Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

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

Download "Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler"

Transcripción

1 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

2 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 2

3 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 3

4 IBM SPSS: posicionamiento en el mundo del análisis predictivo IBM SPSS: Reconocida como líder en Análisis Predictivo Las aplicaciones de IBM SPSS tiene una buena visibilidad y fuerza de ventas en el mercado, con marcada visión analítica de CRM IBM SPSS es considerada como el mejor proveedor de data mining - muy focalizado en CRM IBM SPSS es percibida como la compañía más visionaria en el mercado 94% de los clientes alcanzaron un ROI positivo, con un regreso de la inversión en 10.7 meses. El 90% de los usuarios atribuyen un incremento de su productividad a IBM SPSS 81% de los proyectos se acabaron a tiempo, 75% bajo presupuesto previsto. Este es uno de los ROI más altos que Nucleus ha visto es sus informes de Real ROI Series Rebecca Wettemann, VP de Research, Nucleus ResearchSPSS 4

5 Minería de Datos (Data Mining) y Análisis Predictivo Minería detexto Análisis Predictivo Informes Estadística

6 Resultados de Minería de Datos incluyen Clasificar sujetos y objetos en grupos reconociendo patrones / basándose en sus atributos Asociar qué eventos ocurren habitualmente de forma simultánea Secuenciar qué eventos normalmente llevan a otros Predicción de lo que puede ocurrir en el futuro

7 Lo ideal. PELIGRO!! EL SISTEMA PREDICE UN ATAQUE BIOLÓGICO(PROB. 78.7%) FECHA: DIC 10 LUGAR PROBABLE: BUITRAGO DE LOZOYA OBJETIVO PROBABLE: RECINTO PÚBLICO ESTADIO DEPORTIVO RECINTO DE JUEGOS PERFIL DEL ATACANTE: NORTEAMERICANO, MÚLTIPLES ENTRADAS RECIENTES, SIN ANTECEDENTES PENALES

8 Pero. La Minería de Datos no es una tecnología mágica Necesita datos: Limpios, organizados, procesados Necesita ser aplicada con objetivos específicos en mente Herramienta usada por analistas con conocimientos en el campo específico

9 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 9

10 Qué no es Minería de Datos? Triturar datos por la fuerza bruta Aplicación ciega de algoritmos Intentar encontrar relaciones donde no existen Presentar datos en diferentes formatos Una tarea que demande recursos intensos de base de datos Una tecnología difícil de comprender que necesite de un avanzado conocimiento de informática

11 Minería de Datos es Una palabra de moda para técnicas que encuentran patrones de datos Un proceso interactivo orientado al usuario que utiliza conjuntamente tecnologías análiticas con potencia computacional Un grupo de técnicas que encuentran relaciones que no habían sido encontradas previamente No dependiente de una base de datos existente Una tarea relativamente sencilla que requiere de conocimiento del problema/asunto/negocio

12 Minería de Datos vs. Análisis Estadístico Minería de Datos Menos interesado en los mecanismos de cada técnica No necesita de asunciones hechas sobre los datos Puede encontrar patrones en cantidades enormes de datos Necesita comprensión y conocimiento de los datos y de los problemas tratados Análisis Estadístico Pruebas sobre validez de modelos Pruebas de hipótesis Es la relación significativa? Normalmente se basa en muestras seleccionadas Las técnicas no están optimizadas para grandes cantidades de información

13 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 13

14 Preguntas clave sobre Minería de Datos Cuál es el problema fundamental que se quiere resolver? Qué fuentes de datos están disponibles y qué partes de las mismas son relevantes al problema actual? Qué tipo de preprocesamiento y limpieza de la información se necesita hacer antes de comenzar el proceso de minería? Qué técnica de Minería de Datos va a usar? Cómo va a evaluar los resultados de su análisis de Minería de Datos? De qué manera va a sacar el mayor provecho de la información que obtenga del proceso de Minería de Datos? 14

