UNIVERSIDAD NACIONAL DEL SANTA

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

Download "UNIVERSIDAD NACIONAL DEL SANTA"

Transcripción

1 UNIVERSIDAD NACIONAL DEL SANTA FACULTAD DE INGENIERIA ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMATICA INFORME DE TESIS PARA OPTAR EL GRADO DE INGENIERO DE SISTEMAS E INFORMATICA IMPLEMENTACIÓN DE UN MODELO DE MINERÍA DE DATOS PARA MEJORAR LA TOMA DE DECISIONES COMERCIALES EN LA EMPRESA STAR PERU S.A.C AUTORES : Bach. Gustavo Roberth Lopez Lopez Bach. Emerson Dante Vélez Rojas ASESOR : Ms. Guillermo Edward Gil Albarrán Nuevo Chimbote, Octubre de 2009

2 INDICE DEDICATORIA INTRODUCCIÓN CAPITULO I DATOS GENERALES DE LA EMPRESA 1.1 Perfil de la Empresa Razón social Descripción de la Empresa Ubicación Misión Organigrama... 5 CAPITULO II PLAN DE LA INVESTIGACIÓN 2.1 EL Problema Hipótesis Objetivos Objetivo General Objetivos Específicos Población Muestra Diseño de la Investigación Técnicas e Instrumentos de Recolección de datos Metodología CAPITULO III MARCO TEORICO 3.1 Minería de Datos Software de Aplicación Inteligencia Empresarial... 30

3 CAPITULO IV RESULTADOS 4.1 Recolección y Clasificación de los datos Análisis de la Información y determinación de requerimientos Diseñar el modelo de minería de datos Construcción del modelo de minería de datos Identificar patrones y tendencias Árboles de decisión de Microsoft Cluster de Microsoft Resultados Interpretación CAPITULO V ESTUDIO DE FACTIBILIDAD 5.1 Factibilidad Técnica Factibilidad Operativa Factibilidad Económica CAPITULO VI DISCUSION Contrastación CONCLUSIONES RECOMENDACIONES BIBLIOGRAFÍA ANEXOS

4 DEDICATORIA Dedico este informe de tesis a mis padres, especialmente a Esperanza que me ilumina desde el cielo y quienes siempre me brindaron su apoyo y me incitan a continuar en mi desarrollo profesional. Emerson Dante Vélez Rojas Dedico este informe de tesis a Dios y a toda mi familia, quienes me incitan a continuar en mi desarrollo profesional. Gustavo Roberth López López

5 INTRODUCCIÓN En la actualidad el avance tecnológico hace que las empresas estén a la vanguardia de esta y que la información que almacenan no quede ahí sino que sea explotada a su mayor nivel, Una de las herramientas que permite extraer patrones, tendencias es la minería de datos, la cual será aplicada en esta tesis. El Primer Capitulo, detalla los datos generales de la empresa beneficiada con esta implementación. El Segundo Capitulo, se refiere a la Realidad Problemática, Formulación, hipótesis, Objetivos, Justificación y metodología. El Tercer Capitulo, nos describe el Marco Teórico. El Cuarto Capitulo nos describe los resultados, construcción del modelo de minería de datos, identificación de tendencias, patrones. El Quinto Capitulo, se refiere al estudio de factibilidad técnica, operativa y económica. EL Sexto Capitulo detalla la discusión, donde describimos las evaluaciones realizadas, así como los indicadores utilizados y una interpretación de estos. Se culmina con las con Conclusiones y Recomendaciones que se hace llegar a la Empresa Star Perú.

6 CAPITULO I 1

7 DATOS DE LA EMPRESA 1.1 PERFIL DE LA EMPRESA RAZON SOCIAL STAR UP S.A DESCRIPCION DE LA EMPRESA Star UP S.A. conocido comercialmente como STAR PERU, es una empresa nacional dedicada al rubro del transporte aéreo de pasajeros y de carga a nivel nacional. Cubre 8 rutas para vuelos comerciales (Chiclayo, Trujillo, Juliaca, Arequipa, Cuzco, Tarapoto, Pucallpa é Iquitos) y 3 para vuelos charter (Andoas, Iquitos y Amazonas). Inicia sus actividades comerciales en el año 2004, e ntrando a competir con empresas ya consolidadas en el mercado como LAN PERU y AEROCONDOR. Actualmente estamos segundos en la preferencia del mercado, aunque no cuenta con una flota numerosa si tiene un excelente servicio. Debido a los altos costos de operación en algunos puntos del Perú, la empresa pasa por una reestructuración de los vuelos que ofrece y en la gestión para funcionamiento de sus 2 nuevas aeronaves de reciente adquisición modelos BAE de fabricación inglesa que ya entraron a operar desde el 07 de mayo del presente año a Cajamarca y pronto a Puerto Maldonado y Ayacucho. 2

8 1.1.3 UBICACIÓN Sede Principal: En esta sede se encuentra las áreas administrativas de la Empresa: Directorio, Gerencia General, Gerencia de Administración y Finanzas, las Áreas de Contabilidad, Tesorería, Reservas, RR. HH. Logística y de Sistemas, desde acá se monitorea todo. Dirección: Av. Comandante Espinar Nro. 331 Otras Sedes: Counters: contamos con oficinas propias dentro y fuera de cada lugar a donde llegamos. Operaciones: Av. Elmer Faucett 123 Callao, al lado del aeropuerto Jorge Chávez. En este local están las áreas de Operaciones y de Carga+ Mantenimiento: Av. Elmer Faucett 123 Callao, dentro de las instalaciones del terminal aéreo de lima. En este local funciona la gerencia de mantenimiento. 3

