Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata

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

Download "Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata"

Transcripción

1 v.1.0 Clase 0

2 Quien tiene la información tienen el poder. - Anónimo Quien tiene el saber tiene el poder. - David Hume Quien tiene la información y la analiza, tiene el poder. Módulo: Visualización de Información

3 Temas Clase 0: Motivación Del dato al saber Situaciones de Negocio Definición e Historia de DM 4th Annual Data Miner Survey Referencias

4 Definición e Historia Minería de datos (Data Mining) Definición 1. Es un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos [1]. Definición 2. Es un proceso de análisis de datos, donde converge la estadística, inteligencia artificial y la computación, con el objeto de ver más allá de lo evidente, de una forma óptima y competitiva [2]. Otras definiciones: EIS: Sistema de Información Ejecutiva (herramienta de BI). Es considerado un Sistema de Soporte a la Decisión (DSS). OLAP: Procesamiento analítico en línea (On-Line Analytical Processing). Es también considerado una herramienta de BI. Su objetivo es agilizar la consulta de grandes cantidades de datos

5 Definición e Historia Data Warehouse: (Bodega o almacen de datos). Colección de datos orientados a un determinado negocio. CRM: Gestión de relación con el cliente (Customer relationship management). Es un modelo de gestión de toda la organización, basado en la orientación al cliente; el cual es soportado por un aplicativo que administra el data warehouse con información de los productos, canales y servicios de la compañía y sus clientes. ROI: Retorno sobre la inversión. Razón financiera que compara el beneficio o la utilidad en relación a las inversiones realizadas de forma inicial o en el transcurso de un proyecto. Ad hoc: En un escenario de las bases de datos, implica que el sistema permite al usuario personalizar una consulta en tiempo real, en vez de estar atado a las consultas prediseñadas para informes o extracción de información.

6 Definición e Historia Durante las últimas décadas se ha realizado múltiples esfuerzos y estudios fundamentados en analizar la información como factor clave para la toma de decisiones en la empresa [3]. Se podría visualizar una línea de tiempo donde se evidencia lo citado en el párrafo anterior, inicialmente los sistemas de información tenían una finalidad de dar soporte a los procesos básicos de las compañías (regulaciones, ventas, personal, etc.), surgen los sistema de información para la toma de decisiones (EIS, OLAP, Consultas, reportes, informes, etc.) brindando a los líderes una visón inmediata (diariamente) con herramientas que informan sobre el estado y las actividades de gestión a través de indicadores. Funciones de manipulación sobre los datos, ofrecen un incremento de análisis estratégico y sistemas relacionales brindan mayor versatilidad en la manipulación de los datos.

7 Concepto DM ROI Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5 Mass Marketing Análisis Exploratorios & Comunicaciones En masa Segment Marketing Análisis Interactivo & Comunicaciones en una dirección Target Marketing Modelos & Comunicaciones personalizadas Event based Marketing Interacción Enfocada a eventos, administración & Diálogos con el individuo Interactive Marketing Administración de relaciones con el cliente, enfocada a eventos, Multi-canal Qué paso? Por qué paso? Qué pasará? Uso Básico Análisis Ad Hoc Análisis Predictivo Qué está pasando? Análisis de Eventos Haciendo que suceda! CRM Analítico y Operativo Reportes Análisis Consultas Ad Hoc Descubrimiento Humano Herramientas para Consulta (Query & OLAP) Modelaje Predictivo Herramientas para Minería Actualización Contínua CRM Descubrimiento asistido por máquinas Herramientas para CRM Fuente: SPSS, Introducción a Clementine (2008)

8 Concepto DM Fuente: SPSS, Introducción a Clementine (2008)

9 Del dato al saber Del dato al saber Cómo es la información creada a partir de los datos que posteriormente se presenta de forma visual e incluida en modelos de minería de datos? Nathan Shedroff en su ensayo Information Design [4], analiza cómo se produce el proceso de comprensión de los datos. Fuente: Nathan Shedroff