15 Proceso CRISP-DM 15

16 Estrategia para la Minería de Datos: Metodología CRISP-DM 6 fases: 1. Comprensión del Problema Determinar los objetivos globales Evaluar la situación actual Elaborar un plan de desarrollo 2. Comprensión de los Datos (Recolección, Descripción, Exploración y Valoración) 3. Preparación de la información Extraer los datos de diferentes fuentes Fundir varias tablas de datos en una sola Combinar datos de distintas fuentes Identificar datos perdidos, anómalos o valores Seleccionar los datos de interés Reestructurar los datos en el formato requerido Transformar los datos en otros nuevos 4. Modelado Seleción de las técnicas de modelizaje Determinación de los diseños de prueba Construcción y validez de los modelos 5. Evaluación (Resultados, Revisión del proceso, Próximos pasos) 6. Explotación (Uso del modelo, Informe final, Revisión del proyecto) 16

17 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 17

18 20 Aplicaciones posibles 1. Optimización de campañas de marketing sobre varios productos y canales 2. Modelización de marcha de empleados en empresas 3. Identificación de estudiantes en riesgo en colegios 4. Compañía que descubre las mejores películas para los clientes, basándose en sus elecciones anteriores 5. Detección de Riesgo de fraude en reclamación de seguros de automóviles 18

19 20 Aplicaciones posibles 6. Análisis de navegación de páginas web para detectar caminos habituales: cuál es el próximo enlace más probable? 7. Análisis de delitos y comportamientos violentos, con grabaciones de actividad en Internet y teléfono por la Policía, para detectar amenazas criminales 8. Administración de Categorías en Hipermercados: encontrar la mejor localización para productos en los lineales 9. Análisis y planificación de Promociones: características de clientes más proclives a responder a futuros mailings 10. Clasificación correcta de tumores cerebrales en niños 19

20 20 Aplicaciones posibles 11. Optimización de contratación de personal en empresas 12. Predicción e identificación de la conducta y gasto de un consumidor durante un período de tiempo tras el cual deja de comprar en una cadena 13. Quiénes son los 10 clientes que me ofrecen el mayor potencial de beneficio? 14. Detección de anomalías en el comportamiento online de usuarios para predecir futuros delitos electrónicos. Complementado con el análisis de conductas en redes sociales 15. Detectar actividad fraudulenta en el uso de tarjetas de crédito 20

21 20 Aplicaciones posibles 16. Detección del momento preciso en que un cliente abandonará o cambiará de proveedor telefónico 17. Análisis de reclamaciones de garantía de productos 18. Predicción de componentes que fallarán para abastecerse a tiempo de los recambios: predicción del siguiente problema 19. Análisis de texto para mejora de las presentaciones realizadas por farmacéuticas a médicos: características comunes a médicos que mejor responden a ofertas de farmacéuticas 20. Predecir con cierta probabilidad un espacio temporal en el que podría producirse un paro cardíaco en aquellos sujetos con enfermedad del corazón 21

22 Aplicaciones e Industrias Servicios Financieros - Contratación - Retención - Cross-sell y Up-sell - Fraude Minería de Datos - Fraude - Recaudación - Satisfacción ciudadano Sector Público

23 Qué ténicas están disponibles en IBM SPSS Modeler? Segmentación (K-medias, Kohonen, Bietápico, Anomalía) Asociación (A priori, GRI, CARMA, Análisis de Secuencia) Clasificación (Factorial, Discriminante, Red Neuronal, C5.0, GLM, Máquinas de Vectores de Soporte, Redes Bayesianas, Modelos de auto aprendizaje, Vecino más próximo, Árboles, Listas de Decisión, Selección de características) Predicción (Regresión Lineal, Series Temporales, Regresión de Cox, Regresión Logística Automáticos (Auto numérico, Auto clasificador, Auto Agrupación, Modelizador ARIMA automático) 23

24 Agenda Minería de Datos y Análisis Predictivo Qué es y qué no es Minería de Datos? Proceso estándar: CRISP-DM Aplicaciones e Industrias Demo IBM SPSS Modeler 14 24

25 Portfolio IBM SPSS IBM SPSS Statistics (SPSS) IBM SPSS Data Collection (Dimensions) IBM SPSS Modeler (Clementine) IBM SPSS Decision Management (PES) 25

26 IBM SPSS Modeler 14 Visualización Rutas, Resultados, Modelos Acceso a los datos Modelado Transformación Distribución Proyecto Evaluación Nodos 26