9 1.1.4 MISION Somos una empresa peruana de transporte aéreo comprometida en ofrecer a nuestros clientes una excelente experiencia de servicio y trato cálido, para ello contamos con un equipo de colaboradores altamente motivado y calificado VISION Ser reconocidos por nuestros clientes como la mejor línea aérea peruana en servicio y calidez. De esta manera dar a nuestro país una compañía aérea capaz de competir con valores en un mundo globalizado VALORES CORPORATIVOS Nuestros valores corporativos forman parte de la cultura de servicio y guardan relación con nuestra misión. Compromiso Calidez Vocación Rapidez Para Aerolíneas Star Peru los valores como la organización y el compromiso con sus clientes y la sociedad son de vital importancia. 4

10 1.2 ORGANIGRAMA ESTRUCTURAL 5

11 CAPITULO II Plan de la Investigación 6

12 2.1 EL PROBLEMA Realidad Problemática La empresa STAR PERU S.A.C., es una empresa dedicada al servicio de transporte aéreo de pasajeros y de carga, a nivel nacional. Inicio sus actividades comerciales en el año 2004, teniendo fuerte competencia, principalmente a empresas consolidadas como LAN PERU, TACA y AERO CONDOR. Tendiendo 4 años de actividades, la demanda de sus servicios se ha visto incrementado, habiendo adquirido un Sistema de Información de Gestión Comercial de Aerolíneas, el cual les permite almacenar gran cantidad de datos referentes a los vuelos, clientes, ingresos y egresos; pero por ser un sistema de información estándar del sector aerocomercial, no les facilita el análisis de información, que le permita evaluar y tomar decisiones en el aspecto comercial, clave de éxito de las empresas en esta nueva economía y era de cambio. La gran cantidad de datos disponibles, muchas veces tienen que analizarse utilizando herramientas como Excel (hoja de calculo), las que se crean para un determinado análisis o problema planteado. Ante esto y sabiendo de las bondades del análisis de información utilizando la minería de datos, se hace necesario como una medida de mejora competitiva implementar un modelo de Minería de Datos adecuado para la toma de decisiones comerciales en la empresa STAR PERU S.A.C Antecedentes del problema. En la actualidad existe diferente software de programación lineal para evaluar proyectos pero no se encuentran basados en Algoritmos Genéticos. - Minería de datos: Algoritmos genéticos y su aplicación en la fermentación vínica. Autor: Juan Andrés Conrads Zauschkevich,

13 La investigación que se presenta en esta tesis se enmarca en una disciplina científica conocida como la minería de datos. Esta disciplina consiste en la planificación de una estrategia de inferencia de conocimiento en sistemas de información complejos y/o de gran tamaño, mediante la implementación de distintas técnicas matemáticas, tales como los algoritmos genéticos, las redes neuronales y los árboles de decisión. La presente tesis tuvo dos objetivos principales. El primero correspondió a un análisis de sensibilidad del desempeño de una implementación particular de algoritmos genéticos (AG-MATH) respecto a sus parámetros re operación. El segundo objetivo correspondió a la aplicación del AG-MATH en la industria del vino, para inferir un modelo matemático que predijera la calidad final de una fermentación vínica. Los datos utilizados fueron las intensidades de absorbancia lumínica medidos entre las frecuencias 100 cm-1 y 7800 cm-1, provenientes de muestras de vino extraídas desde 20 cubas distintas dentro de las primeras 24 horas de fermentación. - Detección y Control de Fraude en el uso de Tarjetas de Crédito Proyecto: Aplicación de minería de datos en detección y control del fraude en el uso de tarjetas de crédito Sector: Financiero Objetivo: Análisis de los atributos característicos de las transacciones fraudulentas y desarrollo de un sistema para su identificación y detección. 8

14 2.1.3 Justificación Los aportes que proporcionará la presente investigación será para: a) Justificación Social Mejorara el nivel competitivo de la empresa Star Peru S.A.C. y permitirá brindar un mejor servicio a los pasajeros o usuarios de transporte aéreo. b) Justificación Económica Con la utilización de la Minería de Datos, podrá evaluar el aspecto comercial en cuanto a demanda y oferta, permitiéndole tomar decisiones más acertadas en cuanto a ofertas a los usuarios, evitando la pérdida de dinero que se generaría si se tomaran decisiones equivocadas. c) Personal Personalmente, este proyecto permitirá a los autores proponer un aporte tecnológico para la empresa Star Peru S.A.C., y asimismo les permitirá obtener su título profesional. d) Tecnológica Permitirá la aplicación de un modelo de minería de datos en un caso real, como es el área comercial de una empresa de transporte aéreo. Servirá de guía a futuras investigaciones sobre minería de datos Formulación del Problema Cómo se mejorara la Toma de Decisiones Comerciales en la empresa Star Peru S.A.C.? 9

15 2.1.5 Importancia de la Investigación: El presente proyecto servirá como referencia para soluciones similares que se puedan implementar en otras empresas del país, pudiendo ser de otros rubros comerciales, así como también propone la integración de los sistemas de información existentes con las nuevas tecnologías de análisis de información. 2.2 HIPOTESIS La implementación de un Modelo de Minería de Datos permitirá mejorar la toma de decisiones comerciales en la empresa STAR PERU S.A.C. Variable Independiente: Variable Dependiente: Implementación de un Modelo de Minería de Datos Toma de Decisiones Comerciales en la empresa STAR PERU S.A.C. VARIABLES Variable Independiente Variable Dependiente INDICADORES 1. Tiempo 2. Seguridad 3. Calidad 1. Oportunidad 2. Eficiencia 3. Rentabilidad 10

16 2.3 OBJETIVOS Objetivo General: Implementar un Modelo de Minería de Datos para mejorar la Toma de Decisiones en la empresa STAR PERU S.A.C Objetivos Específicos: Recolectar y Clasificar los Datos Comerciales de la e mpresa STAR PERU S.A.C. Analizar la información y determinar los requerimientos del modelo de minería de datos. Diseñar el modelo de minería de datos. Construir el Modelo de Minería de Datos, según las toma de decisiones comerciales. Identificar patrones y tendencias comerciales para la toma de decisiones. Validar los resultados. 2.4 POBLACIÓN Personal de la Empresa STAR PERU S.A.C. 2.5 MUESTRA 10 directivos y trabajadores de la empresa STAR PERU S.A.C. del área comercial. 2.6 DISEÑO DE LA INVESTIGACIÓN Se realiza una observación actual de la toma de decisiones de los directivos comerciales, luego se aplica la implementación de la minería de datos, y al final se evalúa los resultados con la solución implementada. El diagrama del diseño es el siguiente: G X O 11