10 Del dato al saber Shedroff lo llama y lo describe como un proceso continuo que genera información de los datos. Además la información puede ser transformada en conocimiento y finalmente, el sabiduría. Las etapas son: Los datos son entidades que por sí mismas carecen de sentido. Ellos constituyen los con los que se construye la información y los procesos comunicativos. Ejemplo: Datos del IPC que proporciona el Instituto Nacional de Estadística (DANE para Colombia). Se trata de una colección de números que singularmente, no son muy útiles para el público el general. Es sin embargo, precisamente estos datos en los que el instituto basa su informe anual sobre el estado de la economía y la inflación del país. Los datos por si solos no son suficientes para establecer un proceso comunicativo.

11 Del dato al saber Para dar sentido a estos datos, primero deben ser procesados, organizados y presentados en un formato adecuado. Esta transformación y manipulación de los datos produce información (organizándola y presentándola de una forma útil y apropiada, comunicando el contexto que la rodea). Cuando el Instituto Nacional de Estadística publica en su página Web los datos de los últimos cinco años, organizados por meses, con comparaciones y promedios anuales; estaremos en la capacidad de establecer la relación de la inflación con el IPC del año pasado y apreciar cómo se ha comportado con años anteriores. Esta Información se hace posible por medio de la organización de los datos estadísticos reunidos. En esta etapa la información es concebida. Cuando la información se integra con la experiencia, se crea el conocimiento. Cuando se tienen experiencias, se adquiere el conocimiento con el que somos capaces de entender las cosas.

12 Del dato al saber El saber es el más alto nivel de comprensión. Se puede definir como la etapa en la que una persona ha adquirido un nivel tan avanzado de conocimiento de los procesos y las relaciones que es posible, entonces, expresar calificados juicios sobre los datos. El saber es auto-inducido y a diferencia del conocimiento, no es posible transmitir directamente o enseñar. En qué etapa del proceso del continuo entendimiento se encuentra DM? Puede encontrarse en cada una de las etapas. La DM facilita la adquisición de los datos, su transformación en información, análisis y generación de nuevo conocimiento. En las metodologías de minería de datos CRISP_DM y SEMMA se profundizará con mayor detalla en cada una de estas etapas.

13 4th Annual Data Miner Survey 2010 Data Miner Survey Esta es una encuesta que se realiza anualmente a la comunidad de minería de datos a nivel mundial. En este caso, la encuesta fue realizada en el año 2011 preguntando sobre las experiencias de los mineros en el año Actualmente cursa la liberación de la quinta encuesta correspondiente a las experiencias del año Este investigación examina los comportamientos analíticos, necesidades, preferencias y opiniones de los profesionales de la minería de datos a nivel mundial. Se lleva a cabo como un servicio a la comunidad de minería de datos [5].

14 4th Annual Data Miner Survey Encuesta: 735 Mineros de 60 Países. Central & South America (4%) Columbia 2% Brazil 1% Middle East & Africa (3%) Israel 1% Turkey 1% Asia Pacific India 4% Australia 3% China 2% North America USA 40% Canada 4% Europe Germany 7% UK 5% France 4% Poland 4% Fuente: Rexer Analytics.

15 4th Annual Data Miner Survey En que campo usted típicamente aplica minería de datos? CRM/Marketing Financial Academic Insurance Telecommunications Retail Pharmaceutical Technology Medical Manufacturing Internet-based Government 15% 15% 14% 13% 13% 11% 10% 10% 10% 25% 29% 41% Data Mining is everywhere! Data miners also report working in Nonprofit (6%), Hospitality/Entertainment/ Sports (4%), Military/Security (3%), and Other (9%). 0% 10% 20% 30% 40% 50% Fuente: Rexer Analytics.

16 4th Annual Data Miner Survey Qué tipo de algoritmo usted utiliza típicamente? Decision Trees Regression Cluster Analysis Time Series Neural Nets Factor Analysis Text Mining Association Rules Ensemble Models Support Vector Bayesian Anomoly Detection Survival Analysis Rule Induction Social Network Analysis Genetic Algorithms Link Analysis Uplift Modeling MARS 16% 14% 13% 12% 11% 9% 9% 8% 27% 26% 25% 22% 21% 21% 32% 31% 60% 69% 68% 0% 10% 20% 30% 40% 50% 60% 70% Fuente: Rexer Analytics.

