naturaleza de las decisiones La fábrica

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

Desmitificando Big Data:

Desmitificando Big Data: Desmitificando Big Data: Data Mining y Business Intelligence 2.0 Ignacio Bustillo Ignacio.Bustillo@stratebi.com Twitter: @IgnacioBustillo Fecha presentación: 14 de Noviembre de 2014 'Hello world!' Creador

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

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

SAS Business Analytics

SAS Business Analytics SAS Business Analytics Montevideo, 2 de Agosto de 2012 Fernando Mogetta Gerente de Consultoría de Negocios La empresa Años de experiencia 36 Instalaciones +45,000 1 o Empresa privada de software más grande

Más detalles

INGENIERÍA EN SISTEMAS COMPUTACIONALES

INGENIERÍA EN SISTEMAS COMPUTACIONALES INGENIERÍA EN SISTEMAS COMPUTACIONALES UNIDAD 1 Catedrático: JOSÉ RAMÓN VALDEZ GUTIÉRREZ Alumnos: AVILA VALLES JAIRO EDUARDO 08040265 Victoria de Durango, Dgo.Mex Fecha: 14/09/2012 Tabla de contenido INTRODUCCIÓN

Más detalles

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper Marketing Advanced Analytics Predicción del abandono de los clientes Whitepaper El reto de predecir el abandono de los clientes Resulta entre cinco y quince veces más caro para una compañía captar nuevos

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Esta fuente ayudará a las organizaciones

Esta fuente ayudará a las organizaciones u n o Inteligencia de Negocios y los Medios de Comunicación Sociales (Social Media) María del Pilar Villamil Giraldo El uso de Medios de Comunicación Sociales para apoyar los procesos de toma de decisiones

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

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

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

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

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

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM).

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM). DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Mineria de Datos Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente

Más detalles

Analítica. Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader. 2011 IBM Corporation

Analítica. Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader. 2011 IBM Corporation Evolución y tendencias en la provisión ió de Información Analítica Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader BAO es una de las principales iniciativas

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

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

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

Corporate Performance Management: Como crear valor con sistemas Gerenciales. PRISCILA SIQUEIRA - EPM Manager Latino América

Corporate Performance Management: Como crear valor con sistemas Gerenciales. PRISCILA SIQUEIRA - EPM Manager Latino América Corporate Performance Management: Como crear valor con sistemas Gerenciales PRISCILA SIQUEIRA - EPM Manager Latino América Tenemos que analizar nuestras estrategias para crear valor a nuestro negocio Pero

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

IBM PERFORMANCE EVENTS. Decisiones Inteligentes. Mejores Resultados

IBM PERFORMANCE EVENTS. Decisiones Inteligentes. Mejores Resultados Decisiones Inteligentes. Mejores Resultados 1 Obtenga una orientación de confianza con IBM Cognos TM1 y el análisis What-if Ignacio Cabrera Preventa responsable del área FPM 2 Empecemos por una definición

Más detalles

APROVECHAR LAS HERRAMIENTAS ANALÍTICAS PARA OPTIMIZAR EL CUMPLIMIENTO Y LA DEBIDA DILIGENCIA

APROVECHAR LAS HERRAMIENTAS ANALÍTICAS PARA OPTIMIZAR EL CUMPLIMIENTO Y LA DEBIDA DILIGENCIA APROVECHAR LAS HERRAMIENTAS ANALÍTICAS PARA OPTIMIZAR EL CUMPLIMIENTO Y LA DEBIDA DILIGENCIA Matías Livachof Manager Forensic Technology Services KPMG LLP Forensic Data Analysis Características UN PROCESO

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

Data Lake: La evolución da paso a la Revolución. César Tapias Herranz Isilon Regional Territory Manager

Data Lake: La evolución da paso a la Revolución. César Tapias Herranz Isilon Regional Territory Manager Data Lake: La evolución da paso a la Revolución César Tapias Herranz Isilon Regional Territory Manager Copyright 2015 EMC Corporation. All Todos rights los reserved. derechos reservados. 1 El poder de

Más detalles

CRM: La estrategia mercadotécnica corporativa a partir de la construcción de Bases de Datos

CRM: La estrategia mercadotécnica corporativa a partir de la construcción de Bases de Datos CRM: La estrategia mercadotécnica corporativa a partir de la construcción de Bases de Datos Marzo, 2003. Hugo Pelayo García. CRM software y/o hardware? filosofía? utopía? o realidad? Primer caso Una empresa