17 Donde: G : Observaciones Actuales, antes de la aplicación de la Minería de Datos. O : Observaciones después de aplicado la Minería de Datos X : Utilización de la Minería de Datos 2.7 Técnicas e instrumentos de recolección de datos Instrumentos Para la recolección de datos se hará uso de instrumentos: Formatos de Encuesta. Guía de entrevistas los siguientes Fuentes e Informantes: Informantes: Directivos comerciales de la empresa STAR PERU S.A.C. Para la recolección de datos, se hará uso de las siguientes técnicas: - Encuestas, dirigidas a los Directivos y trabajadores de la empresa. - Entrevistas, dirigida a algunos directivos. - La observación, Observar el funcionamiento actual de la empresa. 12

18 2.8 METODOLOGÍA ETAPA I: RECOLECTAR Y CLASIFICAR LOS DATOS COMERCIALES En esta etapa se recolectara y clasificara los datos comerciales ubicados en las bases de datos de la empresa STAR PERU S.A.C. ETAPA II: ANALIZAR LA INFORMACION Y DETERMINAR LOS REQUERIMIENTOS Se va a analizar la información comercial de la empresa y se va a determinar los requerimientos adecuados para el modelo de minería de datos. ETAPA III: DISEÑAR EL MODELO DE MINERIA DE DATOS Se diseña el modelo de minería de datos adecuado para la toma de decisiones del área comercial de la empresa STAR PERU S.A.C. ETAPA IV: CONSTRUIR EL MODELO DE MINERIA DE DATOS Construir el modelo de minería de datos en el SQL SERVER ETAPA V: IDENTIFICAR PATRONES Y TENDENCIAS Identificar los patrones y tendencias comerciales que mejoren la toma de decisiones. ETAPA VI: VALIDAR LOS RESULTADOS Validar los resultados de acuerdo a la hipótesis planteada. 13

19 CAPITULO III Marco Teórico 14

20 3.1 MINERIA DE DATOS Las técnicas de minería de datos se emplean para mejorar el rendimiento de los procesos del negocio ó industriales en los que se maneja grandes volúmenes de información estructurada y almacenada en grandes bases de datos. Por ejemplo, se usan con éxito en aplicaciones de control de procesos productivos, como herramienta de ayuda a la planificación y a la decisión en marketing, finanzas, etc. Asimismo, la minería de datos es fundamental en la investigación científica y técnica, como herramienta de análisis y descubrimiento de conocimiento a partir de datos de la observación o de resultados de experimentos DEFINICION Es una actividad de extracción cuyo objetivo es el de descubrir hechos contenidos en las bases de datos. También es un conjunto de técnicas agrupadas con el fin de crear mecanismos adecuados de dirección, entre ellas puede citarse la estadística, el reconocimiento de patrones, la clasificación y la predicción. El porqué de la minería de datos Es imprescindible convertir grandes volúmenes de datos existentes en experiencia, conocimiento y sabiduría, formas que atesora la humanidad para que sea útil a la toma de decisiones, especialmente en grandes organizaciones y proyectos científicos. La búsqueda de información relevante siempre es útil a la administración empresarial: el control de la producción, el análisis de los mercados, el diseño en ingeniería y la exploración científica, porque pueden ofrecer las respuestas más apropiadas a las necesidades de información. Varias preguntas se relacionan frecuentemente con los datos, la información y el conocimiento. Su respuesta, demanda la participación de varios especialistas. Cómo puede entenderse un 15

21 fenómeno sobre la base de la interpretación de grandes volúmenes de datos?, De qué manera puede utilizarse la información para la toma de decisiones?, son algunos ejemplos de interrogantes comunes. La palabra descubrimiento está relacionada con el hecho de que mucha de la información valiosa es desconocida con anterioridad; en todo caso, estas técnicas pueden ayudar a confirmar cualquier sospecha sobre el comportamiento del sistema en un particular contexto. En cuanto a los hechos escondidos, estos estarán principalmente bajo la forma de reglas; los cuales nos ayudaran a entender el modelo del sistema relacionado con los datos observados. Por otra parte, las reglas también pueden ser usadas en las predicciones de ciertos estados del sistema COMPONENTES Los componentes básicos de la minería de datos son: a. Lenguaje de Representación del Modelo: Comprende las suposiciones y restricciones utilizadas en la representación empleada. b. Evaluación del Modelo: Incluye el uso de técnicas de validación cruzada para la predictividad y aplicación de principios como el de máxima verosimilitud o el de descripción mínima para evaluar la calidad descriptiva del modelo. c. Método de Búsqueda: puede dividirse en búsqueda de parámetros y del modelo, determina los criterios que se sigue para encontrar los modelos. 16

22 Algunas de las técnicas más comunes usadas en la minería de datos son: Árboles de decisión y reglas de clasificación. Métodos de clasificación y regresión no-lineales. Métodos basados en ejemplos prototipos, Modelos gráficos de dependencia probabilística. Modelos relaciónales TAREAS PRINCIPALES 1. Análisis de dependencias, El valor de un elemento puede usarse para predecir el valor de otro. La dependencia puede ser probabilística, puede definir una red de dependencia o puede ser funcional. Se ha orientado mucho en los últimos años en el descubrimiento de redes Bayesianas o causales en donde la dependencia se da a nivel estructural (dependencias é independencias entre variables) y cuantitativa (fuerza de las dependencias). 2. Identificación de clases (agrupar registros en clases), Identifica un conjunto finito de categorías o clusters que describen los datos (pueden ser exhaustivas y mutuamente exclusivas o jerárquicas y con traslapes). Las clases pueden ser relevantes en si o pueden servir como entradas a otros sistemas de aprendizaje. Se utilizan algoritmos de clustering. Normalmente el usuario tiene una buena capacidad de formar las clases y se han desarrollado herramientas visuales interactivas para ayudar al usuario. 3. Descripción de conceptos, Resume cierto patrón característico. La descripción puede ser característica (que 17