17 4th Annual Data Miner Survey Qué tipo de algoritmo usted utiliza típicamente? Decision Trees Regression Cluster Analysis Time Series Neural Nets Factor Analysis Text Mining Association Rules Ensemble Models Support Vector Bayesian Anomoly Detection Survival Analysis Rule Induction Social Network Analysis Genetic Algorithms Link Analysis Uplift Modeling MARS 16% 14% 13% 12% 11% 9% 9% 8% 27% 26% 25% 22% 21% 21% 32% 31% 60% 69% 68% 0% 10% 20% 30% 40% 50% 60% 70% Fuente: Rexer Analytics.

18 DM en la Industria Qué herramienta de minería de datos o analítica utilizó en 2009? Cuál es la herramienta que utiliza con mayor frecuentemente? Overall Corporate Consultants Academics NGO / Gov t Fuente: Rexer Analytics.

19 DM en la Industria Indique el nivel de satisfacción de su herramienta primaria de minería de datos o analítica Sample size < 20 Fuente: Rexer Analytics.

20 DM en la Industria Cuál es su principal formación académica? Computer Science / IT Statistics Engineering Economics Mathematics Social Science Medical / Biological Sciences Market Research Financial Forecasting / Risk Operation Research Humanities / Liberal Arts Physics Business / Marketing Other 3% 3% 2% 2% 1% 1% 3% 6% 7% 9% 9% 12% 18% 24% 0% 5% 10% 15% 20% 25% Fuente: Rexer Analytics.

21 Situaciones de Negocio La minería de datos es un termino general (Umbrella term) de todos los diferentes tipos de técnicas estadísticas y de inteligencia artificial. Las situaciones de negocio a resolver bajo un análisis de datos desde la DM son [6]: Predecir, segmentar, asociar y anomalías. Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, A continuación se presentarán algunas situaciones de negocio reales donde por medio de técnicas de minería de datos fue posible darle respuesta a la necesidad del negocio.

22 Situaciones de Negocio Predecir Tipo de empresa: Servicio de salud Unidad: Oncología Modelo: Regresión de COX Caso: Tratamiento de cáncer Objetivo: Predecir el tiempo en el que un paciente con cáncer recaerá Variables Demográficas Medicas Económicas Grupo 1 Grupo 3 Mes1 Mes 2 Mes 3 Evento de interés Mes 4 Mes 5 Grupo 2 Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

23 Situaciones de Negocio Predecir Tipo de empresa: Servicio financiero Unidad: Crédito Modelo: Regresión de COX Caso: Riesgo de crédito Objetivo: Predecir cuando un cliente incumplirá el pago de una obligación financiera Crédito Incumplimiento en pago 1 año 2 año 3 año Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

24 Situaciones de Negocio Segmentar Tipo de empresa: Servicio de entretenimiento Unidad: Mercadeo Caso: Incrementar ventas Modelo: Clúster Objetivo: Segmentar los usuarios para optimizar las campañas de mercadeo Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

25 Situaciones de Negocio Segmentar Tipo de empresa: Servicio de tecnología Unidad: Seguridad Caso: Seguridad informática Modelo: Clúster Objetivo: Prevenir ataques DDo Fuente: PROLEXIC, White Paper, 2010

26 Situaciones de Negocio Segmentar Tipo de empresa: Servicio de tecnología Unidad: Seguridad Caso: Seguridad informática Modelo: Clúster Objetivo: Prevenir ataques DDo Fuente: PROLEXIC, White Paper, 2010

27 Situaciones de Negocio Segmentar Tipo de empresa: Servicio de tecnología Unidad: Seguridad Caso: Seguridad informática Modelo: Clúster Objetivo: Prevenir ataques DDo Fuente: PROLEXIC, White Paper, 2010

