Data Mining y La Importancia De Conocer Bien Sus Datos. Luis Aburto Gerente Data Mining (luaburto@analytics.cl)
|
|
- Arturo Alcaraz Gutiérrez
- hace 8 años
- Vistas:
Transcripción
1 Data Mining y La Importancia De Conocer Bien Sus Datos Luis Aburto Gerente Data Mining (luaburto@analytics.cl)
2 Temas a Abordar Definición tradicional de Data Mining Ejemplos prácticos y cómo afectan el resultado Detección de Fuga de Clientes en Telecomunicaciones Predicción de Demanda Mitos y Trampas de Data Mining Procesamiento y Calidad de Datos Conclusiones 2
3 Qué es Data Mining? Encontrando estructuras interesantes en los datos Estructura: Referido a patrones estadísticos, modelos predictivos y relaciones ocultas Interesantes: Potenciales de generar rentabilidad Ejemplos de Problemas Abordados por el Data Mining Modelamiento Predictivo (Clasificación, Regresión) Segmentación (Cluster de datos) Afinidad (Resumen) - Relaciones entre campos, asociaciones, visualización Pero esta definición no es suficiente 3
4 Ejemplos Aplicados I: Análisis de Fuga en Telecomunicaciones
5 Objetivos del Problema de Detección de Fuga Trabajo existente ha intentado aproximar el Índice de Lealtad usando retención y valor del cliente El objetivo preliminar de este trabajo es predecir fuga en el uso de servicios gratuitos ofrecidos a través de Internet (correo electrónico, mensajería, noticias, finanzas, deportes, etc.) a través de: Considerar estado actual y futuro Centrado en el usuario de negocios Considerar causas de fuga Modelos más complejos para predecir fuga 2,02% 97,98% Total de usuarios únicos: Active Churn 5
6 Determinando el problema con los datos : Activos & Fugas Distribución de permanencia Percent [%] Clientes con permanencia <1 mes finalizan contrato Tasa fuga, excluyendo 0 y 12 meses de permanencia debería ser 1.8% Tenure ALL YUID Tasa de fuga aumenta 92% (de 2.02% a 3.89%) cuando clientes tienen 12 meses de permanencia Percent [%] Tenure [Months] TOTAL YUID Churn Percentage in Subset Qué está pasando en estos meses? 6
7 Determinando el problema con los datos : Valores perdidos Las personas con valores perdidos en la variable de información regional, tienen mayor tasa de fuga que clientes con valores conocidos en esta variable Total Churn % of Total Churn % of Total Churn Oct 03 2,062, % 87.20% 0.84% 12.80% 18.28% Nov 03 2,215, % 89.24% 0.76% 10.76% 18.08% Dec 03 2,348, % 90.99% 0.54% 9.01% 21.02% Jan 04 2,501, % 92.73% 0.86% 7.27% 31.10% Feb-04 2,694, % 94.90% 0.45% 5.10% 31.27% Apr 04 3,014, % 83.74% 0.74% 16.26% 11.60% Mar 04 2,875, % 88.51% 0.87% 11.49% 15.36% Average All Users Users with State Users with Missing State 2.60% 89.62% 0.72% 10.38% 20.96% La tasa de fuga cambia dramáticamente cuando los datos regionales y la actividad de los usuarios es conocida (menos de 1%). Cuando los datos regionales son desconocidos, la tasa de fuga aumenta sobre 30% 7
8 Previsualización de los datos: Comparación entre actividad del portal y patrones de fuga Average Sessions (Top 50 Properties) Portal % 3.5% Actividad del portal fue una de las mejores características para discriminar entre fugas y personas activas Sessions Estadísticos Descriptivos 50 0 DSL Portal Activity No Portal Very Light Light Moderate Heavy All DSL Master Avg Sessions (Top 50 Properties) Percentage Users Avg Time Spent (Top 50 Properties) Churn Rate Avg Sessions (Top 50 Properties) 3.0% 2.0% 1.5% No Portal 10.0% % Very Light 19.4% % Light 26.3% % Moderate 26.5% % Heavy 17.8% % All DSL Master 100% % % Churn Rate 2.5% Incremento actividad como disminuciones de los fugas Curva roja muestra tasa de fuga para cada categoría de actividad del portal Barras azules muestran sesiones Churn Rate promedio para cada categoría de actividad del portal % tasa de fuga = (Usuarios activos en Oct y cancelaron en Nov) / (Usuarios activos en Oct) 8
9 Previsualización de los datos: tasa de fuga y permanencia peak a los 12 meses Tasa de fuga por grupos October Churn Rate % User Tenure (11,12 and 13) Remaining Tenure Master DSL Inactive 32.1% 5.1% 2.6% 2.9% Very Light 13.3% 4.2% 2.3% 2.5% Light 20.3% 3.5% 2.1% 2.3% Moderate 20.9% 2.8% 1.9% 2.0% Heavy 13.3% 2.9% 2.0% 2.1% Master DSL 100% 3.9% 2.2% 2.4% Comparación fugas 3.9% es la tasa de fuga para todos los usuarios con permanencia entre 11 y 13 meses. Es mayor a la tasa de fuga que se obtiene con la base completa (2.4%) % Churn Rate 5.0% 4.0% 3.0% 2.0% 1.0% 0.0% Permanencia (11, 12 y 13) son 11.4% del Total Master DSL Churn Rate for Master DSL in October Inactive Very Light Light Moderate Heavy Master DSL Yahoo Groups Tenure (11,12 and 13) Master DSL Remaining Tenure La diferencia es más grande cuando incluimos la dimensión actividad: 5.1% tasa de fuga para usuarios inactivos con permanencia entre 11 y 13 meses 9