Más detalles

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS 1. RESEÑA HISTORICA Las exigencias competitivas del mercado hacen que las organizaciones busquen mecanismos

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

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

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

Cinco pasos para que el centro de datos sea seguro: Razones por las que es posible que la seguridad tradicional no funcione

Cinco pasos para que el centro de datos sea seguro: Razones por las que es posible que la seguridad tradicional no funcione Informe técnico Cinco pasos para que el centro de datos sea seguro: Razones por las que es posible que la seguridad tradicional no funcione Lo que aprenderá Los administradores del centro de datos se enfrentan

Más detalles

Botón menú Objetivo de la Minería de datos.

Botón menú Objetivo de la Minería de datos. Titulo de Tutorial: Minería de Datos N2 Botón menú: Introducción. Las instituciones y empresas privadas coleccionan bastante información (ventas, clientes, cobros, pacientes, tratamientos, estudiantes,

Más detalles

El fenómeno Big Data y los títulos en Estadística en España.

El fenómeno Big Data y los títulos en Estadística en España. El fenómeno Big Data y los títulos en Estadística en España. Daniel Peña Rector Universidad Carlos III de Madrid V Conferencia Interuniversitaria sobre Titulaciones en Estadística UCM, enero 2014 Indice

Más detalles

Ambientes de gestión de información sensible a contexto en escenarios de alta escalabilidad

Ambientes de gestión de información sensible a contexto en escenarios de alta escalabilidad COMIT Ingeniería de información Ambientes de gestión de información sensible a contexto en escenarios de alta escalabilidad Profesores: Claudia Jiménez - cjimenez@uniandes.edu.co Álvaro Gómez D Alleman

Más detalles

Social Media Analytics para Entender el Desempeño de la Marca con Exactitud y en Tiempo Real

Social Media Analytics para Entender el Desempeño de la Marca con Exactitud y en Tiempo Real Resumen de Soluciones de SAP Soluciones de Analítica de Negocio de SAP SAP Social Media Analytics Objetivos Social Media Analytics para Entender el Desempeño de la Marca con Exactitud y en Tiempo Real

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

Big Data. Técnicas, herramientas y aplicaciones. María Pérez Marqués

Big Data. Técnicas, herramientas y aplicaciones. María Pérez Marqués Big Data Técnicas, herramientas y aplicaciones María Pérez Marqués Big Data. Técnicas, herramientas y aplicaciones María Pérez Marqués ISBN: 978-84-943055-5-9 EAN: 9788494305559 IBIC: UNC Copyright 2015

Más detalles

Gestión de la Información Empresarial - EDM. Punto de Vista

Gestión de la Información Empresarial - EDM. Punto de Vista Gestión de la Información Empresarial - EDM Punto de Vista Febrero 2012 EDM Nuestra propuesta de Valor Necesidades del Mercado Imperativos de Tecnología 1. Integrar múltiples fuentes de para proporcionar

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

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

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

Diplomatura en Analítica de Negocios y Gestión de la Información

Diplomatura en Analítica de Negocios y Gestión de la Información Diplomatura en Analítica de Negocios y Gestión de la Información "El bien más valioso que conozco es el recurso información" Fuente : Richard Burger, George Davies, (2005) The most valuable commodity I

Más detalles

FORMACIÓN E-LEARNING. Curso de Analytics 360º

FORMACIÓN E-LEARNING. Curso de Analytics 360º FORMACIÓN E-LEARNING Para conocer y aplicar las métricas y herramientas necesarias para analizar los resultados de su comunicación o negocio online y offline así como disponer de los datos precisos para

Más detalles

How organizations are influenced by Business Analytics? Octubre 2014

How organizations are influenced by Business Analytics? Octubre 2014 How organizations are influenced by Business Analytics? Octubre 2014 El boom de los datos Fuente: Gestión. Artículo: Big Data: La nueva moneda en el mundo de los negocios. Martes, 07 de octubre del 2014

Más detalles

Business Intelligence: Competir con Información

Business Intelligence: Competir con Información Business Intelligence: Competir con Información Reus, 16 de Noviembre de 2011 Página 1 Página 2 Sumario Sistemas de Información - Introducción Introducción Business Intelligence Datawarehouse OLAP Data

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 en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

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