28 Situaciones de Negocio Asociar Tipo de empresa: Comercializadora (retail) Unidad: Estrategía -Mercadeo Caso: Incrementar ventas Modelo: Red Neuronal Objetivo: Asociar la venta de dos o más productos Tiendas: 5 y 9 Hombres - 30 años promedio Sábados 2 9 pm Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

29 Situaciones de Negocio Anomalía Tipo de empresa: Entidad financiera Unidad: SARLAF Prevención del fraude Modelos: Regresión Logística Discriminante - Anomalía Caso: Cumplimiento regulatorio Objetivo: Detectar oportunamente actividades de lavado de activos, financiación de terrorismo o fraude. Cliente Sospechoso Transacción Sospechosa Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

30 Situaciones de Negocio Predicción Tipo de empresa: Investigación (Academia) Unidad: Maestría en Ingeniería Química Caso: Energías alternativas Modelo: Red Neuronal Objetivo : Predecir las corriente eléctrica VARIABLES Ancho_Canal Ancho_Colector Profundidad x y Corriente Presion Velocidad Fuente: D. C. Orozco-Gallo, C. I. Sánchez-Sáenz, C. A. Bastidas. Análisis en dos dimensiones del comportamiento hidrodinámico y la distribución de corriente en placas bipolares interdigitadas, 2011.

31 Situaciones de Negocio Predicción Tipo de empresa: Investigación (Academia) Unidad: Maestría en Ingeniería Química Caso: Energías alternativas Modelo: Red Neuronal Objetivo : Predecir las corriente eléctrica VARIABLES Ancho_Canal Ancho_Colector Profundidad x y Corriente Presion Velocidad Fuente: D. C. Orozco-Gallo, C. I. Sánchez-Sáenz, C. A. Bastidas. Análisis en dos dimensiones del comportamiento hidrodinámico y la distribución de corriente en placas bipolares interdigitadas, 2011.

32 Situaciones de Negocio Asociar Tipo de empresa: Protección del medio ambiente Unidad: Investigación Caso: Crisis energética (OPEP) Modelo: Componentes Principales Objetivo : Realizar una reducción de variables (preguntas) sobre la encueta. P20 P19 P34 P21 P31 P30 P27 P22 P28 P23 P26 P38 P35 PC2 PC4 PC3 PC1 P29 P33 P37 P32 P24 P25 P36 PC5 PC6 Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

33 Situaciones de Negocio Asociar Tipo de empresa: Protección del medio ambiente Unidad: Investigación Caso: Crisis energética (OPEP) Modelo: Componentes Principales Objetivo : Realizar una reducción de variables (preguntas) sobre la encueta. PC1(Actitud del ciudadano) = P20-P21-P23-P28-P30-P31-P33-P36 PC2 (Soluciones no ambientalistas) = P24-P35-P37 PC3 (Acciones de los actores) = P26-P29-P32-P38 PC4 (Gravedad del problema) = P19-P22-P27 PC5 (Responsabilidad compañías petroleras) = P25 PC6 (Compromiso de la ciudadanía) = P22 Fuente: Gustavo Valencia Z. Notas de clase: Minería de Datos, 2012.

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

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: Introducción a la Inteligencia de Negocios Hitos y personajes Arquitectura de BI Evolución de la Información Inteligencia de Negocios (BI)

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

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

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

Soluciones de Portrait Customer Analytic

Soluciones de Portrait Customer Analytic Soluciones para Customer Intelligence, Communications y Care. Soluciones de Portrait Customer Analytic Explorar, comprender y predecir el comportamiento de los clientes para un retorno de la inversión

Más detalles

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS 1 MINERÍA DE DATOS LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES Gustavo Adolfo Valencia Zapata (info@gustavovalencia.com) 2 LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES

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

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

Diploma en Business Analytics

Diploma en Business Analytics Diploma en Business Analytics JULIO 2010 FACULTAD DE INGENIERÍA Y CIENCIAS www.uai.cl Por qué un Diploma en Business Analytics? El análisis metódico e inteligente de datos es una actividad estratégica