10 Qué pasa si construimos un modelo de Data Mining a ciegas? Modelo de predicción con muchas variables No entenderíamos las variables (qué variables predicen bien y cuáles mal las fugas) La exactitud en la predicción debería estar basada en reglas simples: Si el usuario no tiene información regional fuga Si el usuario tiene una permanencia de 0 ó 12 meses fuga No entenderíamos por qué estas variables predicen fuga 10
11 Ejemplos Aplicados: Pronóstico de Demanda
12 Definiendo el Problema Pronósticos son subjetivos e inexactos Destruir sentimiento de decisiones claves del autor Usar historia reciente en el modelo y nivel del centro de negocio Sujeto a las complicaciones de estacionalidad Gran cantidad de datos Ventas e inventario Semana Estudios de mercado, datos relacionados con la industria Precisión actual +/- 17% +/- 25% NA Precisión deseada +/- 10% +/- 15% Promociones de Marketing & Competencia Problema a resolver Comportamiento del pronóstico de ventas usando datos transaccionales Entender el problema de predicción 12
13 Selección de datos representativos Los Datos comienzan en el año 2000, pero los primeros meses tienen menos ventas que el patrón normal Usamos ventas sin primeros meses Usamos las siguientes fuentes de datos: Daily Sales -Este Cotizaciones, un nuevo modelo que se convierten en ventas, actividad web, stocks, 6000 Daily Sales de Daily Sales órdenes auto, o y retrasos de estas variables. -No hay historia almacenada Daily Sales Date Sales Sales Date Date 13 0 Sales Este gráfico comienza en enero 2000 Date Este gráfico comienza en noviembre 2000
14 Previsualización de los datos: Visión de Mega-análisis Medidas # ventas Detalles Usuarios Visitas Requerimientos Sesiones Zip Code/Zona Modelo de vehículo Semana/Mes # Act. website # Configuraciones # Cotizaciones Cotizaciones Usuarios Visitas Requerimientos Sesiones Presup-venta Trim, Computar correlación semana/venta Para cada cambio en la semana, Análisis de retraso de 1 a 40 semanas 14
15 Previsualización de los datos: Trabajo de correlación Correlaciones globales sobre todos los estados y modelos no esperados para rendir resultados significativos Examinar estado, zona y modelo Estructura del esquema para evaluar correlaciones dentro Zip Modelo En una base de tiempo de cambio semanal Resultando en alrededor de 1 millón de series para actividad/ventas Este resultado es imposible manejar desde el punto de vista humano 15
16 Previsualización de los datos: Auto Correlación Autocorrelación de ventas semanales a nivel nacional Alta correlación a nivel nacional 16
17 Previsualización de los datos: Análisis de ventas Distribución de ventas diarias Daily Sales Dado el análisis histórico, estas 5000 características deben ser importantes en la predicción del modelo 4000 Último día del mes Sales Estacionalidad mensual Festividades: 4 Julio Por qué 1 Enero hay venta cero? Esta previsualización nos ayuda a detectar y verificar anomalías en los datos Primer día del mes Date
18 Fijar problema con datos: Outliers Filtered Sales / Average(Month) New Year Independence Day Christmas Thanksgiving Day Memorial Day Labor Day Last day of year 31-Dec Festividades y días especiales están en círculo 31-Dec Jan 0 01-Sep 02-Sep 27-May 01-Jan 26-May 01-Jan 04-Jul 28-Nov 25-Dec 04-Jul 27-Nov 25-Dec Gran error intentar predecir días normales con festividades Remover festividades y predecir en otro modelo 18 1/1/2002 2/1/2002 3/1/2002 4/1/2002 5/1/2002 6/1/2002 7/1/2002 8/1/2002 9/1/ /1/ /1/ /1/2002 1/1/2003 2/1/2003 3/1/2003 4/1/2003 5/1/2003 6/1/2003 7/1/2003 8/1/2003 9/1/ /1/ /1/ /1/2003 1/1/2004 2/1/2004 3/1/2004 Filtered Sales / Average (Month) Date
19 Fijar el problema con datos: Definición de cambios Análisis de la distribución de ventas semanal Sales Esto puede ayudarnos a entender cualquier anomalía en el procesamiento Por qué las ventas cambian de comportamiento? En la definición de datos, las ventas cambian: - Ahora incluyen ventas nacionales e internacionales 19 Solución: Filtrar las ventas internacionales
20 Procesamiento de datos: sumando dominio al conocimiento Monthly Average 1.6 Average (Filtered Sales) En promedio, ventas de Enero son menores que Agosto Este tipo de características captura el comportamiento de diferentes meses. Este conocimiento mejora los resultados del modelo January February March April May June July August September October November December Month 20
21 Procesamiento de datos: Filtrar patrones conocidos Diagrama de dispersión entre ventas filtradas y posición en un mes, donde: 0 es el primer día 1 es el último día del mes Filtered Sales v/s Month Position ( ) 8 Los valores más altos están a fin de mes 7 6 Filtered Sales Valor más bajo a comienzos de mes Month Position 21
22 Procesamiento de datos: Filtrar patrones conocidos Aproximamos la curva con una función Gaussiana, Entonces dividimos por esta variable para suavizar la curva 22
23 Procesamiento de Datos: Filtrar patrones conocidos Serie de ventas original Serie de ventas filtrada RAM Daily Sales RAM Filtered Sales , , Sales Filtered Sales Aplicando conocimiento y patrones 0,5 conocidos 0 Date Date Pronosticar ventas filtradas es más fácil que pronosticar la serie original
24 Evaluación de modelos: Exactitud de la predicción con ARIMA Original Series v/s Prediction Series ARIMA GCH Series Date Original Series Prediction Series MAPE Error Sales Daily Weekly Monthly Train 13.5% 8.1% 6.8% Test 17.4% 11.1% 8.4% Max Test 149.7% 38.0% 14.8% 24
25 Mitos y Trampas de Data Mining Mito 1: Data Mining es todo acerca de exactitud en la predicción Necesario tener un grado de exactitud descubrimiento de patrones en datos Qué aprendo con el modelo? Ej. Redes neuronales predicen, pero no se sabe nada acerca de las variables. Es una caja negra. Se puede crear una regresión para entender mejor las variables, su importancia relativa (Cuál de ellas tiene mayor peso) 25
26 Mitos y Trampas de Data Mining Modelo de Regresión Modelo de Redes Neuronales y k = f ( n i= 0 w ik x i ) 26
27 Mitos y Trampas de Data Mining Mito 2: Data Mining requiere un Data Warehouse Fuente operacional de datos Qué pasa si el Data Warehouse sólo tiene información agregada? Mito 3: Data Mining debiera estar a cargo de alguien experto en el tema Muy importante el Conocimiento del Negocio en Data Mining - Si no está incluido resultados inútiles o poco importantes Ej. Si (cliente=mujer AND edad > 10 AND edad < 50) Cliente = maternidad 27
28 Mitos y trampas de Data Mining Trampa 1: Enterrado bajo montañas as de datos Se produce por creer que debemos aplicar el proceso a todos los datos disponibles Proceso se vuelve inactivo y el analista no puede recordar qué estaba preguntando Solución: Utilizar una muestra, no la base completa Trampa 2: Insuficiente conocimiento de los datos Necesario entender qué significan los datos Deben existir personas expertas en la organización Muchas veces el manejo de datos es un servicio externo 28
29 Mitos y trampas de Data Mining Trampa 3: Llegar a conclusiones erradas Un parasicólogo de Duke testeó a estudiantes para encontrar Percepción Extra Sensorial, descubriendo que 0.1% podía adivinar 10 de 10 cartas. Entonces declaró a estos estudiantes como poseedores de PES. Al realizar el experimento nuevamente con ellos, descubrió que perdían su capacidad. CONCLUSION: al comunicar a una persona PES, ésta en general la pierde Trampa 4: Supuestos erróneos, cortesía a de los expertos No hay clientes que puedan mantener cuentas de estos tipos No hay casos que incluyan más de un evento de este tipo Sólo los siguientes códigos se presentarán en este campo Necesario VALIDAR las declaraciones de los expertos 29
30 Mitos y trampas de Data Mining Trampa 4: Encerrado en la jaula de datos Algunas herramientas de Data Mining requieren que los datos estén en un formato propio No compatible con los sistemas de bases de datos Alto costo en transformación de datos al formato requerido Las herramientas de Data Mining deberían ser evaluadas en accesibilidad, escalabilidad y uso, y soporte para procesos estandarizados 30
31 Mitos y trampas de Data Mining Un último Mito: Data Mining es todos acerca de algoritmos El error es creer que sólo se necesitan buenos algoritmos Data Mining involucra también: - Metas de negocio - Transformar metas de negocio a metas de Data Mining - Entender y procesar datos - Evaluar y presentar resultados - Mejorar beneficios del negocio * Tom Khabaza, Hard Hats for Data Miners: Myths and Pitfalls of Data Mining, Business intelligence, data warehousing and analytics editorial from DMReview 31
32 Mitos y Trampas de Data Mining Qué hacer antes de comenzar un proyecto de Data Mining? Errores Calidad datos Data Mining Indicadores de desempeño Reglas de negocio Roles y objetivos 32
33 Proceso KDD: El Camino Tradicional Interpretación y Evaluación Selección y Preprocesamiento Data Mining p(x)=0.02 Conocimiento Consolidación de los Datos Warehouse Datos Preparados Patrones & Modelos Fuente de Datos Datos Consolidados 33
34 Extensiones KDD: Nuestra metodología para descubrir conocimiento TORNAR LOS OBJETIVOS DE NEGOCIO DENTRO DEL PROBLEMA DE DATA MINIG SELECCIONAR DATOS REPRESENTATIVOS REVISION DE DATOS DEFINIR LOS OBJETIVOS DE NEGOCIO RESOLVER PROBLEMAS CON LOS DATOS VISUALIZAR RESULTADOS DATOS DE MUESTRA EVALUAR MODELOS CONSTRUIR MODELOS PROCESAMIENTO DE DATOS 34
35 Qué es Calidad de Datos? Correctos: los datos describen objetos verdaderos y fielmente (de la realidad) El nombre de la ciudad que vive un cliente es Santiago. Para que los datos sean correctos, en la dirección debe aparecer Santiago como nombre de la ciudad para que sea correcta. La edad debe ser la misma en todas partes, coherente con fecha de nacimiento. No ambiguos: valores y descripciones tienen sólo un significado Ej. Río Claro, Cuarta Región Río Claro, Séptima Región 35
36 Qué es Calidad de datos? Consistentes: datos usan una convención de notación constante para convertir su significado Santiago debe ser anotado en todas partes de la misma manera, por ejemplo: Stgo, SCL, Stgo de Chile, Santiago Completos: Dos aspectos de completitud: Valores individuales en los datos están definidos (no nulos) Al agregar la información ésta es completa * Ralph Kimball, Joe Caserta, The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming and Delivering Data 36
37 Manejo de datos Chequear la validez de los valores Chequear consistencia Sacar datos duplicados Chequear si las reglas de negocio y procedimientos han sido implementadas Servidor Extraer Limpiar Conformar Entregar Aplicaciones Fuentes de producción Leer fuentes de datos. Conformar métricas Generar de dimensiones de Conexión y acceso a los negocio datos. tiempo Internacionalizaciones Programación de las Cargar sub-dimensiones Conformar datos en fuentes del sistema Cargar disco dimensiones de (interceptar notificaciones). jerarquía Capturar cambios en los Entrega de datos a disco datos. Extraer datos de disco. 37
38 Preprocesamiento de Datos Bins Igual rango: cada bin contiene la misma cantidad de rango de valores Igual frecuencia: cada bin contiene igual número de instancias 38
39 Preprocesamiento de datos Distribución de normalización No es transformar los datos para que la distribución sea una normal Se trata de regularizar o estandarizar una distribución Una estrategia de normalización: usar bins de igual frecuencia y asignar a cada bin un valor con un incremento uniforme - Ejemplo: si el rango es 0-1 los bins serían asignados a valores 0, 0.1, 0.2, , 1 * Dorian Pyle, Business Modeling and Data Mining 39
40 En conclusión El éxito de un proyecto de Data Mining pasa por elementos ajenos a la matemática: Datos usados en el proyecto: - Garbage in Garbage out - Representativos de la realidad a modelar Correcta definición de objetivos y métricas de negocio Uso de transformaciones, agrupamientos o creación de variables con significado Calidad de Datos: Correctos, Sin Ambigüedad, Consistentes y Completos Procesos automáticos para ETL Manejo de excepciones Identificación de outliers 40
41 Referencias Dorian Pyle, Business Modeling and Data Mining, Ed. Morgan Kaufmann, Tom Khabaza, Hard Hats for Data Miners: Myths and Pitfalls of Data Mining, Business intelligence, data warehousing and analytics editorial from DMReview. Ralph Kimball, Joe Caserta, The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming and Delivering Data, Ed. Wiley
42 Data Mining y La Importancia De Conocer Bien Sus Datos Luis Aburto Gerente Data Mining (luaburto@analytics.cl)
Parte 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 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 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 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 detallesArquitectura de sistema de alta disponibilidad
Mysql Introducción MySQL Cluster esta diseñado para tener una arquitectura distribuida de nodos sin punto único de fallo. MySQL Cluster consiste en 3 tipos de nodos: 1. Nodos de almacenamiento, son los
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 detallesEstándares para planes de calidad de software. Escuela de Ingeniería de Sistemas y Computación Desarrollo de Software II Agosto Diciembre 2008
Estándares para planes de calidad de software Escuela de Ingeniería de Sistemas y Computación Desarrollo de Software II Agosto Diciembre 2008 DIFERENCIA ENTRE PRODUCIR UNA FUNCION Y PRODUCIR UNA FUNCION
Más detallesTecnologías de Información y Comunicación II CLASE 10
Tecnologías de Información y Comunicación II CLASE 10 Medidas Una medida es un tipo de dato cuya información es usada por los analistas (usuarios) en sus consultas para medir la perfomance del comportamiento
Más detallesTest de Idioma Francés. Manual del evaluador
Test de Idioma Francés Manual del evaluador 1 CONTENIDO Introducción Qué mide el Test de idioma francés? Qué obtienen el examinado y el examinador? Descripción de los factores Propiedades psicométricas
Más detallesLa calidad de los datos ha mejorado, se ha avanzado en la construcción de reglas de integridad.
MINERIA DE DATOS PREPROCESAMIENTO: LIMPIEZA Y TRANSFORMACIÓN El éxito de un proceso de minería de datos depende no sólo de tener todos los datos necesarios (una buena recopilación) sino de que éstos estén
Más detallesUNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos
2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detallesv.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 detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
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 detallesVisión global del KDD
Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento
Más 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 detallesPerceived Strategic Value and Adoption of Electronic Commerce: An Empirical Study of Small and Medium Sized Businesses
Perceived Strategic Value and Adoption of Electronic Commerce: An Empirical Study of Small and Medium Sized Businesses Mediante la combinación de dos corrientes de investigación independientes, se pretende
Más detallesData Quality. Julio 2007
Data Quality Julio 2007 Los datos son un recurso crítico de una organización Los datos y la información elaborada a partir de ellos son vitales para cualquier organización en el siglo XXI: son un factor
Más detallesGUIA SOBRE LOS REQUISITOS DE LA DOCUMENTACION DE ISO 9000:2000
1 INTRODUCCIÓN Dos de los objetivos más importantes en la revisión de la serie de normas ISO 9000 han sido: desarrollar un grupo simple de normas que sean igualmente aplicables a las pequeñas, a las medianas
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detallesSIIGO Pyme. Informes de Saldos y Movimientos de Inventarios. Cartilla I
SIIGO Pyme Informes de Saldos y Movimientos de Inventarios Cartilla I Tabla de Contenido 1. Presentación 2. Qué son Inventarios? 3. Qué son Informes? 4. Qué son Informes de Saldos y Movimientos en Inventarios?
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 detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesComo incrementar su productividad con controles contínuos. Cr. Emilio Nicola, PMP
Como incrementar su productividad con controles contínuos Cr. Emilio Nicola, PMP Auditoría continua Auditoría está cansada de llegar y contar muertos Es tiempo de comenzar a salvarlos. Carlos Fernando
Más detallesDatos estadísticos. 1.3. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS
.. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS Ser: Describir el método de construcción del diagrama de tallo, tabla de frecuencias, histograma y polígono. Hacer: Construir
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 detallesPREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Más detallesGeneXus BPM Suite X. Última actualización: 01 de Setiembre de 2008
Última actualización: 01 de Setiembre de 2008 Copyright Artech Consultores S. R. L. 1988-2008. Todos los derechos reservados. Este documento no puede ser reproducido en cualquier medio sin el consentimiento
Más detallesCONSTRUCCIÓN DEL PROCESO ADMINISTRADOR DE PROYECTOS SEIS SIGMA Bizagi Process Modeler
ADMINISTRADOR DE PROYECTOS SEIS Bizagi Process Modeler Copyright 2011 - bizagi Contenido CONSTRUCCIÓN DEL PROCESO... 1 1. DIAGRAMA DEL PROCESO... 3 Sub proceso Fase... 4 Sub proceso Crear Entregable...
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesLECCIÓN SEIS: Preparando un Presupuesto de Efectivo
Elaborando un Presupuesto Una guía de auto estudio para miembros y personal de cooperativas agrícolas LECCIÓN SEIS: Preparando un Presupuesto de Efectivo Objetivo: En esta lección el gerente de la Cooperativa
Más detallesEvaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial
Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesEstimado usuario. Tabla de Contenidos
Estimado usuario. El motivo del presente correo electrónico es mantenerle informado de las mejoras y cambios realizados en el software Orathor (Athor/Olimpo) en su versión 5.7.041 la cual ha sido recientemente
Más detallesTransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion
TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede
Más detallesAproximación de patrones estacionales en el mercado cambiario de Costa Rica: octubre 2006 - junio 2014. Allechar Serrano López
Aproximación de patrones estacionales en el mercado cambiario de Costa Rica: octubre 2006 - junio 2014 Allechar Serrano López Documento de Trabajo DT-09-2014 Departamento de Investigación Económica División
Más detallesGuía de Preparación de Muestras para PLASTICOS para el Software de Formulación de Datacolor
Guía de Preparación de Muestras para PLASTICOS para el Software de Formulación de Datacolor 1. Generalidades 2. Qué se necesita para comenzar? 3. Qué hacer para sistemas opacos y translúcidos? 4. Qué hacer
Más detallesPronósticos. Pronósticos y gráficos Diapositiva 1
Pronósticos Pronósticos Información de base Media móvil Pronóstico lineal - Tendencia Pronóstico no lineal - Crecimiento Suavización exponencial Regresiones mediante líneas de tendencia en gráficos Gráficos:
Más detallesBPMN Business Process Modeling Notation
BPMN (BPMN) es una notación gráfica que describe la lógica de los pasos de un proceso de Negocio. Esta notación ha sido especialmente diseñada para coordinar la secuencia de los procesos y los mensajes
Más detallesCLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesMatemática de redes Representación binaria de datos Bits y bytes
Matemática de redes Representación binaria de datos Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS. Los computadores sólo pueden entender
Más detallesSesión No. 7. Contextualización: Nombre de la sesión: Intelisis Business Intelligence PAQUETERÍA CONTABLE
Paquetería contable 1 Sesión No. 7 Nombre de la sesión: Intelisis Business Intelligence Contextualización: Llegamos al tema de los sistemas contables o de paquetería contable basados en los sistemas conocidos
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 detallesEJEMPLO DE REPORTE DE LIBERTAD FINANCIERA
EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA 1. Introduccio n El propósito de este reporte es describir de manera detallada un diagnóstico de su habilidad para generar ingresos pasivos, es decir, ingresos
Más detallesOrientación acerca de los requisitos de documentación de la Norma ISO 9001:2000
Orientación acerca de los requisitos de documentación de la Norma ISO 9001:2000 Documento: ISO/TC 176/SC 2/N 525R Marzo 2001 ISO Traducción aprobada el 2001-05-31 Prólogo de la versión en español Este
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesTutorial - Parte 2: Scoring
Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.
Más detallesGuías _SGO. Gestione administradores, usuarios y grupos de su empresa. Sistema de Gestión Online
Guías _SGO Gestione administradores, usuarios y grupos de su empresa Sistema de Gestión Online Índice General 1. Parámetros Generales... 4 1.1 Qué es?... 4 1.2 Consumo por Cuentas... 6 1.3 Días Feriados...
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
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 detallesIntroducción a la Firma Electrónica en MIDAS
Introducción a la Firma Electrónica en MIDAS Firma Digital Introducción. El Módulo para la Integración de Documentos y Acceso a los Sistemas(MIDAS) emplea la firma digital como método de aseguramiento
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 Excel Básico - Intermedio
Curso Excel Básico - Intermedio Clase 4 Relator: Miguel Rivera Adonis Introducción Base de Datos: Definición de Base de Datos Ordenar datos Formulario Filtros Trabajar con Sub-Totales Validación de Datos
Más detallesINTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge
INTELIGENCIA DE NEGOCIOS Business Intelligence Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Es un conjunto de conceptos y metodologías para mejorar la toma de decisiones.
Más detallesTraducción del. Our ref:
Traducción del Documento: Our ref: Secretaría del ISO/TC 176/SC 2 Fecha: 15 de octubre de 2008 A los Miembros del ISO/TC 176/SC 2 - Gestión de la Calidad y Aseguramiento de la Calidad/ Sistemas de la Calidad
Más detalles(Business Intelligence)
(Business Intelligence) Algo peor que no tener información disponible es tener mucha información y no saber qué hacer con ella. La Inteligencia de Negocios o Business Intelligence (BI) es la solución a
Más detallesDiseño orientado al flujo de datos
Diseño orientado al flujo de datos Recordemos que el diseño es una actividad que consta de una serie de pasos, en los que partiendo de la especificación del sistema (de los propios requerimientos), obtenemos
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesBoletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito
Espiñeira, Sheldon y Asociados No. 22-2008 *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 detallesAdministración de proyectos. Organizar, planificar y programar los proyectos de software
Administración de proyectos Organizar, planificar y programar los proyectos de software Administración de proyectos Trata de las actividades que hay que realizar para asegurar que el software se entregará
Más detallesCASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION
CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION INTRODUCCIÓN Este caso describe el enfoque de caracterizaciones interculturales de consumidores (Cross Cultural Consumer Characterizations; 4C) de Young &
Más detallesPRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE
PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,
Más detallesCAPITILO 4 CASO. PRACTICO
CAPITILO 4 CASO. PRACTICO DETERMINAR Qué?, Cuándo? y Cómo? Inspeccionar el inventario. 4.1 INTRODUCCIÓN: En el presente trabajo se determina la clasificación ABC de inventarios por cantidad y costos de
Más detallesAnálisis de costos proyectado de la plataforma SAP HANA
Un estudio de Total Economic Impact de Forrester Por encargo de SAP Director de proyecto: Shaheen Parks Abril de 2014 Análisis de costos proyectado de la HANA Ahorro de costos posibilitado por la transición
Más detallesCómo se sabe si una metodología científica es confiable y válida?
Cómo se sabe si una metodología científica es confiable y válida? POR: Tupak Ernesto Obando Rivera Ingeniero en Geología. Master y Doctorado en Geología, y Gestión Ambiental por la Universidad Internacional
Más detallesMANUAL COPIAS DE SEGURIDAD
MANUAL COPIAS DE SEGURIDAD Índice de contenido Ventajas del nuevo sistema de copia de seguridad...2 Actualización de la configuración...2 Pantalla de configuración...3 Configuración de las rutas...4 Carpeta
Más detallesArtículo dedicado a la Innovación y Mejores Prácticas en la Ingeniería de Negocios
Herramienta para Indicadores de Gestión Se ha dado cuenta de lo difícil que es conseguir que todos los miembros de su organización vean "la gran foto" y trabajen juntos para lograr los objetivos estratégicos
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesCONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo.
CONSULTAS CON SQL 1. Qué es SQL? Debido a la diversidad de lenguajes y de bases de datos existentes, la manera de comunicar entre unos y otras sería realmente complicada a gestionar de no ser por la existencia
Más detallesPRESENTACIÓN GRÁFICA DE LOS DATOS
PRESENTACIÓN GRÁFICA DE LOS DATOS Una imagen dice más que mil palabras, esta frase explica la importancia de presentar los datos en forma gráfica. Existe una gran variedad de gráficos y la selección apropiada
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesAdelacu Ltda. www.adelacu.com Fono +562-218-4749. Graballo+ Agosto de 2007. Graballo+ - Descripción funcional - 1 -
Graballo+ Agosto de 2007-1 - Índice Índice...2 Introducción...3 Características...4 DESCRIPCIÓN GENERAL...4 COMPONENTES Y CARACTERÍSTICAS DE LA SOLUCIÓN...5 Recepción de requerimientos...5 Atención de
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesPresentación de Pyramid Data Warehouse
Presentación de Pyramid Data Warehouse Pyramid Data Warehouse tiene hoy una larga historia, desde 1994 tiempo en el que su primera versión fue liberada, hasta la actual versión 8.00. El incontable tiempo
Más detallesPRESENTACION. http://www.tugalabs.com
1 PRESENTACION http://www.tugalabs.com 2 Qué es SAPO? SAPO es una aplicación WEB de tarificación de plantas telefónicas, con el cual usted obtiene los siguientes beneficios: 1. Obtener información confiable,
Más detallesModelos estadísticos aplicados en administración de negocios que generan ventajas competitivas
Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle
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 detalles2.1 Clasificación de los sistemas de Producción.
ADMINISTRACION DE OPERACIONES Sesión 2: La Administración de operaciones II Objetivo específico 1: El alumno conocerá la clasificación de los sistemas de producción, los sistemas avanzados de manufactura
Más detallesLECCIÓN Nº 03 ANÁLISIS VERTICAL Y HORIZONTAL DE LOS ESTADOS FINANCIEROS
LECCIÓN Nº 03 ANÁLISIS VERTICAL Y HORIZONTAL DE LOS ESTADOS FINANCIEROS 3.1. El análisis vertical e información que proporciona El análisis vertical consiste en determinar la participación de cada una
Más detallesLAS REGLAS DEL MERCADO HAN CAMBIADO
LAS REGLAS DEL MERCADO HAN CAMBIADO Hoy en día, cuando los consumidores escuchan sobre un producto, su primera reacción es Voy a buscarlo en Internet. Y emprenden una aventura de descubrimiento: sobre
Más detallesGestión de Oportunidades
Gestión de Oportunidades Bizagi Suite Gestión de Oportunidades 1 Tabla de Contenido CRM Gestión de Oportunidades de Negocio... 4 Elementos del Proceso... 5 Registrar Oportunidad... 5 Habilitar Alarma y
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesSistemas de Gestión de Documentos Electrónicos de Archivo (SGDEA)
Sistemas de Gestión de Documentos Electrónicos de Archivo (SGDEA) Agenda 1. Introducción 2. Concepto Documento Electrónico 3. A que se le denomina Documento Electrónico 4. Componentes de un Documento Electrónico
Más detallesMANUAL DE USUARIO APLICACIÓN SYSACTIVOS
MANUAL DE USUARIO APLICACIÓN SYSACTIVOS Autor Edwar Orlando Amaya Diaz Analista de Desarrollo y Soporte Produce Sistemas y Soluciones Integradas S.A.S Versión 1.0 Fecha de Publicación 19 Diciembre 2014
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 detallesSISTEMA DE INDICADORES CÍCLICOS Cifras al mes de junio de 2015
BOLETÍN DE PRENSA NÚM. 372/15 2 DE SEPTIEMBRE DE 2015 AGUASCALIENTES, AGS. PÁGINA 1/5 SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de junio de 2015 El INEGI presenta los resultados del Sistema de Indicadores
Más detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detallesManual de Usuario Proveedor Módulo Cotizaciones
Manual de Usuario Proveedor Módulo Cotizaciones Servicio de Atención Telefónica: 5300569/ 5300570 Índice ROLES DE USUARIO... 3 1. CREAR OFERTA... 4 2. CONSULTAR COTIZACIONES... 9 Descripción General El
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesAdministración por Procesos contra Funciones
La administración moderna nos marca que en la actualidad, las organizaciones que no se administren bajo un enfoque de procesos eficaces y flexibles, no podrán sobrepasar los cambios en el entorno y por
Más detallesTÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA
TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una
Más detallesTabla de contenido. Manual B1 Time Task
Tabla de contenido Introducción... 2 Configuración... 2 Prerrequisitos... 2 Configuración de la tarea... 2 Configurando las horas estándar de trabajo... 3 Datos maestros de empleados... 4 Utilización...
Más detallesCASO PRÁCTICO Nº 07. - Monitoreo y Ajuste de la Carga de Trabajo de los Recursos. - Control del Proyecto usando el Valor Ganado.
CASO PRÁCTICO Nº 07 1. OBJETIVO El desarrollo del Caso Práctico Nº 07 busca lograr los siguientes objetivos en el participante: - Realizar el Monitoreo y Ajuste de la Carga de Trabajo de los Recursos.
Más detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
Más detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
Más detallesINFORME DE MÉTRICA Y ANALÍTICA SITIO WEB COCHILCO AGOSTO 2013. Noviembre, 2010. Carmencita 25 of. 61 Las Condes Santiago www.cybercenter.
INFORME DE MÉTRICA Y ANALÍTICA SITIO WEB COCHILCO AGOSTO 2013 Noviembre, 2010 Carmencita 25 of. 61 Las Condes Santiago www.cybercenter.cl 2 Índice de contenidos 1. Ficha General... 3 1.1 Antecedentes Generales...
Más detallesSEIS SIGMA: CALIDAD POTENCIADA
SEIS SIGMA: CALIDAD POTENCIADA Conseguir, mantener y maximizar el éxito de los negocios es el objetivo de esta herramienta. Qué es? Qué es Seis Sigma? Un sistema de mejoramiento que tiene como meta ayudar
Más detalles