23 registros son comunes entre clases) o discriminatoria (como difieren las clases). La mayoría de los sistemas de aprendizaje encuentran descripciones de conceptos y están enfocados a clasificación: aprender una función que mapea (clasifica) un dato dentro de un conjunto de posibles clases predefinidas. Otra técnica relacionada es la regresión: aprender una función que mapea un dato a una variable real. A veces se trata de encontrar descripciones compactas de subconjuntos de datos (e.g. media y varianza, leyes físicas) que los resuman de alguna forma. 4. Detección de desviaciones, casos extremos o anomalías, Detectar los cambios más significativos en los datos con respecto a valores pasados o normales. Sirve para filtrar grandes volúmenes de datos que son menos probables de ser interesantes. El problema está en determinar cuándo una desviación es significativa para ser de interés FASES DE UN PROYECTO DE MINERIA DE DATOS Los pasos a seguir para la realización de un proyecto de minería de datos son siempre los mismos, independientemente de la técnica específica de extracción de conocimiento usada. 18

24 Figura 4: Fases de un Proyecto de Minería de Datos FASE 1: FILTRADO DE DATOS Figura 5: Fases 1 Filtrado de datos El formato de los datos contenidos en la fuente de datos (base de datos, DW) nunca es el idóneo, y la mayoría de las veces no es posible ni siquiera utilizar ningún algoritmo de minería sobre los datos "en bruto". Mediante el pre-procesado, se filtran los datos (de forma que se eliminan valores incorrectos, no válidos, desconocidos... según las necesidades y el algoritmo a usar), se obtienen muestras de los mismos (en busca de una mayor velocidad de respuesta del proceso), o se reducen el número de valores posibles (mediante redondeo, clustering). FASE 2: SELECCIÓN DE VARIABLES 19

25 Figura 6: Fases 2 Selección de variables Aún después de haber sido pre-procesados, en la mayoría de los casos se tiene una cantidad ingente de datos. La selección de características reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del proceso de minería. Los métodos para la selección de características son básicamente dos: Aquellos basados en la elección de los mejores atributos del problema, y aquellos que buscan variables independientes mediante tests de sensibilidad, algoritmos de distancia o heurísticos. FASE 3: EXTRACCIÓN DE CONOCIMIENTOS Figura 7: Fases 3 Extracción de Conocimientos Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias 20

26 técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un pre-procesado diferente de los datos. FASE 4: INTERPRETACIÓN Y EVALUACIÓN Figura 8: Fases 4 Interpretación y Evaluación Una vez obtenido el modelo, se debe proceder a su validación, comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos HERRAMIENTAS EN LA MINERÍA DE DATOS 1. Almacenamiento de datos (Data Warehousing) 21

27 El almacenamiento de datos se define como un proceso de organización de grandes cantidades de datos de diversos tipos "guardados" en la organización con el objetivo de facilitar la recuperación de la misma con fines analíticos. Por supuesto, el almacenamiento de datos tiene una gran importancia en el proceso de minería de datos pues en cierta medida, permite la recuperación o al menos la refere ncia a determinados conjuntos de datos de importancia para un proceso de toma de decisión dado. En la actualidad existe gran variedad de sistemas comerciales para el almacenamiento de datos entre los que se destacan Oracle, Sybase, MS SQL Server, entre otros. 2. Análisis exploratorio de datos (Exploratory Data Analysis (EDA)) Como se dijo anteriormente, las técnicas de análisis exploratorio de datos juega un papel muy importante en la minería de datos. Las mismas tienen como objetivo determinar las relaciones entre las variables cuando no hay o no está totalmente definida la naturaleza de estas relaciones. Las técnicas exploratorias tienen un fuerte componente computacional abarcando desde los métodos estadísticos simples a los más avanzados como las técnicas de exploración de multivariables diseñadas para identificar patrones en conjunto de datos multivariables. Entre las técnicas estadísticas sencillas se incluyen el estudio de distribuciones de las variables, estudio de correlaciones entre matrices, tablas de contingencias, entre otros. Por su parte, entre las técnicas más complejas se incluyen el Análisis de Factores, el Análisis de Grupos, el Escalado Multidimensional, etcétera. 22

28 3.1.6 FUNCIONAMIENTO Cuán exactamente es capaz la minería de datos de decirle cosas importantes que usted desconoce o que van a pasar? La técnica usada para realizar estas hazañas en la minería de datos se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la aplica en otra situación de la cual desconoce la respuesta. Por ejemplo, si busca un galeón español hundido en los mares lo primero que podría hacer es investigar otros tesoros españoles que ya fueron encontrados en el pasado. Notaría que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas características respecto de las corrientes oceánicas y ciertas rutas que probablemente tomara el capitán del barco en esa época. Usted nota esas similitudes y arma un modelo que incluye las características comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo más probabilidad de darse una situación similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrará el tesoro. Este acto de construcción de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnología de la minería de datos. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de La minería de datos en la computadora debe correr a través de los datos y distinguir las características de los datos que llevarán al 23

29 modelo. Una vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la respuesta. Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, Cómo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con la minería de datos, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de la minería de datos. Una vez que el proceso está completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos APLICACIONES La Minería de Datos encuentra su mejor utilización en empresas de distribución, fabricantes de productos de gran consumo o de servicios. Su objetivo es encontrar relaciones en sus bases de datos que no resultan evidentes a simple vista. Ello, les habilitará para diseñar estrategias o realizar acciones comerciales o publicitarias sobre sus clientes con un mayor índice de efectividad. Las prácticas de minería de datos se utilizan en diversas industrias y funciones de negocios. Empresas de telecomunicaciones, tarjetas de crédito y compañías de seguros utilizan minería de datos para la detección de fraudes, optimización de campañas de marketing, descripción y segmentación de clientes, predicción de fidelidad de clientes. 24

30 La industria del comercio utiliza la minería de datos para diseñar y evaluar campañas de marketing, definir ofertas más apropiadas o recomendaciones de productos a clientes, y predecir riesgo en asignación de créditos a clientes. La industria de la medicina utiliza la minería de datos para predecir la efectividad de procedimientos quirúrgicos, exámenes médicos y medicamentos. En general estas son sus aplicaciones: Comercio/Marketing Identificar patrones de compra de los clientes. Buscar asociaciones entre clientes y características demográficas. Predecir respuesta a campañas de mailing. Análisis de cestas de la compra. Banca Detectar patrones de uso fraudulento de tarjetas de crédito. Identificar clientes leales. Predecir clientes con probabilidad de cambiar su afiliación. Determinar gasto en tarjeta de crédito por grupos. Encontrar correlaciones entre indicadores financieros. Identificar reglas de mercado de valores a partir de históricos. Seguros y Salud Privada: Análisis de procedimientos médicos solicitados conjuntamente. Predecir qué clientes compran nuevas pólizas. Identificar patrones de comportamiento para clientes con riesgo. 25

31 Identificar comportamiento fraudulento. Transportes: Determinar la planificación de la distribución entre tiendas. Analizar patrones de carga. Medicina: Identificación de terapias médicas satisfactorias para diferentes enfermedades. Asociación de síntomas y clasificación diferencial de patologías. Estudio de factores (genéticos, precedentes, hábitos, alimenticios, etc.) de Riesgo/salud en distintas patologías. Segmentación de pacientes para una atención más inteligente según su grupo. Predicciones temporales de los centros asistenciales para el mejor uso de recursos, consultas, salas y habitaciones. Estudios epidemiológicos, análisis de rendimientos de campañas de información, prevención, sustitución de fármacos, etc. Procesos Industriales: Extracción de modelos sobre comportamiento de compuestos. Detección de piezas con trabas. Predicción de fallos Modelos de calidad. Estimación de composiciones óptimas en mezclas. Extracción de modelos de coste. Extracción de modelos de producción. Simulación costes/beneficios según niveles de calidad 26

32 La BioInformática: Comprende la investigación y el desarrollo de sistemas útiles para entender el flujo de información desde los genes a las estructuras moleculares, su función bioquímica, su conducta biológica y, finalmente, su influencia en las enfermedades y en la salud Proyectos desarrollados ORACLE: Es la compañía de software para empresas más grande del mundo. La empresa ofrece su base de datos, herramientas y productos de aplicación, junto con servicios relacionados de consultoría, educación y soporte. La minería de datossuite (IDI) Sistemas a Medida (INVAP) DataEngine (Daedalus) DAEDALUS: (España) Desarrolla, asesora e imparte formación en el análisis y diseño de sistemas en los que el análisis y la explotación del conocimiento implícito en grandes volúmenes de datos es fundamental. Así por ejemplo DAEDALUS tiene los siguientes proyectos: En el sector financiero tiene un proyecto llamado Minería de datos en análisis de seguros de crédito. Que tiene por objetivo el desarrollo de un sistema para análisis de créditos que modele la forma en que los expertos humanos analizan las empresas. 27

33 En el sector Publico-trafico tiene un proyecto de nombre Aplicación de minería de datos para análisis del tráfico en carreteras y tiene como objetivo el desarrollo de un sistema para clasificación del estado del tráfico. COLNODO: (Colombia) Proyecto: "Desarrollo de Interfaces de Consulta de Bases de Datos Bibliográficas a través de Internet". Los objetivos principales del proyecto fueron: Poner en línea, bajo una interface gráfica que pueda ser utilizada desde un cliente de Internet como Internet Explorer o Netscape, las bases de datos disponibles en Colnodo para ser consultadas por sus usuarios y la comunidad de Internet. Desarrollar y publicar electrónicamente una evaluación sobre las diferentes alternativas disponibles en Internet para consultas de bases de datos aplicables a la plataforma de Colnodo - sistema operativo Linux. Decidir la implementación o el diseño de una interface propia para el paquete Nigel V y estudiar la posibilidad de alimentación remota de las bases de datos a través de Internet en modo gráfico. El paquete Nigel V fue desarrollado por Antenna Holanda y es la interface de búsqueda que actualmente utiliza Colnodo. 3.2 SOFTWARE DE APLICACIÓN SQL SERVER 2005 Microsoft SQL Server 2005 constituye una completa solución de datos de extremo a extremo que aporta a los usuarios de un organización una plataforma segura, confiable y productiva para las aplicaciones de datos de empresa é inteligencia empresarial (BI). SQL Server 2005 ofrece 28

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo 1 Algoritmos de minería de datos incluidos en SQL Server 2008 Los algoritmos que aquí se presentan son: Árboles de decisión de Microsoft, Bayes naive de Microsoft, Clústeres de Microsoft, Serie temporal

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

Minería de Datos. Universidad Politécnica de Victoria

Minería de Datos. Universidad Politécnica de Victoria Minería de Datos Universidad Politécnica de Victoria 1 Motivación Nuevas Necesidades del Análisis de Grandes Volúmenes de Datos El aumento del volumen y variedad de información que se encuentra informatizada

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

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES Actualmente se vive una época donde se tiene una enorme cantidad de datos que se generan diariamente (del orden de Terabytes, Petabytes 1 (Han, Kamber, & Pei, 2012))

Más 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

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Mineria 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 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 detalles

Minería de Datos. Vallejos, Sofia

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

Más detalles

Introducción a la Minería de Datos (Data Mining)

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

Más detalles

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

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

Microsoft SQL Server Conceptos.

Microsoft SQL Server Conceptos. Microsoft Conceptos. Microsoft 2005 es una plataforma de base de datos a gran escala de procesamiento de transacciones en línea (OLTP) y de procesamiento analítico en línea (OLAP). La siguiente tabla muestra

Más detalles

SQL Server Business Intelligence parte 1

SQL Server Business Intelligence parte 1 SQL Server Business Intelligence parte 1 Business Intelligence es una de las tecnologías de base de datos más llamativas de los últimos años y un campo donde Microsoft ha formado su camino a través de

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

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

Más detalles

Construcción de cubos OLAP utilizando Business Intelligence Development Studio

Construcción de cubos OLAP utilizando Business Intelligence Development Studio Universidad Católica de Santa María Facultad de Ciencias e Ingenierías Físicas y Formales Informe de Trabajo Construcción de cubos OLAP utilizando Business Intelligence Development Studio Alumnos: Solange

Más detalles

INGENIERÍA EN SISTEMAS COMPUTACIONALES

INGENIERÍA EN SISTEMAS COMPUTACIONALES INGENIERÍA EN SISTEMAS COMPUTACIONALES UNIDAD 1 Catedrático: JOSÉ RAMÓN VALDEZ GUTIÉRREZ Alumnos: AVILA VALLES JAIRO EDUARDO 08040265 Victoria de Durango, Dgo.Mex Fecha: 14/09/2012 Tabla de contenido INTRODUCCIÓN

Más detalles

CAPITULO 7. MS SQL Server Express Edition

CAPITULO 7. MS SQL Server Express Edition CAPITULO 7 MS SQL Server Express Edition 7.1 Requerimientos Previos El proceso de instalación de Microsoft SQL Server 2008 no es complejo y es de gran importancia tener en cuenta que se está realizando

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

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

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

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

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

Más detalles

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

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base de datos II Facultad de Ingeniería. Escuela de computación. Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,

Más 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

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

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

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

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

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

Más detalles

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

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

Más detalles

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

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

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

Más detalles

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones Control Informático de Gestión Tema 5: Sistemas de Apoyo a la Toma de Decisiones Índice Revisión de los sistemas de información en la empresa La información y la toma de decisiones Sistemas transaccionales

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

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable

IBM Cognos Enterprise: Inteligencia de negocio y gestión del rendimiento potente y escalable : Inteligencia de negocio y gestión del rendimiento potente y escalable Puntos destacados Dota a los usuarios de su organización de las capacidades de business intelligence y de gestión del rendimiento

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

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

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

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

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer

INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer INTRODUCCIÓN A LA COMPUTACION EN LA NUBE Y BIG DATA (1) Ing. Carlos Ormella Meyer En los últimos años, el interés por la Computación en la Nube (Cloud Computing), tanto para uso personal como para negocios,

Más detalles

Microsoft SQL Server e Inteligencia de Negocio con Excel

Microsoft SQL Server e Inteligencia de Negocio con Excel Competencias Microsoft Mediante estas certificaciones, Microsoft acredita que contamos con personal técnico cualificado, y con la experiencia en proyectos en clientes suficientes, para ofrecer soluciones

Más detalles

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS A P R O X I M A C I Ó N A U N A E X P E R I E N C I A D E A P L I C A C I Ó N E N I N S T I T U C I O N E S D E L A R E G I Ó N Ing. Patricia Uceda Martos Agenda Introducción Definición

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

Materia: Inteligencia de negocios

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

Más detalles

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia

www.itconsulting.com.bo B. Las palmas C./ San Miguel#420 Telf. Of.: 591-3-3210356 Cel.76364838 Santa Cruz - Bolivia Señor(a): CLIENTE Presente.- Santa Cruz, 14 Noviembre del 2012 REF.: COTIZACION ESPECIALISTA EN ANALISIS DE DATOS & INTELIGENCIA DE NEGOCIOS EN EXCEL 2007-2010 Distinguido Señores: Consultores en Tecnologías

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

IBM Cognos Insight. Explore, visualice, modele y comparta información de forma independiente y sin ayuda de TI. Características principales

IBM Cognos Insight. Explore, visualice, modele y comparta información de forma independiente y sin ayuda de TI. Características principales Explore, visualice, modele y comparta información de forma independiente y sin ayuda de TI Características principales Explore, analice, visualice y comparta su información de forma independiente, sin

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

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2

INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Programa de Capacitación y Certificación. INTELIGENCIA DE NEGOCIOS CON SQL SERVER 2008 R2 Contenido PERFIL DE UN ESPECIALISTA EN BASES DE DATOS.... 3 6231. MANTENIENDO UNA BASE DE DATOS DE SQL SERVER 2008

Más detalles

Microsoft Dynamics AX

Microsoft Dynamics AX Microsoft Dynamics AX Microsoft Dynamics AX BENEFICIOS: Funciona de forma integrada como los productos de Microsoft ya conocidos Fácilmente personalizable y altamente escalable Tecnología avanzada que

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

BI BUSINESS INTELLIGENCE

BI BUSINESS INTELLIGENCE ESCUELA SUPERIOR POLITECNICA DEL LITORAL MAESTRÍA EN SISTEMAS DE INFORMACION GERENCIAL 7 ma. PROMOCIÓN BI BUSINESS INTELLIGENCE Grupo No. 1 Geannina Aguirre Henry Andrade Diego Maldonado Laura Ureta MATERIA:

Más detalles

CAPÍTULO 2 DATA WAREHOUSES

CAPÍTULO 2 DATA WAREHOUSES CAPÍTULO 2 DATA WAREHOUSES Un Data Warehouse (DW) es un gran repositorio lógico de datos que permite el acceso y la manipulación flexible de grandes volúmenes de información provenientes tanto de transacciones

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

Maximiza los ingresos no aeronáuticos del Aeropuerto

Maximiza los ingresos no aeronáuticos del Aeropuerto Maximiza los ingresos no aeronáuticos del Aeropuerto Recopilación de datos de ventas de los concesionarios Inteligencia de negocio y análisis de comportamiento FACTURA Gestión de arrendamientos Automatización

Más detalles

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA M.ª del Pilar Cantero Blanco Jefa de Servicio de Sistemas Informáticos. Subdirección General de Planificación

Más detalles

Cómo ganar con una solución intuitiva de Business Intelligence para las medianas empresas

Cómo ganar con una solución intuitiva de Business Intelligence para las medianas empresas Resumen de producto SAP Soluciones SAP para pequeñas y medianas empresas SAP BusinessObjects Business Intelligence, Edge Edition Objetivos Cómo ganar con una solución intuitiva de Business Intelligence

Más detalles

Kais Analytics Business Intelligence

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

Más detalles

Business Intelligence

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

Más detalles

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

Microsoft Dynamics NAV

Microsoft Dynamics NAV Microsoft Dynamics NAV Maximizar el valor a través de conocimiento de negocio Business Intelligence White Paper Noviembre 2011 La información contenida en este documento representa el punto de vista actual

Más detalles

Deloitte Analytics. Deloitte Analytics

Deloitte Analytics. Deloitte Analytics Deloitte Analytics. Deloitte Analytics Deloitte tiene la capacidad de ver a las empresas desde adentro hacia afuera, transformando la información en una herramienta útil y procesable, que aporte entendimiento

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

Data Warehousing - Marco Conceptual

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

Más detalles

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM Sergio Bauz Olvera 1, Washington Jama 2 1 Ingeniero en Estadística e Informática 2003 2 Director de Tesis de Grado, Ing. Washington Jama.

Más detalles

TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO

TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E SÍLABO I. DATOS GENERALES CARRERA PROFESIONAL : INGENIERÍA DE SISTEMAS E CÓDIGO DE LA CARRERA : 02 NOMBRE DE LA ASIGNATURA : TÓPICOS ESPECIALES DE INGENIERÍA

Más detalles

Comparación de características entre las ediciones Estándar y Enterprise

Comparación de características entre las ediciones Estándar y Enterprise Comparación de características entre las ediciones Estándar y Enterprise Enterprise Enterprise es una plataforma completa de datos para ejecutar aplicaciones de misión crítica OLTP (Online Transaction

Más detalles

IBM InfoSphere Foundation Tools permite ofrecer información de confianza

IBM InfoSphere Foundation Tools permite ofrecer información de confianza ZP06-0517, con fecha 15 de diciembre del 2009 IBM InfoSphere Foundation Tools permite ofrecer información de confianza Índice 1 Visión general 2 Fecha de comercialización prevista 2 Requisitos previos

Más detalles

TRABAJE INTELIGENTEMENTE. Microsoft Dynamics NAV 2009 Sencilla. Inteligente. Innovadora

TRABAJE INTELIGENTEMENTE. Microsoft Dynamics NAV 2009 Sencilla. Inteligente. Innovadora TRABAJE INTELIGENTEMENTE Microsoft Dynamics NAV 2009 Sencilla. Inteligente. Innovadora SENCILLEZ La solución de gestión empresarial para más de un millón de usuarios en todo el mundo Rápida de implementar,

Más detalles

SAP BusinessObjects Edge BI, paquete estándar La opción de Business Intelligence favorita de las empresas en crecimiento

SAP BusinessObjects Edge BI, paquete estándar La opción de Business Intelligence favorita de las empresas en crecimiento Soluciones SAP para pequeñas y medianas empresas SAP BusinessObjects Edge BI, paquete estándar La opción de Business Intelligence favorita de las empresas en crecimiento SAP BusinessObjects Edge BI, paquete

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

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

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS En tiempos de incertidumbre financiera, la toma de decisiones basada en información es crucial para sobrevivir en el mundo de los negocios. Empresas de todas las industrias dependen

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

MODELO DE ORDENAMIENTO Y CONTROL DE PRODUCTO EN PROCESO EN ENSAMBLE TEXTIL

MODELO DE ORDENAMIENTO Y CONTROL DE PRODUCTO EN PROCESO EN ENSAMBLE TEXTIL UNIVERSIDAD ALBERT EINSTEIN FACULTAD DE INGENIERIA DEPARTAMENTO DE INGENIERIA INDUSTRIAL MODELO DE ORDENAMIENTO Y CONTROL DE PRODUCTO EN PROCESO EN ENSAMBLE TEXTIL RESUMEN EJECUTIVO Presentado por: Roberto

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

www.microsoft.com/office/sharepointserver www.abd.es Contenido empresarial administrado en una interfaz de usuario basada en Web.

www.microsoft.com/office/sharepointserver www.abd.es Contenido empresarial administrado en una interfaz de usuario basada en Web. Microsoft Office SharePoint Server 2007 es un conjunto integrado de características de servidor que puede contribuir a mejorar la eficacia organizativa al ofrecer completas funciones de administración

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

Modelo de Datawarehouse para el sector Público (Caso Editora Perú S.A.)