Más detalles

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS 1 MINERÍA DE DATOS LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES Gustavo Adolfo Valencia Zapata (info@gustavovalencia.com) 2 LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES

Más detalles

Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence

Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence Definición Historia y Evolución Conceptos Importantes Beneficios Soluciones Aplicaciones Business Intelligence Hoy Futuro del Business Intelligence Conclusiones Conjunto de productos y servicios que permiten

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Minería de Datos. Vallejos, Sofia

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

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

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

SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR Carlos Mendoza Astroz SAS INSTITUTE Domain Expert carlos.mendoza@sas.com AGENDA 1. La nueva visión del

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

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

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

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile. Los futuros desafíos de la Inteligencia de Negocios Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.cl El Vértigo de la Inteligencia de Negocios CRM: Customer

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

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

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

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

Kais Analytics Business Intelligence

Kais Analytics Business Intelligence Analizador de datos Analice toda la información estratégica y mejore la toma de decisiones Con la globalización de la información en los últimos años nace el concepto Business Intelligence. La gran cantidad

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

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

Business Analytics. Jordi Gironés Roig PID_00197282

Business Analytics. Jordi Gironés Roig PID_00197282 Business Analytics PID_00197282 CC-BY-NC-ND PID_00197282 Business Analytics Licenciado en Matemáticas por la Universidad Autónoma de Barcelona y diplomado en Empresariales por la Universitat Oberta de

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

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

BUSINESS INTELLIGENCE SYSTEMS (BIS)

BUSINESS INTELLIGENCE SYSTEMS (BIS) SEMINARIO BUSINESS INTELLIGENCE SYSTEMS (BIS) Una nueva filosofía de Management cuyo objetivo consiste en... Capturar, diseminar y reusar el conocimiento disperso que poseen las organizaciones y que junto

Más detalles

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS Por qué es importante la Minería de Datos? 2 La Minería de Datos es un proceso que permite obtener conocimiento a partir de los datos

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

En el contexto de la simulación se asocia a un período de tiempo determinado por una variable aleatoria.

En el contexto de la simulación se asocia a un período de tiempo determinado por una variable aleatoria. DEFINICIONES Actividad: En el contexto de la simulación se asocia a un período de tiempo determinado por una variable aleatoria. Aleatorio (Aleatoriedad): Se asocia a todo proceso cuyo resultado no es

Más detalles

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis CURSOS CONENTO Una puerta abierta para que puedas desarrollar tus propios análisis Introducción Este documento recoge la lista de los cursos que ofrecemos para ayudar a nuestros clientes a incrementar

Más detalles

Gestión de la Información

Gestión de la Información Gestión de la Información Sociedad de la Información Recurso Información Sistemas de Información Tecnologías de la Información Internet ii Fundamentos de SI: Gestión de la Información 49 Un Sistema de

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

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

SOLUCIONES E-BUSINESS

SOLUCIONES E-BUSINESS SOLUCIONES E-BUSINESS Soluciones e-business La realización de operaciones de negocio electrónico se sirve de numerosas herramientas, utilizadas para sustituir a las aplicadas tradicionalmente por las empresas

Más detalles

ESTRATEGIAS DIRECTIVAS

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

Más detalles

Más allá del Business Intelligence

Más allá del Business Intelligence especial informática Más allá del Business Intelligence Ofrecer a todos los usuarios de una organización la información que necesitan para tomar decisiones estratégicas, que mejoren su efectividad operacional,

Más detalles

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE TRAINING 2007 APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE Fundamentos en el Uso y Aplicaciones con SPSS Introducción a la Sintaxis Estadísticas

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

Más detalles

BUSINESS INTELLIGENCE. www.sbi-technology.com

BUSINESS INTELLIGENCE. www.sbi-technology.com BUSINESS INTELLIGENCE www.sbi-technology.com SBI Technology SRL Maipú 1492 Piso 2 S2000CGT - Rosario Rep. Argentina Tel: (54 341) 530 0815 www.sbi-technology.com Copyright - SBI Technology SRL - Todos

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Metodología > 1 Implantación tecnológica de un balanced scorecard Precio 1.000 Este curso introduce al alumno en la metodología de BSC y su implantación tecnológica para el seguimiento

Más detalles

TOMA DE DECISIONES II

TOMA DE DECISIONES II TOMA DE DECISIONES II Tema Nº 04 1. LAS HERRAMIENTAS TECNOLÓGICAS PARA LAS TOMA DE DECISIONES GERENCIALES 1.1 Importancia de los ERP. 1.2 Aadministración del desempeño corporativo CPM 1. HERRAMIENTAS TECNOLÓGICAS

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

COME&STAY SPAIN. La estrategia user centric Para que sus campañas sean pertinentes para el consumidor. 2 de abril de 2009. p 1

COME&STAY SPAIN. La estrategia user centric Para que sus campañas sean pertinentes para el consumidor. 2 de abril de 2009. p 1 COME&STAY SPAIN La estrategia user centric Para que sus campañas sean pertinentes para el consumidor 2 de abril de 2009 1 p 1 Un red global de 276 millones direcciones email y de 37 millones de números

Más detalles

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results.

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

Más detalles

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

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

Servicios de Consultoría en: Herramientas de Inteligencia de Negocios. Alineación Estratégica y Balanced Scorecard

Servicios de Consultoría en: Herramientas de Inteligencia de Negocios. Alineación Estratégica y Balanced Scorecard Servicios de Consultoría en: Herramientas de Inteligencia de Negocios Alineación Estratégica y Balanced Scorecard Administración de Procesos de Negocios Selección de ERP s y CRM s Migración de Datos Diagnóstico

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

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

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS Integrante: Profesor: Maximiliano Heise Luis Ríos Fecha de entrega: miércoles 18 de abril de 2012

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

Cinco reglas imprescindibles en la predicción para maximizar el valor de los clientes

Cinco reglas imprescindibles en la predicción para maximizar el valor de los clientes Cinco reglas imprescindibles en la predicción para maximizar el valor de los clientes Aplicación del análisis predictivo para mejorar la gestión de las relaciones con los clientes Contenido: 1 Introducción

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

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

Cinco imperativos de la predicción para maximizar el valor para el cliente

Cinco imperativos de la predicción para maximizar el valor para el cliente Cinco imperativos de la predicción para maximizar el valor para el cliente Aplicación del análisis predictivo para mejorar la gestión de la relación con los clientes Contenido: 1 Introducción 4 Los cinco

Más detalles

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública Dr. Viterbo H. Berberena G. Coordinador de la Maestría en Inteligencia Analítica Consultor Sénior en Inteligencia

Más detalles

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales DIPLOMADOS Colección: Postales Universidad de Chile Diplomado en Business Intelligence 2015 Por qué La Universidad de Chile? No cualquier Diplomado No cualquier Universidad Es la institución de educación

Más detalles

Presentación Corporativa

Presentación Corporativa SETADIGITAL TECHNOLOGY GROUP LTDA Presentación Corporativa Servicios Especializados de Tecnología Avanzada www.setadigital.com Nosotros SetaDigital Technology Group Ltda (STG) es una compañía informática

Más detalles

UNIVERSIDAD 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 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 detalles

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. Objetivo: Al final de la unidad el alumno comprenderá la presencia de estas herramientas informáticas (programas Datamining))

Más detalles

La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand. IBM Information Management

La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand. IBM Information Management La siguiente generación de Datawarehouse : Más allá del Data Warehouse permitir information on demand José Ramón Mora IBM Software Group Nuestra visión sobre Business Intelligence Acercamiento Desde hace

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

Informática II Ing. Industrial. Data Warehouse. Data Mining

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

Más detalles

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

BUSINESS INTELLIGENCE

BUSINESS 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 detalles

MASTER EN M INERÍA DE DATOS E INTELIGENCIA DE NEGOCIOS. CURSO 2012/2013 LINEAS DE TRABAJO (TRABAJO FIN DE MASTER)

MASTER EN M INERÍA DE DATOS E INTELIGENCIA DE NEGOCIOS. CURSO 2012/2013 LINEAS DE TRABAJO (TRABAJO FIN DE MASTER) MASTER EN M INERÍA DE DATOS E INTELIGENCIA DE NEGOCIOS. CURSO 2012/2013 LINEAS DE TRABAJO (TRABAJO FIN DE MASTER) 1. Inteligencia de Negocios y Estrategia Empresarial (PROFESORES: Javier Amores Salvadó

Más detalles

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productivity in Construction Companies: Knowledge acquired from the databases Hernando Camargo Mila, Rogelio Flórez

Más detalles

El taller de Inteligencia de Negocio no tiene requisitos en cuanto a conocimientos, debido a su naturaleza introductoria.

El taller de Inteligencia de Negocio no tiene requisitos en cuanto a conocimientos, debido a su naturaleza introductoria. DESCRIPTOR DE PROGRAMAS PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE Versión: 03 UNIDAD ACADÉMICA: Escuela de Ingeniería Departamento de Ciencia de la Computación- CETIUC NOMBRE DE LA ACTIVIDAD Taller: Inteligencia

Más detalles

Resumen. 1.1 Knowledge discovery in databases

Resumen. 1.1 Knowledge discovery in databases KDD (Knowledge Discovery in Databases): Un proceso centrado en el usuario Héctor Oscar Nigro, Daniel Xodo, Gabriel Corti, Damián Terren INCA/INTIA - Departamento de Computación y Sistemas Facultad de Ciencias

Más detalles

Introducción Qué es Minería de Datos?

Introducción Qué es Minería de Datos? Conceptos Básicos Introducción Qué es Minería de Datos? Extracción de información o de patrones (no trivial, implícita, previamente desconocida y potencialmente útil) de grandes bases de datos. Introducción

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Curso 2012-2013 Departamento de Lenguajes y Sistemas Informáticos II http://www.kybele.es ISI/SI - 1 Introducción Nuestra misión: Hacer inteligente el negocio Buenos días. Soy Negocio.

Más detalles

Cerramos un buen año con un excelente producto de BI

Cerramos un buen año con un excelente producto de BI Diciembre, 2009 Digit@ l EDITORIAL TECNOVEDADES EDITORIAL Cerramos un buen año con un excelente producto de BI EN BOCA DE EXPERTOS NOTICIAS Un año más de servicio llega a su fin y lo hacemos como lo iniciamos,

Más detalles

Data Warehousing - Marco Conceptual

Data Warehousing - Marco Conceptual Data Warehousing - Marco Conceptual Carlos Espinoza C.* Introducción Los data warehouses se presentan como herramientas de alta tecnología que permiten a los usuarios de negocios entender las relaciones

Más detalles

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

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

Más detalles

MoDaWeEd: un framework que integra Moodle, Data Mining y Web Usage Mining en el ámbito de la Educación

MoDaWeEd: un framework que integra Moodle, Data Mining y Web Usage Mining en el ámbito de la Educación MoDaWeEd: un framework que integra Moodle, Data Mining y Web Usage Mining en el ámbito de la Educación Esther Hochsztain (*), Andrómaca Tasistro (**) esther@ccee.edu.uy, andromaca.tasistro@agesic.gub.uy

Más detalles

RESUMEN PROYECTO NOMBRE PROYECTO: ELITE SCHOOL IAMCP-MS MICROSOFT EJECUTORES: IAMCP- MICROSOFT

RESUMEN PROYECTO NOMBRE PROYECTO: ELITE SCHOOL IAMCP-MS MICROSOFT EJECUTORES: IAMCP- MICROSOFT RESUMEN PROYECTO CONVOCATORIA PARA EL FORTALECIMIENTO DE LA COMPETITIVIDAD DEL SECTOR TIC NACIONAL A TRAVÉS DEL TALENTO HUMANO ESPECIALIZADO Y DE CALIDAD NOMBRE PROYECTO: ELITE SCHOOL IAMCP-MS EJECUTORES:

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

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

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones 1. La Información: Propiedades de la Información. Sistemas de Información. Bases de Datos. 2. Administración

Más detalles

UBA02 25 y 26 de abril / Sonesta Hotel El Olivar

UBA02 25 y 26 de abril / Sonesta Hotel El Olivar El Update in Business Administration (UBA) es un programa de educación ejecutiva de altísimo nivel en el que, por lo adecuado de su enfoque y la particularidad del formato, encontrará un buen reflejo de

Más detalles

MINERÍA A DE DATOS E INTELIGENCIA DE NEGOCIOS

MINERÍA A DE DATOS E INTELIGENCIA DE NEGOCIOS Máster en MINERÍA A DE DATOS E INTELIGENCIA DE NEGOCIOS de UNIVERSIDAD COMPLUTENSE DE MADRID DESCRIPCIÓN N DEL TÍTULOT TULO JUSTIFICACIÓN RESUMEN COMPETENCIAS PLANIFICACIÓN N ENSEÑANZAS DESCRIPCIÓN N DEL

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

Algunos de sus clientes están por entrar en Default, sepa cuales son

Algunos de sus clientes están por entrar en Default, sepa cuales son Algunos de sus clientes están por entrar en Default, sepa cuales son Lo que nunca pensó que podría responder, ahora es posible hacerlo con Business Intelligence y Data Mining Business Intelligence Qué

Más detalles

30 oct. SAP Fraud Management. El Camino a la transparencia. La necesidad Gestionar en tiempo real. El medio Una plataforma in-memory

30 oct. SAP Fraud Management. El Camino a la transparencia. La necesidad Gestionar en tiempo real. El medio Una plataforma in-memory SAP Fraud Management 30 oct 2014 El Camino a la transparencia SAP Fraud Management La necesidad Gestionar en tiempo real El medio Una plataforma in-memory La necesidad Gestionar en tiempo real 3 La necesidad:

Más detalles

Gestión Analítica de Negocios y herramientas de Business Intelligence BI

Gestión Analítica de Negocios y herramientas de Business Intelligence BI 33 Gestión Analítica de Negocios y herramientas de Business Intelligence BI Fundamentos de las herramientas y tecnologías de la Inteligencia de Negocios (BI) El concepto de Business Intelligence (BI) es

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

Boletín de Asesoría Gerencial*

Boletín de Asesoría Gerencial* Espiñeira, Sheldon y Asociados No. 10-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4

Más detalles

SÍLABO. : Electivo : Ingeniería de Sistemas : IS0806. : VIII Ciclo : 2 de Teoría y 2 de Práctica : 03 : Ninguno

SÍLABO. : Electivo : Ingeniería de Sistemas : IS0806. : VIII Ciclo : 2 de Teoría y 2 de Práctica : 03 : Ninguno SÍLABO I. DATOS GENERALES 1.1. Nombre de la Asignatura 1.2. Carácter 1.3. Carrera Profesional 1.4. Código 1.5. Semestre Académico : 2014-I 1.6. Ciclo Académico 1.7. Horas de Clase 1.8. Créditos 1.9. Pre

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

Aplicaciones Informáticas en la Gestión Comercial

Aplicaciones Informáticas en la Gestión Comercial Tema 6: Aplicaciones Informáticas en la Gestión Comercial Departamento de Organización de Empresas Universidad Complutense de Madrid ÍNDICE Sistemas EDI ERP CRM y PRM SCM DataWarehouse y Data Mining 2

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

Materia: Inteligencia de negocios

Materia: Inteligencia de negocios Instituto Tecnológico de Durango Departamento de Sistemas y Computación Ingeniería Informática Unidad I. INTRODUCCIÓN A LA INTELIGENCIA DE NEGOCIOS 1 Información Activo más importante de los negocios actuales

Más detalles

INTELIGENCIA DE NEGOCIO 2015-2016

INTELIGENCIA DE NEGOCIO 2015-2016 INTELIGENCIA DE NEGOCIO 2015-2016 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos. Ciencia de Datos Tema 4. Modelos de Predicción: Clasificación,

Más detalles

Un 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. 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 detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles