Data Mining y La Importancia De Conocer Bien Sus Datos. Luis Aburto Gerente Data Mining

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

Download "Data Mining y La Importancia De Conocer Bien Sus Datos. Luis Aburto Gerente Data Mining (luaburto@analytics.cl)"

Transcripción

1 Data Mining y La Importancia De Conocer Bien Sus Datos Luis Aburto Gerente Data Mining

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 41

42 Data Mining y La Importancia De Conocer Bien Sus Datos Luis Aburto Gerente Data Mining

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

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje 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 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

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

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

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

Más detalles

Minería de Datos. Vallejos, Sofia

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

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

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

Más detalles

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

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA CÓDIGO ASIGNATURA 1131-3 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: DATA MINING y DATA WAREHOUSE Plan 2009 Ingeniería en Informática Año: 5 (Electiva - Ingeniería de Software)

Más detalles

Parte I: Introducción

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 detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb 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 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

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

Data Mining Técnicas y herramientas

Data 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 detalles

Introducción a la Minería de Datos y el Data Warehousing

Introducción a la Minería de Datos y el Data Warehousing Introducción a la Minería de Datos y el Data Warehousing Sergio R. Coria E-mail: sergio@mineriadedatos.com.mx Resumen. Para hallar patrones significativos en grandes volúmenes de datos se ha usado inicialmente

Más detalles

RESUMEN INTRODUCCION

RESUMEN INTRODUCCION Análisis de Series Temporales de la Amplitud Térmica para 7 Localidades de la Zona Centro-Norte-Costera de Venezuela con datos del Modelos de Reanalysis-NCAR Realizado por: Ing. Rafael Elías Mundaray Mago

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información: Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,

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

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2 Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor AUTORES: Teodora Sofía Argoti Doylet 1, Soraya Freire Oliveros 2, Carmen Orozco Roggiero 3, Juan Alvarado O. 4 1 Egresada de Licenciada

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Definición Business Intelligence es una aproximación estratégica para identificar, vigilar, comunicar y transformar, sistemáticamente, signos e indicadores en información activa en

Más detalles

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value.

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Luis Aburto Lafourcade Gerente de Desarrollo luaburto@analytics.cl Agenda CRM: Entendiendo

Más detalles

SISTEMAS DE SOPORTE GERENCIAL

SISTEMAS DE SOPORTE GERENCIAL Logros del Curso SISTEMAS DE SOPORTE GERENCIAL Profesor: Ing. Jaime Urbina P. Ciclo : 2009-01 E-mail : pcsijurb@upc.edu.pe El alumno diseña proyectos de soporte a la toma de decisiones; además evalúa alternativas

Más detalles

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Introducción... XI Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Finalidad de los sistemas de información y origen del Business Intelligence... 1 Herramientas para la toma

Más detalles

La calidad de los datos ha mejorado, se ha avanzado en la construcción de reglas de integridad.

La 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 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

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

Visión global del KDD

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

Más detalles

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

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Statistics 19 IBM SPSS Decision Trees Identifique grupos y pronostique resultados con facilidad Funciones destacadas Con IBM SPSS Decision Trees podrá: Crear árboles de clasificación

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

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

Indicadores matemáticos para el análisis técnico de precios

Indicadores matemáticos para el análisis técnico de precios ANÁLISIS TÉCNICO DE PRECIOS Nota técnica Joaquín Arias Segura Ph.D i Especialista Regional en Políticas y Negociaciones Comerciales para la Región Andina Instituto Interamericano de Cooperación para la

Más detalles

Data Mining: Conceptos y Técnicas Preprocesamiento de Datos

Data Mining: Conceptos y Técnicas Preprocesamiento de Datos Cap. 3: Preprocesamiento de Datos Data Mining: Conceptos y Técnicas Preprocesamiento de Datos (Basado en material de Jiawei Han and Micheline Kamber) Intelligent Database Systems Research Lab School of

Más detalles

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM? Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

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

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación Contenido del Curso Descubrimiento de Conocimiento a partir de Datos ISISTAN UNCPBA sschia@exa.unicen.edu.ar http://www.exa.unicen.edu.ar/catedras/dbdiscov/ Introducción al KDD Etapas Pre-procesamiento

Más detalles

Data Quality. Julio 2007

Data 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 detalles

Lic. Claudio Scarso. Lic. Claudio Scarso

Lic. Claudio Scarso. Lic. Claudio Scarso La Auditoría como un proceso más del negocio Estrategias frente a las expectativas del Directorio Prevención de fraudes Rentabilización de la Gerencia Balanced scorecard Big Data, un nuevo desafío Data

Más detalles

FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT. MCSA: SQL Server Solutions Associate

FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT. MCSA: SQL Server Solutions Associate FORMACIÓN PARA LA CERTIFICACIÓN OFICIAL MICROSOFT MCSA: SQL Server Solutions Associate DETALLE DE LA ACCION FORMATIVA Mediante la siguiente acción formativa se formará a las personas asistentes para la

Más detalles

PROGRAMA DE CURSO. Horas Docencia Horas de Trabajo SCT. Horas de Cátedra Docentes. Personal 6 10 3.0 1.5 5.5

PROGRAMA DE CURSO. Horas Docencia Horas de Trabajo SCT. Horas de Cátedra Docentes. Personal 6 10 3.0 1.5 5.5 PROGRAMA DE CURSO Código Nombre IN5523 DATA WAREHOUSING Nombre en Inglés Data Warehousing es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar Personal 6 10 3.0 1.5 5.5 Requisitos

Más detalles

Calidad en Atención al Cliente. ExpoComm 07 10-Oct-2007

Calidad en Atención al Cliente. ExpoComm 07 10-Oct-2007 Calidad en Atención al Cliente ExpoComm 07 10-Oct-2007 Ricardo Veiga Director del Curso de Posgrado sobre Call Centers en la UBA Marisa Cozak Docente invitada del módulo de Calidad del Curso de Posgrado

Más detalles

Análisis Técnico. Indicadores Estadisticos

Análisis Técnico. Indicadores Estadisticos Análisis Técnico Indicadores Estadisticos Indicadores Estadísticos Buscan identificar la fuerza o debilidad latente en un movimiento de precio y, de esta manera, permiten identificar con cierta antelación

Más detalles

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

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

Más detalles

How organizations are influenced by Business Analytics? Octubre 2014

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

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

Todas las Agencias de Viaje participantes del BSP de España. Muy importante: nuevos criterios locales y nuevo calendario de entrega de fondos

Todas las Agencias de Viaje participantes del BSP de España. Muy importante: nuevos criterios locales y nuevo calendario de entrega de fondos Para: Todas las Agencias de Viaje participantes del BSP de España Fecha: 27 de Marzo de 2013 Asunto: Muy importante: nuevos criterios locales y nuevo calendario de entrega de fondos Estimados Agentes del

Más detalles

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento

Servicio Business Intellingence integrado con Data Management & Big Data Del dato al conocimiento Servicio Business Intellingence integrado con & Big Del dato al conocimiento Servicio BI integral: Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento,

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO 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 detalles

Datamining Introducción

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

Más detalles

LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT

LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT INTRODUCCIÓN El módulo LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT, tiene como propósito ubicar al estudioso en el proceso de planeación

Más detalles

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

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

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

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

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Sergio Valero Orea 1, Alejandro Salvador Vargas 1, Marcela

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

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

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE Técnicas, herramientas y aplicaciones María Pérez Marqués Business Intelligence. Técnicas, herramientas y aplicaciones María Pérez Marqués ISBN: 978-84-943055-2-8 EAN: 9788494305528

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

Ordene Los Inventarios

Ordene Los Inventarios Ordene Los Inventarios Para ver Crecer las Utilidades de su Empresa Juan Gonzalo Vallejo (*) Especialista en Mercados Una empresa fabricante de muebles, en Bogotá, en 2009, logró aumentar sus utilidades

Más detalles

Web mining y obtención de información para la generación de

Web mining y obtención de información para la generación de Web mining y obtención de información para la generación de inteligencia Miguel Ángel Esteban (Universidad de Zaragoza) mesteban@unizar.es Instituto Juan Velázquez de Velasco de Investigación en Inteligencia

Más detalles

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

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

E-data. Transformando datos en información con Data Warehousing

E-data. Transformando datos en información con Data Warehousing Federico Plancarte Sánchez E-data. Transformando datos en información con Data Warehousing Tema 2 El soporte a la Decisión 2-1 Evolución del soporte a la decisión Diversas categorías del análisis del DS

Más detalles

Introducción al DataMining

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

Más detalles

PRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE

PRUEBAS 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 detalles

http://www.statum.biz http://www.statum.info http://www.statum.org

http://www.statum.biz http://www.statum.info http://www.statum.org ApiaMonitor Monitor de Infraestructura BPMS Por: Ing. Manuel Cabanelas Product Manager de Apia Manuel.Cabanelas@statum.biz http://www.statum.biz http://www.statum.info http://www.statum.org Abstract A

Más detalles

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia

SERIES TEMPORALES. Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) Series Temporales. Análisis de la tendencia SERIES TEMPORALES Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) ESQUEMA DE CONTENIDOS Medias móviles Series Temporales Análisis de la serie Análisis de la tendencia Método

Más detalles

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático? Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento

Más detalles

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS

SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS SÍLABO DEL CURSO DE INTELIGENCIA DE NEGOCIOS I. INFORMACIÓN GENERAL 1.1. Facultad : Ingeniería 1.2. Carrera Profesional : Ingeniería en Sistemas Computacionales 1.3. Departamento ------------------------------

Más detalles

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO Jorge Galbiati Riesco En este apunte se da una visión general sobre algunos procedimientos en el análisis en series de tiempo. Inicialmente presentamos

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

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

MODELAMIENTO DE LA DEMANDA DE ENERGÍA ELÉCTRICA EN EDIFICIO DE OFICINAS ELECTRIC DEMAND MODELING IN BUILDINGS OFFICES

MODELAMIENTO DE LA DEMANDA DE ENERGÍA ELÉCTRICA EN EDIFICIO DE OFICINAS ELECTRIC DEMAND MODELING IN BUILDINGS OFFICES MODELAMIENTO DE LA DEMANDA DE ENERGÍA ELÉCTRICA EN EDIFICIO DE OFICINAS ELECTRIC DEMAND MODELING IN BUILDINGS OFFICES Nelson Aros Universidad de La Frontera, Departamento de Ingeniería Eléctrica Luzmarina

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

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

Más detalles

Dr. Carlos L. Jave Gutiérrez

Dr. Carlos L. Jave Gutiérrez PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010-2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al

Más detalles

DATA WAREHOUSE DATA WAREHOUSE

DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE Autor: Roberto Abajo Alonso Asignatura: Sistemas Inteligentes, 5º Curso Profesor: José Carlos González Dep. Ing. Sistemas Telemáticos, E.T.S.I. Telecomunicación Universidad

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, 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 detalles

Tutorial - Parte 2: Scoring

Tutorial - 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 detalles

BPMN BPMN BPMN. BPD Objetos de flujo - Actividades. BPD (Business Process Diagram) Notación de modelado de procesos de negocio BPD

BPMN BPMN BPMN. BPD Objetos de flujo - Actividades. BPD (Business Process Diagram) Notación de modelado de procesos de negocio BPD BPMN Notación de modelado de procesos de negocio BPMN Fue desarrollado por la BPMI (Business Process Management Initiative) Objetivos: Proveer una notación entendible para cualquiera desde el analista

Más detalles

1. PRESENTACIÓN GLOBAL LEAN.

1. PRESENTACIÓN GLOBAL LEAN. GLOBAL LEAN APPS 1. PRESENTACIÓN GLOBAL LEAN. GLOBALLEAN apuesta por mejorar la competitividad de las empresas. Y una herramienta clave para conseguir mejoras de competitividad que deriven en resultados

Más detalles

MANUAL DE INGRESO DE DATOS SISTEMA INTEGRADO DE GESTION INDICADORES SIG

MANUAL DE INGRESO DE DATOS SISTEMA INTEGRADO DE GESTION INDICADORES SIG MINISTERIO DE EDUCACION NACIONAL MANUAL DE INGRESO DE DATOS SISTEMA INTEGRADO DE GESTION INDICADORES SIG 1.0 DERECHOS RESERVADOS IGERENCIA S.A 1 de 31 1. HISTORIAL DE VERSIONES Realizaciones Fecha (DD-MM-AAAA)

Más detalles

TRANSFORMACIÓN DE LA MOVILIDAD EN GRANDES CENTROS URBANOS: INNOVACIONES EN SANTIAGO

TRANSFORMACIÓN DE LA MOVILIDAD EN GRANDES CENTROS URBANOS: INNOVACIONES EN SANTIAGO TRANSFORMACIÓN DE LA MOVILIDAD EN GRANDES CENTROS URBANOS: INNOVACIONES EN SANTIAGO Juan Carlos Muñoz (@JuanCaMunozA) Director Departamento de Ingeniería de Transporte y Logística Director del Centro de

Más detalles

CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1

CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1 CARACTERIZACIÓN DEL PROCESO DE FUGA DE CLIENTES UTILIZANDO INFORMACIÓN TRANSACCIONAL 1 Carolina Segovia csegovia@analytics.cl - Luis Aburto luaburto@analytics.cl Marcel Goic mgoic@dii.uchile.cl Resumen

Más detalles

Portafolio de Servicios y Productos

Portafolio 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 detalles

El modelo de gestión COPC para la industria de Cobranzas Elizabeth Bernardini Directora de Operaciones Kenwin COPC Implementation Partner

El modelo de gestión COPC para la industria de Cobranzas Elizabeth Bernardini Directora de Operaciones Kenwin COPC Implementation Partner El modelo de gestión COPC para la industria de Cobranzas Elizabeth Bernardini Directora de Operaciones Kenwin COPC Implementation Partner Introducción Qué es COPC? Quién es COPC Inc.? Qué es Kenwin? Customer

Más detalles

Fuente: Ventana Research

Fuente: Ventana Research Geobusiness Intelligence Cristián Araneda Hernández caraneda@mapcity.cl LAUC 2008 - Sesion de Ponencias 1 Geobusiness Intelligence Cristián Araneda Hernández caraneda@mapcity.cl LAUC 2008 - Sesion de Ponencias

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

Botón menú Objetivo de la Minería de datos.

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

Más detalles

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

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

PLAN DE TRABAJO DOCENTE 2013

PLAN DE TRABAJO DOCENTE 2013 PLAN DE TRABAJO DOCENTE 2013 1. DATOS DE LA ASIGNATURA Nombre: Procesamiento Analítico de Datos Código: Nivel: Grado Carácter: Optativo Área curricular a la que pertenece: Administración Carrera: Contador

Más detalles