Modelo de Datawarehouse para el sector Público (Caso Editora Perú S.A.) Modelo de Datawarehouse para el sector Público (Caso Editora Perú S.A.) Angel Hermoza Salas Universidad Nacional Mayor de San Marcos angelhermozasalas@yahoo.es Resumen En este paper se presenta y describe

Más detalles

Introducción a BusinessObjects XI Release 2 Service Pack 2 / Productivity Pack

Introducción a BusinessObjects XI Release 2 Service Pack 2 / Productivity Pack Introducción a BusinessObjects XI Release 2 Service Pack 2 / Productivity Pack Acerca de este manual Acerca de este manual Este manual proporciona información para empezar a utilizar BusinessObjects XI

Más detalles

Optimización de rutas logísticas para ganar competitividad

Optimización de rutas logísticas para ganar competitividad Autor: Whitepaper patrocinado por: José Antonio Martínez Fernández Profesor Dirección de Empresas de la Universidad Pablo de Olavide, Sevilla Optimización de rutas logísticas para ganar competitividad

Más detalles

1.1 Titulo Descriptivo del Proyecto

1.1 Titulo Descriptivo del Proyecto 1.1 Titulo Descriptivo del Proyecto Diseño de un Manual empleando Data Mining (Minería de Datos) para predecir el Potencial de Desarrollo de las empresas en la Zona Oriental asociadas a la Comisión Nacional

Más detalles

ADMINISTRACIÓN Y PROGRAMACIÓN EN SISTEMAS DE PLANIFICACIÓN DE RECURSOS EMPRESARIALES Y DE GESTIÓN DE RELACIONES CON CLIENTES CUALIFICACIÓN PROFESIONAL

ADMINISTRACIÓN Y PROGRAMACIÓN EN SISTEMAS DE PLANIFICACIÓN DE RECURSOS EMPRESARIALES Y DE GESTIÓN DE RELACIONES CON CLIENTES CUALIFICACIÓN PROFESIONAL Página 1 de 23 CUALIFICACIÓN PROFESIONAL Familia Profesional Nivel 3 Código IFC363_3 Versión 5 Situación RD 1701/2007 Actualización ADMINISTRACIÓN Y PROGRAMACIÓN EN SISTEMAS DE PLANIFICACIÓN DE RECURSOS

Más detalles

UNIVERSIDAD ALBERT EINSTEIN FACULTAD DE INGENIERIA

UNIVERSIDAD ALBERT EINSTEIN FACULTAD DE INGENIERIA UNIVERSIDAD ALBERT EINSTEIN FACULTAD DE INGENIERIA Estudio de las herramientas TOAD y DBArtisan para la administración e integración de bases de datos relacionales. PREVIA OPCION AL TÍTULO DE: INGENIERO

Más detalles

CONFIGURACIÓN Y DESARROLLO

CONFIGURACIÓN Y DESARROLLO CONFIGURACIÓN Y DESARROLLO Beneficios Permite controlar con eficiencia el rendimiento. SQL Server 2005 brinda a los administradores de Microsoft Dynamics GP herramientas de control automatizadas y mejoradas

Más detalles

Identificación fácil de los clientes adecuados

Identificación fácil de los clientes adecuados PASW Direct Marketing 18 Especificaciones Identificación fácil de los clientes adecuados Sabemos que le gustaría que sus programas de marketing sean lo más rentables posible y sabemos que conocer la información

Más detalles

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

Más detalles

INFORME TECNICO PREVIO A DE EVALUACION DE SOFTWARE Nº 001-2008-REGIONCALLAO/GGR/OSIE

INFORME TECNICO PREVIO A DE EVALUACION DE SOFTWARE Nº 001-2008-REGIONCALLAO/GGR/OSIE INFORME TECNICO PREVIO A DE EVALUACION DE SOFTWARE Nº 001-2008-REGIONCALLAO/GGR/OSIE 1.GERENCIA: Gerencia General Regional. 2.OFICINA: Oficina de stemas, Informática y Estadística. 3. RESPONSABLES DE LA

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

Universidad Mariano Gálvez

Universidad Mariano Gálvez UNIVERSIDAD MARIANO GALVEZ LIC. OMAR GUERRA CURSO: MERCADOTECNIA III Integrantes Grupo No. 3 0213-06-10524 MARIA CRISTINA DONABO VIVAR 0213-03-10225 ERICKSON MARCIAL VARGAS 0213-06-10484 ANA KARINA PALACIOS

Más detalles

Trabajo final de Ingeniería

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

Más detalles

APOYO PARA LA TOMA DE DECISIONES

APOYO PARA LA TOMA DE DECISIONES APOYO PARA LA TOMA DE DECISIONES Cátedra: Gestión de Datos Profesor: Santiago Pérez Año: 2006 Bibliografía: Introducción a las Bases de Datos. DATE - 1 - 1. INTRODUCCION APOYO PARA LA TOMA DE DECISIONES

Más detalles

LA MINERÍA DE DATOS COMO HERRAMIENTA EN EL PROCESO DE INTELIGENCIA COMPETITIVA.

LA MINERÍA DE DATOS COMO HERRAMIENTA EN EL PROCESO DE INTELIGENCIA COMPETITIVA. LA MINERÍA DE DATOS COMO HERRAMIENTA EN EL PROCESO DE INTELIGENCIA COMPETITIVA. Autor Principal y Ponente: Dr. Luis A. Marín Llanes 1 Lic. Juan C. Carro Cartaya 1. 1 Consultoría Biomundi. Vice-Dirección

Más detalles

MINERÍA DE DATOS ANÁLISIS PREDICTIVO REPORTING AVANZADO CUADRO DE MANDOS

MINERÍA DE DATOS ANÁLISIS PREDICTIVO REPORTING AVANZADO CUADRO DE MANDOS MINERÍA DE DATOS ANÁLISIS PREDICTIVO CUADRO DE MANDOS REPORTING AVANZADO Conoce a fondo su negocio? El destino de una organización depende de las decisiones que toma y esas decisiones deben basarse en

Más detalles

BPO Consulting.es Business Intelligence Encuentre respuestas a sus preguntas. Tenemos Soluciones Para su Negocio

BPO Consulting.es Business Intelligence Encuentre respuestas a sus preguntas. Tenemos Soluciones Para su Negocio BPO Consulting.es Business Intelligence Encuentre respuestas a sus preguntas. Tenemos Soluciones Para su Negocio Business Intelligence (BI) Actualmente inmersos en una crisis general, las empresas deben

Más detalles

Gestión de la Información

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

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles