FACULTAD DE INGENIERÍA

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

Download "FACULTAD DE INGENIERÍA"

Transcripción

1 FACULTAD DE INGENIERÍA II JORNADAS DE DATA MINING CONFERENCIA 4.- " DATA MINING & KNOWLEDGE DISCOVERY: EXPERIENCIAS DE INDUSTRIA Pabl Vic Prject Manager de NCR Teradata. IAE - Pilar, 7 y 8 de agst de 2007

2 Data Mining & Knwledge Discvery: Experiencias de Industria Pabl Andrés Vic Prject Manager Data Mining CLA Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 2

3 Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 3 Data Mining: Definición Qué es Data Mining? Es un grup de Técnicas prvenientes de: Estadística Inteligencia Artificial Bilgía Para qué se utiliza? Es utilizada: Explrar y analizar grandes vlumenes de dats Cn qué bjetiv? Su bjetiv es: Descubrir Cncimient 4

4 Métds Básics en Estadísticas Deductiv Inductiv Data Mining 5 Métd Deductiv: Este métd esta basad en el test de hipótesis. Implica tda hipótesis previamente realizada pr un ser human y lueg testeada pr medis estadístics. Este es el métd habitualmente utilizad en las aprximacines estadísticas tradicinales. Métd Inductiv: Este métd es denminad machine learning. N existe un test de hipótesis aprri. La máquina aprende desde ls dats prvists pr la base de dats y encuentra patrnes de cmprtamient entre ésts. Es la manera de extraer cncimient de grandes vlúmenes de dats. Data mining está fuertemente rientad hacia el Métd Inductiv. Iniciativas Principales en Data Mining Afinidad Segmentación Estimación 6

5 Herramientas: Teradata Warehuse Miner 7 Técnicas de Mdelamient Típicas Statistical Regressin Apprve LIne f Credit? Hme Owner? Decisin Trees yes incme > $ 40K yes n APPROVE assets > $100K yes n APPROVE DENY n years-at-jb > 4 yes n credit-card-debt < $2000 incme > $55K yes n YES n APPROVE any-bad-debts? APPROVE DENY yes DENY n APPROVE Neural Netwrks age sex incme wner state regin cuntry Outcme 8

6 Principales Mdels en Data Mining Mdels: Prpensión a la Fuga (Churn) Prpensión a la Cmpra Prpensión a la Mrsidad Venta Cruzada (Afinidad) Segmentación de Clientes Scring de Riesg Creditici Análisis Crss/Up Sell Predicción de Demanda Detección de Fraude Valr en Riesg Mdel de Valr del Cliente Simulación de Perfiles Simulación de Campañas Análisis de Ofertas 9 Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 10

7 Iniciativas Típicas de la Industria Tres palabras Mágicas Retentin Grwth Acquisitin 11 Iniciativas Típicas de la Industria Retentin Churn Risk Fraud Grwth Clustering Affinity Prpensity t buy Acquisitin Respnse Campaign Simulatin 12

8 Principales Mdels en Data Mining Mdels: Prpensión a la Fuga (Churn) RETENTION Prpensión a la Mrsidad RETENTION Scring de Riesg Creditici RETENTION Detección de Fraude RETENTION Valr en Riesg RETENTION Venta Cruzada (afinidad) GROWTH Segmentación de Clientes GROWTH Análisis Crss/Up Sell GROWTH Predicción de Demanda GROWTH Mdel de Valr del Cliente GROWTH Prpensión a la Cmpra GROWTH 13 Simulación de Perfiles ACQUISITION Simulación de Campañas ACQUISITION Análisis de Ofertas ACQUISITION Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 14

9 Ambiente: Data Mining Distribuíd Cust_id Prb Scre Aplicar el Mdel Dataset Analític Rle Analysis Level Dependent Variable Indep. 3 Chsen Indep. 9 Chsen Indep. 15 Chsen Indep. N Chsen Scre Example Cust_id Clse Flag $ Amt Q2 $ IRA/Mnth # Children Regin ID Cargar Scre Teradata Relatinal Data Mdel Regenerar Extracción Evaluar el Mdel Generar Extracción Crear el Mdel Muestra de Dats Preparar Ls dats Rle Analysis Level Dependent Variable Indep. 1 Candidate Indep. 2 Candidate Indep. 3 Candidate Indep. N Candidate El dat migra a través de distints sistemas! Dataset Analític Example Cust_id Clse Flag # f Trans $ Amt Q1 $ Amt Q2 $ Avg Bal Ambiente: Data Mining In-Database Teradata Data Warehuse Mdel Deplyment Scre Relatinal Data Mdel Data Pre- Prcessing Dataset Analític Analytical Mdeling El dat cmienza y termina en la misma Base de dats! 16

10 Ambiente: Administradr & Usuari Teradata Data Warehuse Mdel Relacinal Teradata Scre Dataset Analític F(y)= a0+b1+b2 OLAP TWM Administradr: Mdeladr Analític. Usuari: Perfil de Negci. 17 Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 18

11 Incme>$40K Yes NO Debt<10% f Incme Debt=0% Yes NO NO Yes Gd Bad Gd Credit Credit Credit Risks Risks Risks Experiencia: CRISP-DM El Data Mining Lab de Teradata tiene una larga experiencia en la metdlgía de implementación de Mdels de Data Mining y Data Warehuse pr Industria. Ha establecid, junt a tras 3 cmpañías, el Crss - Industry Standard Prcess fr Data Mining. Fundadres de la Metdlgía CRISP-DM SQL Teradata Database Teradata Warehuse Miner Data Mining & OLAP Assists NCR, líder mundial en slucines de Data Warehuse. DaimlerChrysler, una cmpañía de las más grandes de Eurpa (autmtriz, aerespacial, telc, cnsultría). Integral Slutins limited (ISL), desarrlladr del Clementine Data Mining System, psterirmente absrbida pr SPSS en diciembre de OHRA, una de las cmpañías independientes más grandes de segurs de Eurpa. 19 Metdlgía CRISP-DM Prject Management Business Discvery Knwledge Transfer 20

12 Prject Plan: Business Discvery Business Discvery > Wrkshps > Se identificar bjetivs y métricas de negci > Se cnsensúan ls misms entre ls departaments > Entregable: Business Discvery Dcument 21 Metdlgía CRISP-DM Prject Management Infrmatin Discvery Knwledge Transfer 22

13 Prject Plan: Infrmatin Discvery Infrmatin Discvery > Wrkshps > Se identifican variables susceptibles a ingresar al mdel > Se cnsensúan las mismas entre ls departaments > Entregable: Infrmatin Discvery Dcument 23 Metdlgía CRISP-DM Prject Management ETL DM Knwledge Transfer 24

14 Prject Plan: ETL Data Mining ETL Data Mining > Extracción de dats > Creación del Dataset Analític > Validación del Dataset Analític > Entregables: Dataset Analític dispnible en Teradata Dcument cn Script de ETL para generación del dataset analític 25 Metdlgía CRISP-DM Prject Management Analytical Mdeling Knwledge Transfer 26

15 Prject Plan: Desarrll del Mdel Desarrll del Mdel > Creación del Mdel Analític > Validación del Mdel Analític > Entregable: Dcument Wrd descriptiv cn la definición de ls algritms generads 27 Metdlgía CRISP-DM Prject Management Autmatin Frnt End Knwledge Transfer 28

16 Prject Plan: Desarrll del Mdel Prducción del Mdel > Puesta en Prducción del Mdel > Prueba Integral > Se aplica el algritm a un script autmatizad que crrerá en Teradata > Entregable: Script ejecutable cn el algritm analític 29 CRISP-DM 1.0 UNDERSTAND THE BUSINESS UNDERSTAND THE DATA PREPARE THE DATA BUILD THE MODEL EVALUATE THE MODEL DEPLOY THE MODEL DETERMINE BUSINESS OBJECTIVES COLLECT INITIAL DATA SELECT THE DATA SELECT THE MODELING TECHNIQUE EVALUATE THE RESULTS PLAN DEPLOYMENT ASSESS SITUATION DESCRIBE DATA CLEANSE THE DATA BUILD THE MODEL REVIEW PROCESS MONITOR & MAINTAIN THE MODEL DETERMINE DATA MINING GOALS EXPLORE DATA CONSTRUCT THE DATA SET ASSESS THE MODEL DETERMINE NEXT STEPS REVIEW PROJECT PRODUCE PROJECT PLAN VERIFY DATA QUALITY ADAPTED FROM CRISP-DM

17 Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 31 Return ver Investment Supuests: > Cantidad de clientes: > Tasa de fuga de clientes mensual: 2% > Hipótesis: triplicación de la tasa de detección en el primer decil > Ganancia anual prducida pr cada cliente: $1000 > Mdel de Churn 32

18 Return ver Investment Asumims una tasa de retención efectiva (sbre el ttal detectad) del 20%. Est ns arrja un ahrr pr retención efectiva de $ 5,273,227 dólares anuales. 33 Agenda Data Mining: Intrducción Cnceptual Iniciativas Típicas en la Industria Ambientes Crprativs de Implementación Metdlgías Recmendadas de Implementación Retrn de la Inversión en Data Mining Experiencia en la Región 34

19 Experiencia en la Región CLA ( ) 1998 ARGENTINA - TELEFONIA FIJA - PROPENSION A LA COMPRA ARGENTINA - TELEFONIA FIJA - AFINIDAD DE PRODUCTOS ARGENTINA - TELEFONIA FIJA - SIMULACION DE CAMPAÑAS 1999 BRASIL - TELEFONIA FIJA - PROPENSION A LA COMPRA DE PRODUCTO BRASIL - TELEFONIA MOVIL - CHURN 2002 ARGENTINA - RETAIL - MARKET BASKET ANALYSIS 2003 MEXICO - TELEFONIA MOVIL - CHURN VOLUNTARIO MEXICO - TELEFONIA MOVIL - CHURN INVOLUNTARIO 2004 ARGENTINA - RETAIL - PRONOSTICO DE DEMANDA PARA PEDIDO SUGERIDO CHILE - AEROLINEAS - FORECAST BY TICKET MEXICO - MANUFACTURA - SEGMENTACION 2005 ARGENTINA - TELEFONIA FIJA CORPORATIVA - CHURN - AFINIDAD ARGENTINA - ADMINISTRADORA DE TARJETAS DE CREDITO - PREVENCION DE FRAUDE ARGENTINA - TELEFONIA FIJA RESIDENCIAL - COMPRA DE PAQUETES DE MINUTOS MEXICO - TELEFONIA MOVIL - CALIBRACION MODELO DE CHURN 2006 ARGENTINA - ADMINISTARDORA DE TARJETAS DE CREDITO - PREVENCION DE FRAUDE ARGENTINA - BANCA - PREVENCION DE LA MORA 2007 ARGENTINA - BANCA - MANEJO DE RIESGO (RMS) COLOMBIA - RETAIL - PROPENSION A LA COMPRA DE CARNICOS 35 PREGUNTAS? Please send t:

Lo que se pretende conseguir es proporcionar información detallada sobre. algunos ejemplos de software diseñados para implementar la Minería de Datos.

Lo que se pretende conseguir es proporcionar información detallada sobre. algunos ejemplos de software diseñados para implementar la Minería de Datos. SISTEMAS Y HERRAMIENTAS DE MINERÍA DE DATOS. EJEMPLOS: L que se pretende cnseguir es prprcinar infrmación detallada sbre alguns ejempls de sftware diseñads para implementar la Minería de Dats. Librerías:

Más detalles

Gerenciando el riesgo en el siglo XXI: Conectando información y decisiones. Richard Weber Universidad de Chile Departamento de Ingeniería Industrial

Gerenciando el riesgo en el siglo XXI: Conectando información y decisiones. Richard Weber Universidad de Chile Departamento de Ingeniería Industrial Gerenciand el riesg en el sigl XXI: Cnectand infrmación y decisines Richard Weber Universidad de Chile Departament de Ingeniería Industrial 1 Cntenid Mtivación Etapas: Slicitud de Crédit Cbranza Fraude

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining

04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining 04/11/2008 Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining Business Intelligence Qué es Business Intelligence? Business Intelligence Qué es

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

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

Nuestro negocio. Desarrollo y consultoría. Formación. Outsourcing

Nuestro negocio. Desarrollo y consultoría. Formación. Outsourcing Nuestr negci La recmpensa del trabaj bien hech es la prtunidad de hacer más trabaj bien hech (Jnas Edward Salk) Desarrll y cnsultría Frmación Outsurcing Desarrll y cnsultría Prtales crprativs Aplicacines

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

Miembro de Global Compact de las Naciones Unidas - Member United Nations Global Compact SEMINARIOS HERRAMIENTAS COMERCIALES, TEMA:

Miembro de Global Compact de las Naciones Unidas - Member United Nations Global Compact SEMINARIOS HERRAMIENTAS COMERCIALES, TEMA: LAS "REDES SOCIALES" EL NUEVO MODELO DE NEGOCIO ONLINE N. De hras: 8 hras Intrducción Muchas empresas han encntrad en estas cmunidades un canal idóne para cnseguir l que siempre han estad buscand: ser

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Calidad de modelos BIM (Building Information Modeling) aplicados al Patrimonio. Universidades de Granada, Jaén y Sevilla

Calidad de modelos BIM (Building Information Modeling) aplicados al Patrimonio. Universidades de Granada, Jaén y Sevilla Calidad de mdels BIM (Building Infrmatin Mdeling) aplicads al Patrimni Universidades de Granada, Jaén y Sevilla 1 2 Calidad de mdels BIM (Building Infrmatin Mdeling) aplicads al Patrimni 3 Agencia de Obra

Más detalles

UNIVERSIDAD FRANCISCO DE PAULA SANTANDER PROGRAMA DE INGENEIRIA DE SISTEMAS ANÁLISIS Y DISEÑO DE SISTEMAS. Enfoques para Modelado del Negocio

UNIVERSIDAD FRANCISCO DE PAULA SANTANDER PROGRAMA DE INGENEIRIA DE SISTEMAS ANÁLISIS Y DISEÑO DE SISTEMAS. Enfoques para Modelado del Negocio MODELO DEL NEGOCIO Intrducción Las Organizacines intentan cnjuntar ds visines para realizar su negci: Visión del negci: Especificar y mejrar sus prcess (análisis del negci) Visión de TI: Infrmatizarls

Más detalles

MBA On Line Investment Readiness (Módulo Inversión y Business Plan) Investment Readiness MBA On Line. Página: 1/6

MBA On Line Investment Readiness (Módulo Inversión y Business Plan) Investment Readiness MBA On Line. Página: 1/6 (Módul Inversión y Business Plan) Investment Readiness MBA On Line Página: 1/6 (Módul Inversión y Business Plan) Investment Readiness Inversión y Business Plan Desarrll de un plan de negcis para una cmpañía

Más detalles

También. os. de formación. tendencias. Explica cómo se y la función de. Pág.1

También. os. de formación. tendencias. Explica cómo se y la función de. Pág.1 E-learning Técnic de frmación 110 HORAS ON-LINE CONTENIDOS Fundaments de la frmación a distancia Bases cnceptuales. Características de la frmación a distancia Se realiza una aprximación histórica al fenómen

Más detalles

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software Gestión del Fraude Pilar Sirvent, Arquitecto Senior de Software Áreas de Apoyo Gestión del Fraude Grandes Cantidades de Datos (Big Data) Volumen - Variedad - Velocidad Integración Visión 360º Análisis

Más detalles

CRM Analítico en Telecom Personal

CRM Analítico en Telecom Personal CRM Analítico en Telecom Personal Ramiro Solana Gerente de Sistemas de Inteligencia del Negocio Grupo Telecom 14,5 millones de clientes ( 15 %) Market Share: 30,7% Líder en Smartphones Productos: Factura

Más detalles

http://www.expert-pms.com david.gonzalez@expert-pms.com Oficina: +52 (81) 2459 0878 Movil: +52 (1) (81) 1799 9681

http://www.expert-pms.com david.gonzalez@expert-pms.com Oficina: +52 (81) 2459 0878 Movil: +52 (1) (81) 1799 9681 PROGRAMA EN DIRECCIÓN BÁSICA DE PROYECTOS ALINEADO AL PMI Htel Fur Pints Galerías Mnterrey Planeación y ejecución de pryects exitss (Módul de 16 hras: 4 y 5 de Septiembre del 2015) Administración de pryects

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

Datamining Introducción

Datamining Introducción Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Introducción Yerko Halat 2 de Octubre del 2001 1 Cuál es la diferencia entre

Más detalles

A continuación presentamos un posible modelo del contenido de un plan de mercadeo:

A continuación presentamos un posible modelo del contenido de un plan de mercadeo: Mdel del cntenid del plan de mercade Existe una gran variedad de mdels de planes de mercade que reflejan n slamente la rientación y las perspectivas que tienen las empresas de vender en diferentes mercads,

Más detalles

GUIA DE MODELOS INTERNOS. M ª Te r e s a S u á r e z C u e n d i a s

GUIA DE MODELOS INTERNOS. M ª Te r e s a S u á r e z C u e n d i a s GUIA DE MODELOS INTERNOS M ª Te r e s a S u á r e z C u e n d i a s MADRID, 22 OCTOBER 2013 GUÍA DE MODELO INTERNO La guía de mdels interns se aplica a: Prces de pre aplicación para el us de mdel intern

Más detalles

Curso del Data Mining al Big Data

Curso del Data Mining al Big Data Curso del Data Mining al Big Data Instructor: Dr. Luis Carlos Molina Félix Presentación. Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y

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

Sumario. Curso Experto en Gestión del error humano en procesos industriales PRESENTACIÓN 3 INFORMACIÓN ACADÉMICA 5

Sumario. Curso Experto en Gestión del error humano en procesos industriales PRESENTACIÓN 3 INFORMACIÓN ACADÉMICA 5 Curs Expert en Gestión del errr human en prcess industriales Sumari PRESENTACIÓN 3 EL CENTRO DE ERGONOMÍA APLICADA CENEA 3 PROFESORADO 4 INFORMACIÓN ACADÉMICA 5 GESTIÓN EFICIENTE DEL ERROR HUMANO 5 EL

Más detalles

Factores de Calidad en Web Services

Factores de Calidad en Web Services Factres de Calidad en Web Services Laura Gnzález Juni 2008 Agenda Intrducción WS-Quality Mdel WS-Quality Factrs Otrs Factres WS-Quality Descriptin Language WSQM TC Cmité técnic de la OASIS cn el fin de

Más detalles

Propuesta de Comunicación para Tecnimap 2010.

Propuesta de Comunicación para Tecnimap 2010. Prpuesta de Cmunicación para Tecnimap 2010. dkusi: Dkumentu KUdeaketa Sistema Integrala. Sistema Integral de Gestión Dcumental. dkusi es un sistema de gestión de dcuments electrónics y sus metadats, guardads

Más detalles

Confianza Histórico 200 1 día 95% Histórico Exponencial 200 1 día 0.9772 95% Monte Carlo 200 1 día 1,000 95%

Confianza Histórico 200 1 día 95% Histórico Exponencial 200 1 día 0.9772 95% Monte Carlo 200 1 día 1,000 95% Administración de Riesgs El prces de administración de riesgs de la Financiera Rural es desempeñad pr la Unidad para la Administración Integral de Riesgs (UAIR). Dicha unidad es independiente de las unidades

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

FORMACION EN BUSINESS ANALYTICS

FORMACION EN BUSINESS ANALYTICS Limitless Pwer f Infrmatin (LPI) FORMACION EN BUSINESS ANALYTICS 1 Limitless Pwer f Infrmatin (LPI) 1. SUMILLA El especialista cn base en Inteligencia de Negcis de una rganización es el prfesinal cn cncimient

Más detalles

http://www.expert-pms.com david.gonzalez@expert-pms.com Oficina: +52 (81) 2459-0878

http://www.expert-pms.com david.gonzalez@expert-pms.com Oficina: +52 (81) 2459-0878 FECHAS EN MONTERREY Htel Fur Pints Linda Vista Planeación y ejecución de pryects exitss (Módul de 16 hras: 29 y 30 de May del 2015) Administración ttal de pryects cn Micrsft Prject (Módul de 16 hras: 12

Más detalles

Introducción a la Minería de Datos (Data Mining)

Introducción a la Minería de Datos (Data Mining) a la Minería de Datos (Data Mining) IT-Nova Facultad de Ingeniería Informática y Telecomunicaciones Iván Amón Uribe, MSc Minería de Datos Diapositivas basadas parcialmente en material de Inteligencia Analítica

Más detalles

Bases de datos avanzadas

Bases de datos avanzadas Bases de dats avanzadas Universidad de Ls Andes Pstgrad en Cmputación Prf. Isabel M. Besembel Carrera Unidad II. Sesines 31 y 32. Integración de mdels y sistemas multibases de dats. 1 Intrducción Durante

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Tema 45 Grupos de trabajo. WorkFlow 30/05/2011

Tema 45 Grupos de trabajo. WorkFlow 30/05/2011 Tema 45 Grups de trabaj. WrkFlw 30/05/2011 Tema 45. Herramientas de prductividad de grups de trabaj. Fluj de trabaj (WrkFlw), asciación de tareas, actres y events. Flujs reglads. Índice 1 Intrducción...

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

Pack Comercio Electrónico

Pack Comercio Electrónico Pack Cmerci Electrónic Prgramación Páginas Web cn PHP + Marketing 75 + 45 HORAS ON-LINE CONTENIDOS: Prgramación Páginas Web cn PHP Prgramación cliente Prgramación de páginas web Presenta la necesidad de

Más detalles

UNIVERSIDAD LATINO. Introducción a BUSINESS INTELLIGENCE. ISC. Adiel E. Pacheco Mutul INGENIERÍA EN SISTEMAS COMPUTACIONALES.

UNIVERSIDAD LATINO. Introducción a BUSINESS INTELLIGENCE. ISC. Adiel E. Pacheco Mutul INGENIERÍA EN SISTEMAS COMPUTACIONALES. UNIVERSIDAD LATINO INGENIERÍA EN SISTEMAS COMPUTACIONALES Intrducción a BUSINESS INTELLIGENCE Elabrad pr: ISC. Adiel E. Pachec Mutul Marz 2012 Intrducción a BUSINESS INTELLIGENCE Tabla de cntenid EJEMPLO

Más detalles

Cómo garantizar el Retorno de la Inversión (ROI) de la medición inteligente: Enfoque hacia el aseguramiento de ingresos

Cómo garantizar el Retorno de la Inversión (ROI) de la medición inteligente: Enfoque hacia el aseguramiento de ingresos Cóm garantizar el Retrn de la Inversión (ROI) de la medición inteligente: Enfque hacia el aseguramient de ingress Slide: 1 / 23 Chice Technlgies: la Cmpañía Fundación: 1993 Enfque: Data Analytics y Slucines

Más detalles

PLATAFORMA TECNOLOGICA EN LINEA DE GESTION DE PROYECTOS DE LA INGENIERÍA INDUSTRIAL

PLATAFORMA TECNOLOGICA EN LINEA DE GESTION DE PROYECTOS DE LA INGENIERÍA INDUSTRIAL Platafrma en línea de Gestión de Pryects PLATAFORMA TECNOLOGICA EN LINEA DE GESTION DE PROYECTOS DE LA INGENIERÍA INDUSTRIAL Para que la realización de un pryect tenga éxit en sus tres bjetivs (calidad,

Más detalles

Cursos Oficiales de ITIL

Cursos Oficiales de ITIL Curss Oficiales de ITIL Intrducción La Bibliteca de Infraestructura de Tecnlgía de Infrmación ITIL (Infrmatin Technlgy Infrastructure Library) es un cnjunt de buenas prácticas recncidas mundialmente para

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

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

Uso de las Redes Sociales aplicadas a las ventas y el networking

Uso de las Redes Sociales aplicadas a las ventas y el networking Us de las Redes Sciales netwrking Descripción y Objetivs Las empresas nacen cn el bjetiv de rentabilizar a través de las ventas un cntinu desarrll de prducts y servicis. En un mund tan cnectad y cmpetitiv

Más detalles

I D E N T I F I C A N D O O P O R T U N I D A D E S D E M E J O R A S

I D E N T I F I C A N D O O P O R T U N I D A D E S D E M E J O R A S I D E N T I F I C A N D O O P O R T U N I D A D E S D E M E J O R A S Y A H O R R O S D E R E C U R S O S D E L A C A R G A B A T C H D E Z / OS Bletín Ener 201 1 Vlumen 1, Nº 1 Intrducción Las rganizacines

Más detalles

Taller de Sistemas de Información 2. Clase 2 Java EE

Taller de Sistemas de Información 2. Clase 2 Java EE Taller de Sistemas de Infrmación 2 Clase 2 Java EE Qué es Java EE? Suite de especificacines Una arquitectura distribuida de cmputación Definición estandarizada de cmpnentes, cntainers y servicis, que permiten

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

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

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

MBA On Line Cash Crisis (Módulo Financiero) CASH CRISIS MBA On Line. Página: 1/5

MBA On Line Cash Crisis (Módulo Financiero) CASH CRISIS MBA On Line. Página: 1/5 CASH CRISIS MBA On Line Página: 1/5 Analizar y reslver prblemas de PyMes Trabajarás cm cnsultr financier ayudand a una familia prpietaria de un negci de vins para reslver una crisis de liquidez que n les

Más detalles

ENSIA 605 Inteligencia de Negocios y Minería de Datos

ENSIA 605 Inteligencia de Negocios y Minería de Datos ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías

Más detalles

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

UN PASEO POR BUSISNESS INTELLIGENCE UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos

Más detalles

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

LA MEDICIÓN DEL RETORNO DE LA INVERSIÓN EN CAPACITACIÓN, ES ALGO TANGIBLE? Una Pregunta de Difícil Respuesta. Pablo Bastide

LA MEDICIÓN DEL RETORNO DE LA INVERSIÓN EN CAPACITACIÓN, ES ALGO TANGIBLE? Una Pregunta de Difícil Respuesta. Pablo Bastide LA MEDICIÓN DEL RETORNO DE LA INVERSIÓN EN CAPACITACIÓN, ES ALGO TANGIBLE? Una Pregunta de Difícil Respuesta Pabl Bastide El presente artícul ha sid publicad pr GESTION.ar en la 13 Edición Anual del Reprte

Más detalles

Descubre y Desarrolla tu Potencial Emprendedor

Descubre y Desarrolla tu Potencial Emprendedor Descubre y Desarrlla tu Ptencial Emprendedr Del 23 al 26 de Juni, 2015 1 TITULO DEL CURSO Descubre y desarrlla tu Ptencial Emprendedr DIRECTORA DEL CURSO Lla C. Duque Prfesra Visitante de Cmercialización

Más detalles

Dossier de transferencia IMACI

Dossier de transferencia IMACI DssierdetransferenciaIMACI 1 ÍNDICE 1.Presentación3 2.Grupsdeinvestigación4 2.1. MdelizaciónNuméricadeFluidsBilógicsyGelógics(BIGFNUM) 2.2. IngeniumResearchGrup(INGENIUM) 2.3. MdelsyAlgritmsparalsSistemasdeTransprte(MAT)

Más detalles

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

Más detalles

La información no es de valor hasta que un número es asociado con ella. o Benjamín Franklin.

La información no es de valor hasta que un número es asociado con ella. o Benjamín Franklin. Histria de la Medición en el Sftware La infrmación n es de valr hasta que un númer es asciad cn ella. Benjamín Franklin. N puedes cntrlar l que n puedes medir. Si crees que el cst de la medición es alt,

Más detalles

Programa de Formación y Preparación a la certificación internacional PMP del PMI.

Programa de Formación y Preparación a la certificación internacional PMP del PMI. Prgrama de Frmación y Preparación a la certificación internacinal PMP del PMI. El principal bjetiv de este prgrama de frmación es que el participante adquiera ls cncimients y habilidades necesarias para

Más detalles

E D O D A I R A T E R C E S

E D O D A I R A T E R C E S S E C R E T A R I A D O D E A C C E S O RAMA DE CONOCIMIENTO *Material elabrad pr el Área de Orientación del Secretariad de Acces Universidad de Sevilla Ener 2011 Ciencias Pág. 2 ÍNDICE - Intrducción.

Más detalles

UNIVERSIDAD DE ESPECIALIDADES ESPÍRITU SANTO

UNIVERSIDAD DE ESPECIALIDADES ESPÍRITU SANTO UNIVERSIDAD DE ESPECIALIDADES ESPÍRITU SANTO FACULTAD DE SISTEMAS, TELECOMUNICACIONES Y ELECTRÓNICA SYLLABUS MATERIA: Redes II COM 273 HORARIO: 19:25-20:45 PROFESOR: M. Sc. Ing. Rubén Pachec SEMESTRE:

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

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

CALIDAD Y NORMAS ISO

CALIDAD Y NORMAS ISO CALIDAD Y NORMAS ISO Deust Frmación es una iniciativa de Grup Planeta para desarrllar un nuev cncept: curss de frmación cntinua especializads, cn servici de cnsulta n-line. El bjetiv de Deust Frmación

Más detalles

Programa de Doctorado en Psicología con Orientación en Neurociencia Cognitiva Aplicada

Programa de Doctorado en Psicología con Orientación en Neurociencia Cognitiva Aplicada Prgrama de Dctrad en Psiclgía cn Orientación en NEUROCIENCIA COGNITIVA ORGANIZACIONAL OBJETIVOS Definir y transmitir ls cncimients básics de la Neurciencia Organizacinal cn el bjetiv de cncer sus rígenes,

Más detalles

SQL SERVER 2008 R2 BI 07/07/2010 BUSINESS INTELLIGENCE

SQL SERVER 2008 R2 BI 07/07/2010 BUSINESS INTELLIGENCE Todo en la vida comienza con código VII Encuentro Desarrolladores Microsoft BUSINESS INTELLIGENCE Ana María Bisbé York Servicios Profesionales VII Encuentro Desarrolladores Microsoft Todo en la vida comienza

Más detalles

Auditoría Continua. Sabino Ramos. Director Regional ACL Services, Ltd.

Auditoría Continua. Sabino Ramos. Director Regional ACL Services, Ltd. Incremente drásticamente su prductividad cn Auditría Cntinua Sabin Rams Directr Reginal ACL Services, Ltd. El Nuev Auditr Intern Encuesta Glbal del IIA del 2010: La exigencia de ls accinistas está cambiand

Más detalles

ARIS Solution for Governance, Risk & Compliance Management. Ensure Business Compliance

ARIS Solution for Governance, Risk & Compliance Management. Ensure Business Compliance ARIS Solution for Governance, Risk & Compliance Management Ensure Business Compliance El exito en la implementacion de GRC consiste en mantener el balance correcto 7 June 2012 Software AG - Get There Faster

Más detalles

Nuestro servicio de Outsourcing de Tecnologías de Información

Nuestro servicio de Outsourcing de Tecnologías de Información Nuestr servici de Outsurcing de Tecnlgías de Infrmación Ofrecems un servici integral de Tecnlgía de Infrmación (TI), que incluye persnal perativ y cnsultría, para asegurar que su empresa ptimice ls recurss

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

Regulación del Mercado de Factoring en el Perú

Regulación del Mercado de Factoring en el Perú Regulación del Mercad de Factring en el Perú 4t Cngres Latinamerican de Factring 27-28 de Agst del 2015 Lima, Perú Víctr Manuel Sánchez A. Gerente General CAVALI S.A. - ICLV AGENDA 1. Infrmación Crprativa

Más detalles

Situación actual. Pliego de prescripciones técnicas. Pertsonal Saila. Gaia: Arrasaterako Informazio Sistema Geografikoa - GIS Hasiera data: 2009/09/15

Situación actual. Pliego de prescripciones técnicas. Pertsonal Saila. Gaia: Arrasaterako Informazio Sistema Geografikoa - GIS Hasiera data: 2009/09/15 Pertsnal Saila Titularra: INFORMATIKA Plieg de prescripcines técnicas PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA Diseñ, Creación e Implementación de la Base de Dats Cartgráfica del Ayuntamient de Arrasate-

Más detalles

Trabajo Práctico Redes Neuronales Artificiales

Trabajo Práctico Redes Neuronales Artificiales Universidad Tecnlógica Nacinal Facultad Reginal La Plata - Añ 2015 Trabaj Práctic de RNA Trabaj Práctic Redes Neurnales Artificiales 1. Objetiv Cmprender las particularidades de la implementación de un

Más detalles

Clase 1 Módulo: Data Warehouse & Datamart Docente: Gustavo Valencia Zapata

Clase 1 Módulo: Data Warehouse & Datamart  Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: El Rol de TI en BI BI Retos de TI en BI Evolución de la Información Arquitectura de BI Referencias www.gustavovalencia.com Evolución de la

Más detalles

Resolución del Acertijo de las Sillas mediante la implementación de Algoritmos Genéticos

Resolución del Acertijo de las Sillas mediante la implementación de Algoritmos Genéticos Reslución del Acertij de las Sillas mediante la implementación de Algritms Genétics Laura Lazzati, Rbert Días Branc, Leandr Gil Carran & Emanuel Villalva Universidad Tecnlógica Nacinal. Facultad Reginal

Más detalles

SERVICIO DE MONITOREO 24X7 NETWORK AND SECURITY OPERATIONS CENTER N.S.O.C.

SERVICIO DE MONITOREO 24X7 NETWORK AND SECURITY OPERATIONS CENTER N.S.O.C. SERVICIO DE MONITOREO 24X7 NETWORK AND SECURITY OPERATIONS CENTER N.S.O.C. DESCRIPCIÓN TECNICA DEL SERVICIO DE MONITOREO INTEGRAL El NSOC de REDINFO, fue diseñad cnsiderand ls estándares de Gestión de

Más detalles

Tecnología y arquitectura. Tecnología y Arquitectura. D.R. Universidad TecVirtual del Sistema Tecnológico de Monterrey México, 2012.

Tecnología y arquitectura. Tecnología y Arquitectura. D.R. Universidad TecVirtual del Sistema Tecnológico de Monterrey México, 2012. Tecnlgía y Arquitectura D.R. Universidad TecVirtual del Sistema Tecnlógic de Mnterrey Méxic, 2012. 1 Índice Inici 3 -Intrducción -Objetivs -Temari Tema 1. Autmatización y factres de evaluación.. 4 -Intrducción

Más detalles

Programa Internacional Rol estratégico de Recursos Humanos en la Gerencia Moderna

Programa Internacional Rol estratégico de Recursos Humanos en la Gerencia Moderna Prgrama Internacinal Rl estratégic de Recurss Humans en la Gerencia Mderna El prgrama nace de la creciente necesidad empresarial de aplicar mdels innvadres para generar un rl estratégic de ls recurss humans

Más detalles

Curso Taller Certified Software Developer Professional (CSDP)

Curso Taller Certified Software Developer Professional (CSDP) Curs Taller Certified Sftware Develper Prfessinal (CSDP) Justificación: La industria del sftware requiere de prfesinales capaces de adptar las mejres prácticas mundiales en un mercad exigente y cambiante.

Más detalles

Conoce lo que necesitan tus clientes: caso de éxito de Business Intelligence en Proinlasa

Conoce lo que necesitan tus clientes: caso de éxito de Business Intelligence en Proinlasa CASO DE ÉXITO NEWSLETTER Cnce l que necesitan tus clientes: cas de éxit de Business Intelligence en Prinlasa Situación inicial Prinlasa es una empresa que se dedica a la prmción, cnstrucción, y gestión

Más detalles

www.franquicialo.com

www.franquicialo.com Xcel Netwrks ha desarrllad una serie de Franquicias basadas en casa FBC, las cuales le brindaran a usted al igual que a nuestrs Franquiciataris Establecids Excel Turs, una serie de herramientas y de prgramas

Más detalles

10a Edición Earned Value Management Implementad cn Micrsft Prject Abril 2015 Presencial y Online (en tiemp real, a través de Internet) Earned Value Management Aplicad cn Micrsft Prject Un curs rientad

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

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

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

Conocimiento y formación, claves para la decisión e implantación del BPM

Conocimiento y formación, claves para la decisión e implantación del BPM Cncimient y frmación, claves para la decisión e implantación del BPM Renat de Laurentiis Cfundadr y directr ejecutiv del Club BPM Centr Oficial del BPM en España y Latinamérica www.club-bpm.cm Para lgrar

Más detalles

Selección y Aprovechamiento de ERP s. Francisco Aguado

Selección y Aprovechamiento de ERP s. Francisco Aguado Selección y Aprvechamient de ERP s Francisc Aguad Octubre 2013 Haga Agenda clic para mdificar el estil de títul Haga clic para mdificar el estil de text Histria ERP Segund nivel Estadísticas ERP Factres

Más detalles

Universidad Central Del Este U C E Facultad de Ciencias y Humanidades Escuela de Pedagogía Mención Informática

Universidad Central Del Este U C E Facultad de Ciencias y Humanidades Escuela de Pedagogía Mención Informática Universidad Central Del Este U C E Facultad Ciencias y Humanidas Escuela Pedaggía Mención Infrmática Prgrama la asignatura: SIS-501 BASES DE DATOS Ttal Crédits: 3 Teóric: 2 Práctic: 2 Prerrequisits: SIS-012

Más detalles

Experiential MBA OnLine Supply Chain Reaction (Módulo Gestión Cadena de Suministro) Supply Chain Reaction Experiential MBA OnLine.

Experiential MBA OnLine Supply Chain Reaction (Módulo Gestión Cadena de Suministro) Supply Chain Reaction Experiential MBA OnLine. Experiential MBA OnLine Supply Chain Reactin (Módul Gestión Cadena de Suministr) Supply Chain Reactin Experiential MBA OnLine Página: 1/6 Experiential MBA OnLine Supply Chain Reactin (Módul Gestión Cadena

Más detalles

Introducción. Growing on the CRM industry during 2001. Significant. decrease 4% Ns/nc 2% Slight decrease 4% Remains 5% Significant.

Introducción. Growing on the CRM industry during 2001. Significant. decrease 4% Ns/nc 2% Slight decrease 4% Remains 5% Significant. Introducción During next decade the number of Data Mining projects will increase dramatically (more than 300%) to improve the relationship with the customer and help companies to listen to their customers

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Tratamiento de Grandes Volúmenes de Datos en Ciudades Inteligentes Big Data y NoSQL

Tratamiento de Grandes Volúmenes de Datos en Ciudades Inteligentes Big Data y NoSQL Tratamient de Grandes Vlúmenes de Dats en Ciudades Inteligentes Big Data y NSQL Snia Frmia; Luis Vivas; Niclás García Martínez Labratri de Infrmática Aplicada (LIA) Licenciatura en Sistemas, UNRN Sede

Más detalles

Programa Integral de Certificación ISO Riesgos, Continuidad y Seguridad de Información

Programa Integral de Certificación ISO Riesgos, Continuidad y Seguridad de Información Prgrama Integral de Certificación ISO Riesgs, Cntinuidad y Seguridad de Infrmación 1er PROGRAMA INTEGRAL DE CERTIFICACIÓN ISO GESTION DE RIESGOS, CONTINUIDAD DE NEGOCIOS Y SEGURIDAD DE INFORMACION OBJETIVO

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

UNA PROPUESTA DE VALOR PARA SU ORGANIZACIÓN

UNA PROPUESTA DE VALOR PARA SU ORGANIZACIÓN CEA Servicis, S.A. CEA SERVICIOS, S.A. UNA PROPUESTA DE VALOR PARA SU ORGANIZACIÓN PERFIL CORPORATIVO NOVIEMBRE 2014 TABLA DE CONTENIDO 1. Intrducción... 3 2. Servicis... 4 2.1 Cnsultría de Ingeniería

Más detalles

PROGRAMA FORMATIVO AvANZA

PROGRAMA FORMATIVO AvANZA Asesría y Organización de Frmación Cntinua Prgramación páginas web: servidr (PHP) Aplicacines Web Mdalidad: e-learning Duración: 56 Hras Códig: CAT00140 Objetiv Curs de desarrll de aplicacines web. Para

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