27 Preguntas? 27

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Características Cree estrategias más efectivas evaluando tendencias y resultados Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas

Más detalles

Tome mejores decisiones mediante la inteligencia predictiva

Tome mejores decisiones mediante la inteligencia predictiva IBM SPSS Modeler Professional Funciones destacadas Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas de minería de datos intuitivo y visual. Crea y valide

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

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

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

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

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

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

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

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

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

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

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

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Tome mejores decisiones mediante la inteligencia predictiva Características principales Cree estrategias más eficaces mediante la evaluación de tendencias y resultados probables

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

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

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

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

Más detalles

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

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

Análisis predictivo en las acciones online

Análisis predictivo en las acciones online Análisis predictivo en las acciones online Marketing on Tour 17 de junio de 2009 Juan Ramírez Senior Sales Engineer SPSS Empresa de Software Más de 40 años de innovación en tecnología analítica Presencia

Más detalles

IBM SPSS Modeler Premium

IBM SPSS Modeler Premium IBM SPSS Modeler Premium Mejore la precisión de los modelos con datos estructurados y no estructurados, entity analytics y análisis de redes sociales Características Resuelva problemas de negocio rápidamente

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

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más 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

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

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

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

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

IBM SPSS Modeler Premium

IBM SPSS Modeler Premium IBM SPSS Modeler Premium Mejorar la exactitud de los modelos con datos estructurados y no estructurados, análisis de entidades y análisis de redes sociales Características principales Resuelva procesos

Más detalles

Mejore la precisión de modelos con datos no estructurados

Mejore la precisión de modelos con datos no estructurados IBM SPSS Modeler Premium Funciones destacadas Acceda, prepare e integre fácilmente datos y textos estructurados, datos Web y datos de encuestas. Admita todo el proceso de minería de datos con una amplia

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

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

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

IBM SPSS Modeler Descubra patrones en los datos históricos para predecir eventos futuros, tomar mejores decisiones y lograr mejores resultados

IBM SPSS Modeler Descubra patrones en los datos históricos para predecir eventos futuros, tomar mejores decisiones y lograr mejores resultados Descubra patrones en los datos históricos para predecir eventos futuros, tomar mejores decisiones y lograr mejores resultados Características principales Acceda a diversas fuentes de datos tales como almacenes

Más detalles

LA MINERÍA DE DATOS Y SU EVOLUCIÓN A LA GRID ANDRÉS SANTIAGO SERNA TANGARIFE

LA MINERÍA DE DATOS Y SU EVOLUCIÓN A LA GRID ANDRÉS SANTIAGO SERNA TANGARIFE LA MINERÍA DE DATOS Y SU EVOLUCIÓN A LA GRID ANDRÉS SANTIAGO SERNA TANGARIFE UNIVERSIDAD EAFIT DEPARTAMENTO DE INFORMÁTICA Y SISTEMAS MEDELLÍN 2010 LA MINERÍA DE DATOS Y SU EVOLUCIÓN A LA GRID ANDRÉS SANTIAGO

Más detalles

Decisiones Analíticas en Tiempo Real

Decisiones Analíticas en Tiempo Real Decisiones Analíticas en Tiempo Real Pablo O. Hadjinian Consultor de Preventas Agenda Introducción SAS Real Time Decision Manager Casos de Uso Arquitectura Funcional Qué entendemos por Marketing en Tiempo

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 (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

Panel: Minería de datos para la administración tributaria

Panel: Minería de datos para la administración tributaria Panel: Minería de datos para la administración tributaria Leopoldo Gutiérrez Socio líder de Tax Data Analytics en EY Especialista en diseño, desarrollo e implementación de modelos analíticos orientados

Más detalles

Diploma en Business Analytics

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

Más detalles

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

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology Insurance Analytics Presentación SBI Technology. Quienes Somos? Más de 20 años de experiencia a nivel internacional en BI aplicado

Más detalles

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

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

Más detalles

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

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper Marketing Advanced Analytics Predicción del abandono de los clientes Whitepaper El reto de predecir el abandono de los clientes Resulta entre cinco y quince veces más caro para una compañía captar nuevos

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

Manual de minería interna de bases de datos de IBM SPSS Modeler 14.2

Manual de minería interna de bases de datos de IBM SPSS Modeler 14.2 Manual de minería interna de bases de datos de IBM SPSS Modeler 14.2 Nota: Antes de utilizar esta información y el producto, lea la información general en Avisos el p.. Este documento contiene información

Más detalles

INTELIGENCIA EN REDES DE COMUNICACIONES

INTELIGENCIA EN REDES DE COMUNICACIONES INTELIGENCIA EN REDES DE COMUNICACIONES MINERÍA DE DATOS EN EL DEPORTE PROFESIONAL Jorge Carrasco Troitiño NIA 100029724 Grupo 91-5 Ingeniería Superior de Telecomunicación INTRODUCCIÓN: Las técnicas de

Más detalles

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

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

Más detalles

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

- Know Systems. DKS9 BPM-Gestión del Conocimiento 2011 Página 1 de 17

- Know Systems. DKS9 BPM-Gestión del Conocimiento 2011 Página 1 de 17 DKS9 BPM-Gestión del Conocimiento 2011 Página 1 de 17 Características Generales -Sistemas parametrizables. -Configurables y de fácil adaptación a cada negocio. -Accesibles desde navegador Web en cualquier

Más detalles

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Yegny Amaya, Edwin Barrientos, Universidad Francisco de Paula Santander, Colombia Diana Heredia Vizcaíno, Universidad

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

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

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

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

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results.

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

Más detalles

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

Guía de minería interna de bases de datos de IBM SPSS Modeler 16

Guía de minería interna de bases de datos de IBM SPSS Modeler 16 Guía de minería interna de bases de datos de IBM SPSS Modeler 16 Nota Antes de utilizar esta información y el producto al que da soporte, lea la información de la sección Noticias en la página 115. Información

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

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

Más detalles

Aplicaciones Informáticas en la Gestión Comercial

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

Más detalles

Conocer al cliente: Esta vez es personal

Conocer al cliente: Esta vez es personal Conocer al cliente: Esta vez es personal Cómo analytics puede ayudar a los bancos a lograr un CRM de nivel superior, asegurar el crecimiento y lograr un alto desempeño. Índice Introducción Cómo advanced

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas...

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... , INDICE Introducción, ; XVII Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... Aproximación al concepto de minería de datos... El proceso de extracción del conocimiento... Técnicas de 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

PYMES. Big Data PARA. Haciendo posible la innovación. Quieres ser la empresa referencia de tu categoría?

PYMES. Big Data PARA. Haciendo posible la innovación. Quieres ser la empresa referencia de tu categoría? Haciendo posible la innovación Big Data PARA PYMES Una manera sencilla de entender los grandes conjuntos de datos sobre tu categoría Descubre lo que dicen y sienten los usuarios de tu marca y del resto

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

Introducción. Growing on the CRM industry during 2001. Significant. decrease 4% Ns/nc 2% Slight decrease 4% Remains 5% Significant.

Introducción. Growing on the CRM industry during 2001. Significant. decrease 4% Ns/nc 2% Slight decrease 4% Remains 5% Significant. Introducción During next decade the number of Data Mining projects will increase dramatically (more than 300%) to improve the relationship with the customer and help companies to listen to their customers

Más detalles

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM)

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) Objetivos Al finalizar la unidad el alumno deberá conocer los antecedentes, el origen, los objetivos, los diferentes tipos y las estrategias

Más detalles

Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Customer Intelligence Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina Ciclo completo de Customer Intelligence Gestión de Datos Vista Integrada del Cliente Segmentación Análisis del Cliente

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

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay

PORTFOLIO APLICA.DÀT. Business Intelligence. Que veo y que hay Soluciones de Gestión para extraer provecho de los datos. (Business Intelligence, Cuadro de Mando i Calidad de datos) Que veo y que hay PORTFOLIO Business Intelligence Tiene infinidad de datos. No tiene

Más detalles

Predictive Analytics El lado B de una Implementación

Predictive Analytics El lado B de una Implementación Predictive Analytics El lado B de una Implementación SPSS Chile 14 julio 2009 Stephen Cressall, Country Manager SPSS Inc. Fundada en 1968 con más de 11 años en el mercado chileno. Operaciones en más de

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

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

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

Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas

Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Técnicas Yerko Halat 4 de Octubre del 2001 1 Concepto: Lógica Difusa Cliente

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

La revolución de los datos, nuevas tecnologías analíticas cognitivas y nuevos roles.

La revolución de los datos, nuevas tecnologías analíticas cognitivas y nuevos roles. Ricardo Míguez del Olmo, Director de Soluciones de Analytics. IBM La revolución de los datos, nuevas tecnologías analíticas cognitivas y nuevos roles. 2015 IBM Corporation Nuevos Roles: El Director de

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

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software Gestión del Fraude Pilar Sirvent, Arquitecto Senior de Software Áreas de Apoyo Gestión del Fraude Grandes Cantidades de Datos (Big Data) Volumen - Variedad - Velocidad Integración Visión 360º Análisis

Más detalles

Incorpora la localización en tu compañía. Mejora la rentabilidad con la solución Location Analytics de Esri

Incorpora la localización en tu compañía. Mejora la rentabilidad con la solución Location Analytics de Esri Incorpora la localización en tu compañía Mejora la rentabilidad con la solución Location Analytics de Esri Qué es la pregunta Dónde es la respuesta En la era actual de sobrecarga de datos el éxito en los

Más detalles

Definición de CRM. CRM es una estrategia de negocio que permite optimizar la rentabilidad, las ventas y la satisfacción del cliente.

Definición de CRM. CRM es una estrategia de negocio que permite optimizar la rentabilidad, las ventas y la satisfacción del cliente. Que es CRM? Indice Definición de CRM Principales retos a los que se enfrentan las empresas Evolución del CRM Qué aporta CRM al negocio Qué puede hacer el CRM por ti como usuario Beneficios de la estrategia

Más detalles

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Unidad Administrativa Especial de Gestión Pensional y Contribuciones Parafiscales de la Protección Social UGPP Objeto: ADQUISICIÓN

Más detalles

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

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata v.1.0 Clase 0 Quien tiene la información tienen el poder. - Anónimo Quien tiene el saber tiene el poder. - David Hume Quien tiene la información y la analiza, tiene el poder. Módulo: Visualización de Información

Más detalles

Manual de minería interna de la base de datos de IBM SPSS Modeler 15

Manual de minería interna de la base de datos de IBM SPSS Modeler 15 Manual de minería interna de la base de datos de IBM SPSS Modeler 15 Nota: Antes de utilizar esta información y el producto que admite, lea la información general en Avisos el p.. Esta edición se aplica

Más detalles

Creando relaciones con los clientes a través del e-crm. E-Brain Consulting

Creando relaciones con los clientes a través del e-crm. E-Brain Consulting Creando relaciones con los clientes a través del e-crm E-Brain Consulting I.- Índice 1.- Introducción... 3 2.- Qué es e-crm?... 3 3.- Planteamientos para una Solución de e-crm Exitosa... 4 4.- Implementando

Más detalles

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD KDD y MD Dr. Juan Pedro Febles Rodríguez BIOINFO febles@bioinfo.cu http://www.bioinfo.cu CITMA 2005 Temas a tratar Algunos antecedentes académicos. El proceso de descubrimiento de conocimientos en Datos

Más detalles

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

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

Más detalles

Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas

Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas Ing. Juan Miguel Moine Ing. Cristian Germán Bigatti Ing. Guillermo Leale Est. Graciela Carnevali Est. Esther Francheli

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

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Direct Marketing Características Con IBM SPSS Direct Marketing podrá: Comprender a sus clientes Mejorar sus campañas de mercadotecnia Maximizar el ROI de sus proyectos Comprenda a sus clientes

Más detalles

Conozca el catálogo de productos de IBM SPSS

Conozca el catálogo de productos de IBM SPSS Business Analytics Software SPSS Conozca el catálogo de productos de IBM SPSS Analítica avanzada que ayuda a las organizaciones a anticipar el cambio y actuar para mejorar los resultados 2 Conozca el catálogo

Más detalles

La inteligencia de marketing que desarrolla el conocimiento

La inteligencia de marketing que desarrolla el conocimiento La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece

Más detalles

Business Analytics. Jordi Gironés Roig PID_00197282

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

Más detalles