Minería de Datos (Data Mining)
|
|
- Eva María Montes Franco
- hace 8 años
- Vistas:
Transcripción
1 Minería de Datos (Data Mining) Salvador Barrera Rodríguez Universidad de Guadalajara, Centro Universitario de Ciencias Económico Administrativas, Departamento de Sistemas de Información, Periférico Norte 799, C.P , Núcleo los Belenes, Zapopan, Jalisco, México. Resumen: En este articulo se pretende divulgar el concepto de minería de datos, su relación con otras herramientas de soporte a la toma de decisiones, aplicaciones de la minería (o extracción) de datos, Explicar y ejemplificar las principales técnicas de minería de datos, tanto directas(d), como Indirectas (I) como son: el análisis de la canasta de compra (I),Razonamiento Basado en casos (D),.Detección automática de agrupamientos(i),.análisis de Relaciones (I),Clasificación (Árboles de decisión) (D), Redes neuronales artificiales (D) (I), Algoritmos genéticos (D) Y proporcionar recursos sobre fabricantes, revistas y sitios en línea, así como bibliografía disponible del tema. Palabras clave: Minería de datos, extracción de datos, Data Mining, el análisis de la canasta de compra, Razonamiento Basado en casos, agrupamientos, Análisis de Relaciones, Clasificación,Árboles de decisión, Redes neuronales artificiales, Algoritmos genéticos. Abstract: This paper wish make public the data mining concept, their relation with other tools of Decisions Support Systems, Data Mining Applications, Teach and show the main data mining techniques, Direct (D) and indirect (I) as: Market Basket Analysis (I), Memory reasoning (D) Automatic Detection of clusters (I), Relationships Analysis (I), Decisions trees (D), Artificial neural networks (D) (I), Genetic Algorithms (D) and show many resources about: companies, magazines and websites, as book references available of the theme. Keywords: Data Mining, Market Basket Analysis, Memory reasoning, Automatic Detection of clusters, Relationships Analysis, Decisions trees, Artificial neural networks, Genetic Algorithms. 1. Introducción DESVANECIMIENTO DE ENTRADA (FADE IN) Interior SALA DE CONFERENCIAS DE CASA CENTRAL DE UN IMPORTANTE BANCO DE DÍA. Vestidos con ropa formal y sentados alrededor de una larga mesa de caoba se encuentran MARIANNE, una gerente de producto; SHANE, una analista de Marketing; CHARLIE, un administrador de base de datos que toma una gaseosa a grandes sorbos, y JILL, una consultora de data warehousing. Dando grandes zancadas ingresa el SR. B., vicepresidente de mercadotecnia (MDT). Sacude con toda prisa la mano de Jill, se deposita a la cabecera de la mesa y se inclina hacia delante. SR. B: Jill, Ha sido muy amable en venir. Cómo estuvo el vuelo? JILL: Eh, estuvo...
2 SR. B: Bien.La razón por la hoy hemos hecho venir es porque necesitamos que nos de algunos consejos. Acabo de leer un artículo en una revista que me mantuvo despierto dos noches seguidas. Uno de nuestros competidores empezó a hacer algún tipo de análisis de datos que me tiene preocupado. JILL: Qué clase de análisis? SR. B: Qué era lo que estaban haciendo, Shane? SHANE: Data mining SR. B: Eso! Data Mining. Queremos hacer data mining. Y queremos que nos diga cómo empezar. JILL: Perfecto. Y dígame: qué clase de data mining hacían? SR. B: qué clase de data mining hacían, Marianne? MARIANNE: Dado un cierto producto nuevo, eran capaces de predecir cuales de sus clientes lo comprarían. Entonces, generaban listas de nombres y las usaban para enviar la propaganda de los productos. JILL: Marketing directo inteligente. Genial! Ahora cuénteme acerca del tipo de MDT directo que actualmente están haciendo ustedes. Todos se miran entre sí. JILL: Bueno, véamoslo de otra forma: dónde guardan los datos de sus clientes? Todos miran a Charlie CHALIE: Eh... los datos de qué clientes? JILL: Ya sabe, los clientes de la empresa. Cómo acceden a esa información? CHALIE: Bueno, una parte está en nuestro sistema de facturación. Y otra parte en nuestro sistema de análisis de Marketing. Y los clientes de menos de un mes de antigüedad quedan en nuestro sistema de pedidos y suministros hasta que podemos procesarlos... Y además tenemos algunos ex clientes en una base de datos de Access en la notebook de Craig... JILL: Y a cuáles de esos clientes desearían venderles sus nuevos productos? Todos se miran entre sí. MARIANNE: Bueno, lo ideal sería a todos. SR. B: Por supuesto! A todos! JILL: Así que cuando necesitan información acerca de las compras de un determinado cliente, o acerca de cómo van las ventas de un producto en una cierta área geográfica qué hacen? SHANE: (timidamente) Lo llamamos a Charlie. Todos vuelven a mirar a Charlie. Charlie toma un gran sorbo de su gaseosa y la derrama sobre la mesa. JILL: (sacandose el saco) Cuánto tiempo tenemos? DESVANECIMIENTO DE SALIDA (FADE OUT) [5] Sinónimos de Minería de datos Data Mining, Extracción de datos, Descubrimiento del conocimiento en bases de datos (KDD), paleo de datos, extracción del conocimiento, arqueología de datos, exploración de datos, procesamiento de patrones de datos, dragado de datos y cosechamiento de la información.
3 1.2 Conceptos de Minería de datos La extración de datos es el proceso de elegir, explorar y modelar grandes cantidades de datos para descubrir pautas desconocidas con el fin de ganar una ventaja comercial [13] es la exploración y análisis, por medios automáticos o semiautoma-ticos, de grandes cantidades de datos en orden de descubrir patrones significativos y reglas. [2] La Minería de datos esta relacionado con el Descubrimiento del Conocimiento en Bases de datos (KDD) que es el proceso no trivial de identificar en los datos patrones válidos, novedosos potencialmente útiles y compresibles, y el DM es un paso particular del proceso de KDD, el de aplicar algoritmos específicos para extraer patrones (modelos) a partir de los datos. [10] 2. Evolución del análisis del soporte a la decisión El siguiente gráfico indica a que se le puede llamar minería de datos, de las diferentes herramientas de análisis del soporte a las decisiones:[5] Sin hipotesis hipotesis ligeras DC Segmentación Modelado Míneria de datos DC : Descubrimiento de conocimiento hipotesis moderadas hipotesis fuertes Multidimensional Consultas estándar Fuente: Baseline Consulting Group 2.1 Consultas y Análisis Multidimensional( no es DM) Las consultas del tipo qué pásaría sí...? O parametrizadas, es el método de análisis más difundido.el análisis multidimensional a través de un cubo OLAP (Procesamiento Análitico en Línea), es similar a las tablas dinámicas de Excel, ofreciendo diferentes perspectivas de los datos, con analisis de profundidad (drill-down) y Slicing and dicing la capacidad de adaptar un conjunto de respuestas a gusto del usuario.
4 2.2 Modelado (DM) Los modelos pueden darle a una compañía una forma prefijada y sencilla de determinar el comportamiento futuro de sus clientes, así como su viabilidad a largo plazo. Ejemplos: Valor de por vida del cliente: cuáles son los atributos que afectan la rentabilidad y el valor del cliente para la empresa a largo Plazo? Desgaste del cliente: cuál es la probabilidad de que un cliente específico se vaya? Modelado Predictivo: cómo afectara el mal tiempo a las ventas del producto este verano? 2.3 Segmentación (DM) Puede ser servir para clasificar y reclasificar a los clientes de acuerdo a características demógraficas, patrones de compra, propensión a la compra etc. Permite discernir el trato que la empresa debería darle a una franja de clientes separada y responder a: A que grupo inicial de clientes se debería apuntar un nuevo servicio? Qué clientes es más probable que cometan fraude? Qué clientes es más probable que respondan a descuentos? 2.4 Descubrimiento del conocimiento no dirigido Como afinidades entre múltiples productos y análisis de secuencia de compras. Ejemplos: Ciertos productos disparadores afectan otras compras. Se puede descubrir la próxima compra probable Se pueden discernir patrones reconocibles en las compras o cancelación de servicios Qué características del cliente afectan el ciclo de vida de un producto? 3. Técnicas de Minería de datos Puede ser Directa (D) o Indirecta (I), de acuerdo a si la salida del modelo esta preestablecida o no. [2] 1.Análisis de la canasta de compra (I) 2.Razonamiento Basado en casos (D) 3.Detección automática de agrupamientos(i) 4.Análisis de Relaciones (I) 5.Clasificación (Árboles de decisión) (D) 6.Redes neuronales artificiales (D) (I) 7.Algoritmos genéticos (D)
5 3.1 Análisis de la canasta de compra Es una forma de agrupamiento usado para encontrar grupos de artículos que ocurren juntos en un transacción o canasta de compra. El modelo se construye dando la afinidad de diferentes productos, que son comprados juntos y que pueden expresarse en reglas. Muy útil es supermercados, cuentas bancarias y servicios telefónicos. Ejemplo: por qué sera que ponen la cerveza cerca de los pañales? O las sugerencias de libros de Amazon.com 3.2 Razonamiento Basado en casos Memory-based reasoning usa casos históricos para reconocer patrones. Por ejemplo, los clientes de Cognitive Systems Inc., lo usan en su Centro de atención a Clientes; con una biblioteca de 50,000 casos de preguntas. Los casos nuevos se asocian rápidamente en relación con las muestras de la biblioteca, proporcionando más de un 90% de exactitud y respuestas automáticas a las preguntas. 3.3 Detección de agrupamientos Consiste en agrupar conjuntos de datos similares, partiendo de un conjunto más grande de datos. Contrario a la clasificación, descubre las agrupaciones a medida que trabaja con los datos de entrada. Una vez identificados se pueden descubrir generalizaciones, patrones y tendencias basadas en sus características. Utilidad: Conocer un conjunto de personas que pueden formar un nicho de mercado en concreto. 3.4 Análisis de Relaciones Sigue las relaciones entre registros para desarrollar modelos basado en patrones de las relaciones. Tomado de la teoría de los grafos. Una área de aplicación actual es en Telecomunicaciones, cada llamada de un cliente, se enlaza otro (cliente potencial), y puede servir de base para campañas exitosas de MDT, como la de una compañía telefónica de 1$ la llamada con tus padres o novia(o). 3.5 Clasificación (Árboles de decisión) E inducción de reglas. Usadas para DM directa particularmente en clasificación. Dividen los registros en el conjunto de entrenamiento en subconjuntos separados, cada uno de los cuales es descrito por una regla simple. Un ejemplo sencillo es las características de una persona para acceder a un crédito o a obtener un tarjeta de crédito, Su ingreso, su edad, su trabajo etc.
6 3.6 Redes neuronales Es un método de máquina de aprendizaje por medio del cual se examinan los datos históricos para reconocer patrones, los cuales pueden usarse para efectuar predicciones y apoyar decisiones. Y pueden por ejemplo: Identificar a los consumidores potenciales de un nuevo producto. Wal-Mart Busca artículos particulares de almacenes individuales para decidir el perfil de venta estacional de cada artículo. 3.7 Algoritmos genéticos DM directa: aplica el mecanismo de la genética y la selección natural para la búsqueda de conjuntos óptimos de parámetros que tengan un función predictiva. Usan la selección, cruza y mutación para evolucionar sucesivas generaciones de soluciones, y conforme avanzan, la mejor predicción sobrevive, hasta llegar a la solución óptima. Se usa para mejorar el razonamiento basado en casos y redes neuronales. 4. Conclusiones 4.1 Cómo la definen los no técnicos Gerentes de empresas la definen por medio de las aplicaciones de la tecnología de almacenaje para resolver los problemas de negocios: Rentabilidad del cliente Retención del cliente Segmentación del cliente Predisposición del cliente Optimización de los canales Marketing por objetivos Administración del riesgo Prevención de fraudes Análisis de la canasta de mercado Pronóstico de demandas Optimización de precios 4.2 Comentarios El data mining (DM) no es tanto un tipo de análisis como una clase variada de tipos de análisis.
7 Muchos proveedores de software, ansiosos por probar la dulce fruta del incremento de las ventas, de hecho embarraron el campo de juego al declarar sus productos como herramientas de Minería de Datos, Algunos más ambiciosos, reemplazan el término Soporte de decisión con Minería de datos. El objetivo del DM es permitir mejorar a la empresa su mercadotecnia, ventas y servicio al cliente, a través de entender mejor a sus clientes. Y son igualmente aplicables a campos como Criminología, radioastronomía, medicina, y control de procesos industriales. Ha sido históricamente sinónimo de análisis estadística, algo que hacen personas con un doctorado para lograr una compresión más precisa de datos detallados. Los proveedores de herramientas DM han hecho cada vez más fácil su uso por parte de personas no versadas en estadísticas, no solamente para detectar patrones interesantes en los datos, si no también para aplicar los resultados 4.3 Compañías que usan DM Alamo Rent-a-Car Burlington Coat Factory Au Bon Pain Company Spalding Sports Bank of America AT&T y MCI Chicago Tribune Marriot Club Internacional 4.4 Caso: Hoteles Marriot Problema: tenia una base de datos con millones de nombres, solía enviar publicidad a todos los clientes de la base de datos, aun gran costo, pero la respuesta resultaba mínima. Solución: Identificar en su lista los clientes con mayores probabilidades de responder, empleando redes neuronales en la minería de datos, con datos socioeconómicos e incremento su tasa de respuesta a 33%.[10]
8 5. Apéndice: 5.1 El mercado de Data Mining Herramientas que trabajan sobre pequeños volúmenes de datos. Acceden a datos situados en un servidor, pero efectúan el proceso de descubrimiento en un puesto local. Cuando se trabaja con estas herramientas se deben tomas múltiples muestras para asegurarse de que los modelos descubiertos son fiables.ejemplos de estas herramientas: Predict y SPSS. Herramientas que trabajan sobre datos situados en un DW. La necesidad de máquinas potentes para implementar estas herramientas lleva a Silicon Graphics e IBM a proponer ofertas en este mercado. Herramientas como Knowledge Seeker y Datamind se sitúan a medio camino de las dos anteriores. Árboles de decisión: AC2 y Alice de Isoft, Knowlege Seeker de Angoss y SPSS Chaid. Redes neuronales y modelos funcionales: Datamind, Neural connection de SPSS y Predict de NeuralWare. La herramienta IDIS de IDIS Software es una de las dominantes en el proceso de descubrimiento de reglas. [8] 5.2 Soluciones de Minería de Datos: Red Brick Datamind hoy, Informix de IBM Neovista s Decision Series hoy JDA software group SAS Enterprise y Text miner Mas herramientas en: Cognos 4Thought, Scenario Microstrategy 7i Data Mining Pilot analisis Server (OLAP) Otros en DM Review, sección data mining
9 Referencias [1] Adriaans, Pieter; Data mining, Syllogic: Addison-Wesley, Harlow 1996, 158 pages. [2] Berry,Michael;Linoff, Gordon ; Data Mining Tecniques,for Marketing, Sales and Customer Support, USA 1997, Wiley Computer Publishing, 454 pags. [3] Bhavari Thuraisingham, Data Mining Technologies, Tecniques, Tools and Trends, CRC Press LLC. Boca Raton 1999, 270 pages. [4] Corey y Abbey, Oracle Data Warehousing, Ed. McGrawHill, España 1997, 313 págs. [5] Dyche, Jill, E-data Transformando datos en Información con Data Warehousing, Argentina 2001, Ed. Prentice Hall, 374 págs. [6] Escorsa y Maspons, De la Vigilancia Tecnólogica a la Inteligencia Competitiva, Ed. Prentice Hall, 165 págs. [7] Han, J. & Kamber, M., Data Mining, Concepts and techniques, Morgan Kaufmann Publishers, San Diego CA. 2001, 550 pages. [8] Joan Torres, Modulo de Tecnologías de e-business, del Master en Dirección de empresas digitales y desarrollo de negocios en Internet en la Universidad Abierta de Cataluña (UOC). [9] Marakas George M, Decision support systems in the twenty-first century,prentice Hall, Upper Saddle River (N.J.) 1999,506 pages. [10] Reynoso Lobato y otros, Aplicaciones de la Inteligencia Artificial,Publicado por la Universidad de Guadalajara, México 2002, 425 págs. [11] Smith y otros, Comercio Electrónico fácil!, México 2001, Ed. Prentice Hall, 365 págs. [12] Stanley A. Brown, Administración de las Relaciones con los Clientes, México 2001, Oxford University Press, 352 páginas. [13] Swift, Ronald S, CRM: como mejorar las relaciones con los clientes, Mexico 2002, Ed. Prentice Hall, 479 páginas. [14] Turban, McClean y Wetherbe Tecnología de Información para la administración, Ed. CECSA, México 2001, 945 págs. [15] Vicente, M. Dolores, La aplicación de agentes inteligentes a la minería de web, Trabajo final de la carrera de Documentación de la UOC,Marzo [16] Weiss, S. & Indurkhya, N., Predictive Data Mining... A practical guide,morgan Kaufmann Publishers; San Fco. CA. 1998, 228 pages. [17] Westphal, C. & Blaxtron, T., Data mining Solutions, Ed. Wiley, USA 1998, 617 pages. [18] Witten,I. & Eibe, F. Data Mining, Practical Machine Learning tools and techniques with Java Implementations, Morgan Kaufmann Publishers; San Diego CA. 2000, 377 pages. Sitios web de Data Mining Portal Data Mining de DM review Data Mining Tecniques (Mkt) Predictive data minig Data Mining, Practical learning machine...
10 Descubrimiento del conocimiento (Sitio antiguo y el nuevo) Ligas recomendadas en libro de George Marakas DSS in en 21st century Asociaciones relevantes Data Mining Group Internacional Data Warehouse Association The Data Warehousing Institute The Data Management Association Revistas en línea Revista de Inteligencia de Negocios Artículos sobre Minería de datos Internet,conocimiento y negocios
E-data. Transformando datos en información con Data Warehousing
Federico Plancarte Sánchez E-data. Transformando datos en información con Data Warehousing Tema 2 El soporte a la Decisión 2-1 Evolución del soporte a la decisión Diversas categorías del análisis del DS
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesResultados 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 detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesMINERÍA 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 detallesMINERIA 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 detallesopinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR
opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesCURSO/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 detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesAprendizaje Automático y Data Mining. Bloque IV DATA MINING
Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones
Más detallesCRM Customer Relationship Management. Gestión de la Relaciones.
UNIVERSIDAD AUTÓNOMA DE GUADALAJARA LCP. SERGIO ANTONIO MARTÍNEZ FOLIO: 1998537 MAESTRIA EN ADMINISTRACIÓN TECNOLOGÍA DE LA INFORMACIÓN Y LA OPERACIÓN MAESTRO: ALFREDO CASTRO JIMÉNEZ TEMA: CRM. SEPTIEMBRE
Más detallesI.S.C. E.D. M.E. Ricardo Bustamante González
INSTITUTO TECNOLOGICO SUPERIOR DE LERDO LICENCIATURA EN INFORMATICA TOPICOS AVANZADOS Ejemplos de la implementación de la minería de datos en el mundo real BRENDA CAROLINA PEREZ IBARRA 06230255 I.S.C.
Más detallesSistemas 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 detallesEstrategia de negocio basada en clientes: Software CRM
Estrategia de negocio basada en clientes: Software CRM 1 CRM ó GRC los pasos Índice de contenidos: Qué es un CRM Por qué utilizar un CRM, ventajas y beneficios Antes de utilizar un CRM Qué Por qué Cuándo
Más detallesBUSINESS INTELLIGENCE A TRAVÉS
07 de Agosto de 2012 BUSINESS INTELLIGENCE A TRAVÉS DEL COACHING Impartido Por: Andrés Pluma Velázquez No es posible gestionar lo que no se puede medir William Hewlet (HP Company). En este sentido, hay
Más detallesData Mining Técnicas y herramientas
Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos
Más detallesFUENTES SECUNDARIAS INTERNAS
FUENTES SECUNDARIAS INTERNAS Las fuentes secundarias son informaciones que se encuentran ya recogidas en la empresa, aunque no necesariamente con la forma y finalidad que necesita un departamento de marketing.
Más detallesCRM es una estrategia de negocios centrada en el cliente no es un software
El CRM en tu empresa El CRM (Customer relationship management), es una estrategia que puede dar muchos frutos en las organizaciones. Para que esta estrategia funcione, debe estar apoyada por un sistema
Más detallesMinería 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 detallesEL MARKETING RELACIONAL Y NUEVAS TENDENCIAS DE MARKETING
APARTADO: 4 DIAPOSITIVA Nº: 2 Factores clave del éxito en los proyectos de CRM PDF Nº 1: Éxitos y fracasos del CRM Éxitos y fracasos del CRM En este mundo globalizado lo más importante para las pequeñas,
Más detallese-commerce, es hacer comercio utilizando la red. Es el acto de comprar y vender en y por medio de la red.
Comercio electrónico. (e-commerce) Las empresas que ya están utilizando la red para hacer comercio ven como están cambiando las relaciones de la empresa con sus clientes, sus empleados, sus colaboradores
Más detallesUn paso más para ganar en la era del cliente Customer Centric Approach
Un paso más para ganar en la era del cliente La clave para construir una estrategia de clientes eficaz y rentable www.pwc.es El futuro es hoy, mañana será tarde Todos somos clientes y hemos tenido experiencias
Más detallesactivuspaper Text Mining and BI Abstract
Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura
Más detallesGrupo Ultrafemme: cuidando al cliente junto con SAP
SAP Estudio de la Transformación del Negocio Productos de consumo masivo J. Macêdo Grupo Ultrafemme: cuidando al cliente junto con SAP Grupo Ultrafemme Industria Luxury Retail Productos y Servicios Fragancias,
Más detallesControl del Stock, aprovisionamiento y distribución a tiendas.
Control del Stock, aprovisionamiento y distribución a tiendas. Tan importante como el volumen de ventas y su rentabilidad, el control del stock supone uno de los pilares fundamentales en el éxito de una
Más detallesPero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?
Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining
Más detallesÁrea Académica: Sistemas Computacionales. Tema: Introducción a almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas
Área Académica: Sistemas Computacionales Tema: Introducción a almacén de datos Profesor: Mtro Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords Almacén de Datos, Datawarehouse, Arquitectura
Más detallesDatamining 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 detallesLa inteligencia de marketing que desarrolla el conocimiento
La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece
Más detallesADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS
ADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS ESTUDIO SOBRE EL POSICIONAMIENTO EN BUSCADORES DE PÁGINAS WEB Y LA RELEVANCIA DE LA ACTUALIZACIÓN DE CONTENIDOS
Más detallesServicio de Email Marketing
Servicio de Email Marketing Cuando hablamos de Email marketing, es un envío Masivo de correos con permisos realizado por herramientas tecnológicas de correo electrónico, mediante el cual su anuncio estará
Más detallesPOSICIONAR LA WEB INTERNACIONAL, TÉCNICAS DE POSICIONAMIENTO SEO SEM
POSICIONAR LA WEB INTERNACIONAL, TÉCNICAS DE POSICIONAMIENTO SEO SEM Por dónde empezar? SEGMENTACIÓN SEGMENTACIÓN En mercados maduros, una pyme sólo tiene una opción: [Encontrar un nicho de mercado defendible
Más detallesIncorpora la localización en tu compañía. Mejora la rentabilidad con la solución Location Analytics de Esri
Incorpora la localización en tu compañía Mejora la rentabilidad con la solución Location Analytics de Esri Qué es la pregunta Dónde es la respuesta En la era actual de sobrecarga de datos el éxito en los
Más detallesLAS EMPRESAS DE GALICIA ANTES DE LA CRISIS: LA ENTRADA DE NUEVOS COMPETIDORES EN EL MERCADO RESUMEN
X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011 LAS EMPRESAS DE GALICIA ANTES DE LA CRISIS: LA ENTRADA DE NUEVOS COMPETIDORES EN EL MERCADO A. Trinidad
Más detallesCómo elegir tu SOFTWARE DE GESTIÓN?
Cómo elegir tu SOFTWARE DE GESTIÓN? 00 Introducción Tu empresa está en expansión y has decidido integrar todas las áreas de tu negocio para seguir creciendo. Has iniciado la búsqueda de un software de
Más detallesSyllabus Geomarketing. Master Universitario en Gestión Comercial y Máster en Dirección de Marketing
Syllabus Geomarketing Master Universitario en Gestión Comercial y Máster en Dirección de Marketing Curso 2013/2014 Profesor/es: Periodo de impartición: Tipo: Idioma en el que se imparte: 2º semestre OB
Más detallestendencias digitales que debes conocer
6 tendencias digitales que debes conocer 01000111101001110111001100110110011001 Se ha hablado mucho recientemente sobre las tendencias digitales y cómo éstas afectan a los negocios grandes y pequeños.
Más detallesArtículos 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 detallesBase de datos en Excel
Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de
Más detallesCOMERCIO ELECTRONICO. Sesión 2: Mercadotecnia de base de datos
COMERCIO ELECTRONICO Sesión 2: Mercadotecnia de base de datos Contextualización Hemos visto la importancia que tiene el marketing directo, ahora comprenderemos la importancia que se tiene en formar una
Más detallesSegmentación del Mercado
Segmentación del Mercado Para completar esta unidad satisfactoriamente le recomiendo que lea el capítulo 6 de su libro Fundamentos de Marketing y complete la lectura de las secciones provistas en este
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN 1.0 INTRODUCCIÓN El desarrollo económico en la actualidad, ha propiciado una gran expansión de los mercados que comienzan a verse saturados de bienes, y el problema fundamental
Más detallesCredit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)
Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le
Más detallesConstrucción de cubos OLAP utilizando Business Intelligence Development Studio
Universidad Católica de Santa María Facultad de Ciencias e Ingenierías Físicas y Formales Informe de Trabajo Construcción de cubos OLAP utilizando Business Intelligence Development Studio Alumnos: Solange
Más detallesEl almacén de indicadores de proceso de negocio en ejecución
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez
Más detallesUNIVERSIDAD DR. JOSE MATIAS DELGADO Facultad de Economía, Empresas y Negocios
UNIVERSIDAD DR. JOSE MATIAS DELGADO Facultad de Economía, Empresas y Negocios Seminario de Investigación Tesina Elaboración de la estrategia de manejo de clientes (CRM) para la Fidelización en la empresa
Más detallesTEMA 4 SEGMENTACIÓN Y POSICIONAMIENTO TURÍSTICO. Juan Luis Nicolau Facultad de Ciencias Económicas y Empresariales Universidad de Alicante
TEMA 4 SEGMENTACIÓN Y POSICIONAMIENTO TURÍSTICO Universidad de Alicante ÍNDICE 1. INTRODUCCIÓN... 3 2. CRITERIOS DE SEGMENTACIÓN Y REQUISITOS DE LOS SEGMENTOS... 3 3. ESTRATEGIAS DE COBERTURA DE LOS SEGMENTOS
Más detallesEDI. por dónde empezar? Intercambio Electrónico de Datos (EDI), Intercambio Electrónico de Datos (EDI), Intercambio Electrónico de Datos (EDI)
EDI por dónde empezar? Intercambio Electrónico de Datos (EDI), Intercambio Electrónico de Datos (EDI), Intercambio Electrónico de Datos (EDI) El EDI (Electronic Data Interchange) es el sistema electrónico
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesINTRODUCCIÓN. El propósito de esta investigación es analizar la importancia que ha surgido en
INTRODUCCIÓN El propósito de esta investigación es analizar la importancia que ha surgido en los sistemas de costos ABC para las empresas de Servicios Mexicanas, ya que este sector forma una parte muy
Más detallesApp para realizar consultas al Sistema de Información Estadística de Castilla y León
App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda
Más detallesCAPITULO I. Introducción. En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y
CAPITULO I Introducción 1.1 Introducción En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y redes computacionales. La tecnología ha ido evolucionando constantemente
Más detallesUn presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas. Prof. Lic. Juan M. Bodenheimer jb@instare.
Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas Congreso de RR.HH. De Costa Rica 30/10/2012 Prof. Lic. Juan M. Bodenheimer jb@instare.com Nuestra Agenda
Más detallesHabilidades 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 detallesMINERÍA DE DATOS: ÁREA DE OPORTUNIDADES
MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES Actualmente se vive una época donde se tiene una enorme cantidad de datos que se generan diariamente (del orden de Terabytes, Petabytes 1 (Han, Kamber, & Pei, 2012))
Más detallesCRM Customer Relationship Manager
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas CRM Customer Relationship Manager Yerko Halat 16 de Octubre del 2001 1 Definiciones de
Más detallesUNIVERSIDAD 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 detallesINTELIGENCIA EN REDES DE COMUNICACIONES
INTELIGENCIA EN REDES DE COMUNICACIONES MINERÍA DE DATOS EN EL DEPORTE PROFESIONAL Jorge Carrasco Troitiño NIA 100029724 Grupo 91-5 Ingeniería Superior de Telecomunicación INTRODUCCIÓN: Las técnicas de
Más detallesRAUL RENALES 05/11/2015. CISO & IT Project Manager en Ayla DT Analista Riesgos IT Seguridad Informática Integrador tecnológico
RAUL RENALES CISO & IT Project Manager en Ayla DT Analista Riesgos IT Seguridad Informática Integrador tecnológico Economía en UAH Analista de Riesgos UCAV 1 ANTES DE EMPEZAR Cuántos de ustedes disponen
Más detallesMejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos
ANEXO VI. Mejores prácticas para el éxito de un sistema de información Uno de los problemas de información dentro de las empresas es contar con datos importantes del negocio y que éstos estén aislados
Más detallesOracle vs Oracle por Rodolfo Yglesias Setiembre 2008
Oracle vs Oracle por Rodolfo Yglesias Setiembre 2008 Introducción Aunque la estrategia de adquisiciones que Oracle ha seguido en los últimos años siempre ha buscado complementar y fortalecer nuestra oferta
Más detallesOPTATIVA I: MINERIA DE DATOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detallesESTRATEGIAS DIRECTIVAS
ESTRATEGIAS DIRECTIVAS Estrategias de 1 a 1 Víctor M. Ornelas P. La Alta Dirección de las empresas busca crear valor para los accionistas principalmente a través de promover las ventas y mejorar los márgenes
Más detallesMANUAL DE AYUDA MODULO TALLAS Y COLORES
MANUAL DE AYUDA MODULO TALLAS Y COLORES Fecha última revisión: Enero 2010 Índice TALLAS Y COLORES... 3 1. Introducción... 3 CONFIGURACIÓN PARÁMETROS TC (Tallas y Colores)... 3 2. Módulos Visibles... 3
Más detallesCadena de valor. Cadena de valor genérica. Actividades primarias. Actividades de apoyo Actividades primarias
Cadena de valor La cadena de valor habla del valor total que un consumidor está dispuesto a pagar por un producto o servicio dividiendo esto en actividades de valor que desempeña la empresa y el margen
Más detallesSAP BusinessObjects Edge BI Standard Package La solución de BI preferida para. Empresas en Crecimiento
SAP BusinessObjects Edge BI Standard Package La solución de BI preferida para Empresas en Crecimiento Portfolio SAP BusinessObjects Soluciones SAP para Empresas en Crecimiento Resumen Ejecutivo Inteligencia
Más detallesGLOSARIO DE PREGUNTAS DE SELECCIÓN DE PERSONAL BASADA EN COMPETENCIAS
GLOSARIO DE PREGUNTAS DE SELECCIÓN DE PERSONAL BASADA EN COMPETENCIAS Documento elaborado por: Octavio Salazar Arellano, Socioteck Consultores. Qué es una competencia? Es una característica subyacente
Más detallesTEMA 1 Sistemas de información
TEMA 1 Sistemas de información María N. Moreno García Departamento de Informática y Automática Universidad de Salamanca Contenidos 1. Conceptos básicos 2. Elementos de un sistema de información 3. Estructura
Más detallesCaso de Éxito. Lladó Grup Consultor. www.sagedespachosprofesionales.com despachosprofesionales@sage.es 902 01 34 49
Caso de Éxito www.sagedespachosprofesionales.com despachosprofesionales@sage.es 902 01 34 49 Caso de Éxito Sage puede aportarnos la tecnología indispensable para nuestro crecimiento y consolidación. Joan
Más detallesCRM Funciona en la práctica?
e n t r e v i s t a CRM Funciona en la práctica? Sara Gallardo M. Quienes han iniciado el viaje con una estrategia enfocada en el cliente y no en sus servicios, han demostrado alcanzar una mejor rentabilidad,
Más detallesDebido a que Internet ha llegado a ser aceptado rápidamente en toda esta revolución tecnológica, por encima de los demás medios de comunicación como
e-commerce Debido a que Internet ha llegado a ser aceptado rápidamente en toda esta revolución tecnológica, por encima de los demás medios de comunicación como son el teléfono, la radio, la televisión,
Más detallesINFORME EJECUTIVO DE IDC
INFORME EJECUTIVO DE IDC De qué forma Big Data transforma la protección y el almacenamiento de datos Agosto 2012 Escrito por Carla Arend Patrocinado por CommVault Introducción: De qué forma Big Data transforma
Más detallesPara qué utilizamos el dinero? El dinero que recibimos proviene del trabajo de nuestros papás. Todos utilizamos dinero para comprar bienes, como alimentos, ropa, medicamentos, libros para el colegio, juguetes,
Más detallesREGISTRO DE PEDIDOS DE CLIENTES MÓDULO DE TOMA DE PEDIDOS E INTEGRACIÓN CON ERP
REGISTRO DE PEDIDOS DE CLIENTES MÓDULO DE TOMA DE PEDIDOS E INTEGRACIÓN CON ERP Visual Sale posee módulos especializados para el método de ventas transaccional, donde el pedido de parte de un nuevo cliente
Más detallesTeCS. Sistema de ayuda a la gestión del desarrollo de producto cerámico
TeCS Sistema de ayuda a la gestión del desarrollo de producto cerámico En el origen de todo proyecto de éxito se halla la capacidad de encauzar y estructurar la creatividad TeCS ofrece un entorno de fácil
Más detallesTrabajo 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 detallesEl universo en la palma de tu mano. www.dialogaquilt.com. El software de gestión para organizaciones políticas e instituciones
El universo en la palma de tu mano www.dialogaquilt.com El software de gestión para organizaciones políticas e instituciones Quiénes somos? Dialoga es una empresa constituida por un equipo humano con un
Más detallesCOMUNICADO Nro. 49763 08/11/2010. Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49763 08/11/2010 Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
Más detallesInteligencia Aplicada. Cómo lanzar una campaña digital más exitosa?
Cómo lanzar una campaña digital más exitosa? AD 1 Llegar al target siempre es un desafío, sobre todo en el contexto actual de cambios constantes en los medios y su audiencia. Cómo puedes mejorar los resultados
Más detallesData Mining o Minería de Datos
Data Mining o Minería de Datos A quién se le ocurriría basar una de las estrategias comerciales para incrementar las ventas de una compañía de retail, en una correlación de consumo nada obvia entre pañales
Más detallesCONSTRUCCIÓN DE LAS RELACIONES CON EL CLIENTE.
TEMA 6 CONSTRUCCIÓN DE LAS RELACIONES CON EL CLIENTE. 1.- MARKETING DE RELACIONES.?? Del marketing de TRANSACCIONES al marketing de RELACIONES.?? Los CLIENTES se transforman en SOCIOS y la empresa debe
Más detallesCómo usar los datos. [ Guía para la localización mediante IP ]
Cómo usar los datos [ Guía para la localización mediante IP ] Tecnología de geolocalización y de inteligencia IP Se trata de un método para encontrar la ubicación física y geográfica de un usuario únicamente
Más detallesBUSINESS INTELLIGENCE
BUSINESS INTELLIGENCE PRESENTACIÓN Ramón Díaz Hernández Gerente (1.990) Nuestro Perfil Inversión permanente en formación y nuevas tecnologías. Experiencia en plataforma tecnológica IBM (Sistema Operativo
Más detallesBase de datos II Facultad de Ingeniería. Escuela de computación.
Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,
Más detallesCONCLUSIONES. De la información total que acabamos de facilitar al lector podemos realizar el siguiente resumen:
CONCLUSIONES De la información total que acabamos de facilitar al lector podemos realizar el siguiente resumen: 1º. Ha habido un incremento en el número total de consultas y reclamaciones ante las asociaciones
Más detallesTEMA 4 SEGMENTACIÓN Y POSICIONAMIENTO TURÍSTICO. Juan Luis Nicolau Facultad de Ciencias Económicas y Empresariales Universidad de Alicante
TEMA 4 SEGMENTACIÓN Y POSICIONAMIENTO TURÍSTICO Universidad de Alicante ÍNDICE 1. INTRODUCCIÓN...3 2. CRITERIOS DE SEGMENTACIÓN Y REQUISITOS DE LOS SEGMENTOS...3 3. ESTRATEGIAS DE COBERTURA DE LOS SEGMENTOS
Más detallesUNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M
UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M CONCEPTO: "Customer Relationship Management"), La administración basada en la relación con los clientes.
Más detallesEstructura de Mercados y Competencia Profesor: Carlos R. Pitta. Tema 03b. Análisis de Sectores Económicos
Universidad Austral de Chile Escuela de Ingeniería Comercial Análisis de Sectores Económicos Tema 03b Estructura de Mercados y Competencia Profesor: Carlos R. Pitta Análisis de Sectores Económicos, Prof.
Más detallesVolumen TECNOLOGÍA DE ADMINISTRACIÓN EMPRESARIAL SIMI EVOLUTION (9.0) Guía de usuario
Volumen 1 TECNOLOGÍA DE ADMINISTRACIÓN EMPRESARIAL SIMI EVOLUTION (9.0) Guía de usuario SISTEMA INTEGRADO DE MANEJO INMOBILIARIO Guía administración módulo CALLCENTER Tecnología de Administración Empresarial
Más detallesEn este ebook te vamos a contar todo lo que necesitas saber para descubrir las claves para detectar si tu empresa necesita innovar y escalar.
En este ebook te vamos a contar todo lo que necesitas saber para descubrir las claves para detectar si tu empresa necesita innovar y escalar. Este ebook va dirigido a personas que tengan una empresa constituida
Más detallesHerramientas Tecnológicas para Administración del Conocimiento
Herramientas Tecnológicas para Administración del Conocimiento Originalmente publicado en Transferencia, año 15, No. 57, enero de 2002, pp 19-21 Gabriel Valerio La estructura de procesos clave del Centro
Más detallesKlaron. Klaron SA de CV darylm@klaron.net (52) (55) 5593 2576
SA de CV La Evolución de Sistemas para Mantenimiento Basado en el Libro CMMS: A Timesaving Implementation Process (CRC Press) Reproducido y traducido con permiso de CRC press. Copyright Sistemas que usamos
Más detallesSistemas de Información 12/13 La organización de datos e información
12/13 La organización de datos e información Departamento Informática e Ingeniería de Sistemas Universidad de Zaragoza (raqueltl@unizar.es) " Guión Introducción: Data Warehouses Características: entornos
Más detallesVisión General GXplorer. Última actualización: 2009
Última actualización: 2009 Copyright Artech Consultores S. R. L. 1988-2009. Todos los derechos reservados. Este documento no puede ser reproducido en cualquier medio sin el consentimiento explícito de
Más detallesFundamentos de sistemas de información
Fundamentos de sistemas de información Humi Guill Fuster Isabel Guitart Hormigo José María Joana José Ramón Rodríguez PID_00174744 CC-BY-NC-ND PID_00174744 Fundamentos de sistemas de información Humi Guill
Más detallesPrincipios de Privacidad y Confidencialidad de la Información
Principios de Privacidad y Confidencialidad de la Información Con el objetivo de mantener nuestro permanente liderazgo en la protección de la privacidad del cliente, Manufacturera 3M S.A de C.V está activamente
Más detalles