Usos de Data Mining y KDD en Marketing Research

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

Download "Usos de Data Mining y KDD en Marketing Research"

Transcripción

1 Usos de Data Mining y KDD en Marketing Research Charla Alumnos Maestría Minería de Datos y Explotación Conocimiento - Facultad Ciencias Exactas y Naturales UBA Buenos Aires - Noviembre 2008

2 Temario Los datos no estructurados en el Marketing Reseach El Tratamiento de los datos no estructurados Sentiment Analysis o el Humor de los datos La Visualización para el análisis y la presentación de la información

3 Aparición de la Web Genera una explosión de datos Cambian los modelos en uso en el marketing, la comunicación y el marketing research Top Down a botom up Las marcas evolucionan y son modificadas por los consumidores La movilidad de la comunicación y los otros medios El tiempo disponible para asimilar información Se generan conversaciones entre usuarios Se arman redes sociales/ comunidades Lo real/virtual Del recuerdo a la observación La seguridad La colaboración

4 Los estudios de Mercado tratan distintos tipos de datos Los datos provienen de: Cuestionarios Preguntas abiertas Focus Groups y entrevistas en profundidad (IDI) Conversaciones Comunidades Foros Blogs Etiquetado de objetos/hechos

5 Hay dos tipos de datos en IM Los datos estructurados, que provienen de cuestionarios Representaban el mayor nivel de datos hasta hace poco El modelo Web 2.0 genera grandes volúmenes de DATOS NO ESTRUCTURADOS, que son mirados con codicia por los investigadores El tema es, como tratarlos?

6 Principales diferencias entre los tipos de datos ESTRUCTURADOS: Los ENCUESTADOS y el CUESTIONARIO Las bases grandes (hay muchas respuestas) Es una indagación guiada Depende del interés del investigador Se puede caracterizar al encuestado Genera datos con formato Los datos obtenidos son objetivos y no dependen del contexto El rango de las respuestas es limitado Su representación e interpretación es conocida Tratamiento estadístico cuantitativo Visualización con tablas y textos NO ESTRUCTURADOS: La GENTE y sus OPINIONES Las bases son pequeñas (pocas respuestas) Son de origen espontáneo Depende de la opinión del individuo El individuo esta oculto Genera datos sin formato Los datos dependen del contexto para su comprensión Las opiniones son abiertas Su representación e interpretación es muy nueva Tratamiento estadístico de variables categóricas Visualización multimedia

7 Técnicas para el tratamiento de datos no estructurados Representación mediante lexicones, glosarios y escenarios del dominio tratado Procesos estadísticos sobre palabras y minería de datos Visualización de la información para el usuario

8 Aprendiendo a ver los textos - Consideraciones para distintos tipos de textos Texto tipo 1 - Un solo autor, muchos temas y una sola idea sobre cada tema. (Por ejemplo un libro o un escrito) Se puede estudiar el estilo del autor Buscar patrones de contenido es difícil, conviene mas leerlo y apelar al clasificador humano. Hay un lenguaje más desplegado y rico Texto tipo 2 - Varios autores, un tema, muchas ideas (Por ejemplo respuesta a una preguntas abierta sobre un tema) Se pueden clasificar las ideas Permite detectar ideas singulares, soluciones nuevas, ideas espontáneas, muestra como se expresan los autores El lenguaje puede ser más llano o menos rico

9 Visualización de los tipos de textos Poema 12 - Oliverio Girondo Pregunta abierta a 500 individuos

10 Estructurando lo no estructurado Aprendiendo a ver los textos Partiendo de N casos (p.e. individuos) y N textos (uno para cada caso), queremos ver si existe alguna organización o estructura de los casos surgida de patrones u ordenamientos extraídos del análisis del contenido de los documentos Bla..bla.. bla Yo te digo...tenés razón Que bodrio

11 Esquema de trabajo COLECCION DE DOCUMENTOS REPRESENTACION HUMANO ESCENARIO VISUALIZACION _ _0 RED REDES SOM

12 Preparando la representación Frecuencia de palabras

13 Preparando la representación Frecuencia de palabras compuestas

14 Preparando la representación Palabras asociadas

15 Organización y Visualización de los datos VISUALIZACION DE LA RED

16 Visualización de la red Treemap Variables en cada Nodos

17 Visualización de la red Treemap Nodos en cada Variable

18 Visualización de la red Treemap Incidencia de la variable V95 en los nodos

19 Visualización de la red Treemap Incidencia del Nodo 8 en cada variable

20 Visualización Hechos y Fechas

21 Representación semántica de la red

22 Sentiment Analysis o el Humor de los datos Se trata de identificar la orientación de los discursos o mensajes, sobre un tema, que circula en los distintos medios, a través de recursos de machine learning. Hay orientación de los discursos, dependiendo del jugador que lo emita, lo cual da una dimensión cualitativa/subjetiva al discurso 1. Yo pienso que Madona es una gran cantante 2. Una gran confusión en los medios, produjo la aparición de la cantante Madona 3. Pese a que Madona es una gran cantante, Shakira la supera 1 es positiva 2 es neutra 3 es negativa

23 Monitoreo de humor Manejo de Crisis LISTA 1.15 azul = Positivo rojo = negativo

24 Sentiment Analysis o el Humor de los datos Se trata de identificar alguna estructura común en los mensajes emitidos. Para luego establecer: una orientación positiva o negativa respecto a un tema (línea de investigación de Xue Bai y otros) ó una orientación y fuerza (Dureza de la opinión línea de investigación de Fabrizio Sebastiani y Andrea Esuli) ORIENTACION +FUERZA Mensajes 1.k ORIENTACION

25 Sentiment Analysis o el Humor de los datos COLECCION DE MENSAJES Data set con mensajes clasificados por un experto sobre la orientación REPRESENTACION RED _ _0 MARKOV BLANKET CLASSIFIER

26 Sentiment Analysis o el Humor de los datos Redes Bayesianas y Markov Blanket Una red bayesiana es un grafo acíclico. Cada nodo representa una variable y cada arco una dependencia probabilística, dada por la probabilidad condicional de cada variable dados sus padres. El Markov Blanket para un nodo A es el conjunto de nodos que son padres de A, el conjunto de nodos que son hijos de A y el conjunto de nodos que son padres de los descendientes de A

27 Sentiment Analysis o el Humor de los datos Construyendo el grafo y la red oscura suave alegre NP Hard Orientación del grafo Conectividad de los nodos ágil suave CLASE garra espuma alegre espuma ágil oscura garra CLASE

28 Sentiment Analysis o el Humor de los datos Diseño Aprendizaje supervisado Data Set: 1777 documentos, convertidos en un documento_vector con 60 variables binarias y una variable de clase (0,1) Clasificadores/algoritmos: se utilizó Weka, con los siguientes algoritmos: Bayes.NaiveBayesSimple Bayes.NaiveBayes TabuSearch/Markov Blanket Simulated Annealing/Markov Blanket Trees.NBTree Entrenamiento: 66% del dataset, el restante 34% fue utilizado para validación

29 Sentiment Analysis o el Humor de los datos Desempeño de distintos clasificadores Clasificador Tiempo (seg) Ejemplos correctamente clasificados % Bayes.NaiveBayesSimple Bayes.NaiveBayes TS/MB_60 TS/MB_30 SA/MB Trees.NBTree 0,0 0,0 4,5 4,6 16,0 13,4 95,04 95,04 90,08 90,08 89,91 89,58

30 Sentiment Analysis o el Humor de los datos Comparación y Visualización de TS/MB NB clasifica mejor, pero. MB y Trees.NBTree permite la reducción de atributos (en algunos proyectos resulta una cualidad importante) MB y Trees.NBTree tienen un output visual útil para determinar aspectos cualitativos de la estructura que se estudia

31 Visualización de la información

32 Visualización Comentarios El packaging de la información!!!!?#### Entra por los sentidos Se compra ó no por su comprensión

33 Visualización Otro lugar interesante : Many eyes

34 Visualización Otro lugar interesante : Wordle

35 Visualización Algunos lugares interesantes: visual literacy

36 Visualización Algunos lugares interesantes: visual literacy

37 Visualización Algunos lugares interesantes: visual literacy

38 Visualización Otro lugar interesante: alephzero.com.ar

39 Alguna pregunta? Gracias!!! Lic. Juan José Lloret

40 Sentiment Analysis o el Humor de los datos. Metrucho Cuando se introduce un término de búsqueda, Suck & Rock busca en la web utilizando ese término. El resultado es la fracción de resultados positivos dividido suma de resultados positivos y negativos, normalizado a 10. Las frases negativas son: X apesta, **** X, X es ******, odio X. Las frases positivas son: X es fuerte, X es dulce, X es impresionante, me encanta X. Yahoo Search API se utiliza actualmente para obtener resultados, ya que la API de Google de la búsqueda SOAP es obsoleta y sólo permite 1000 consultas por día. Camino por recorrer, Google!

41 Sentiment Analysis en el Metrucho

42 La Investigación Clásica Cliente Investigador Cuestionario + Respondente = Encuesta Muestra Campo Base de datos Procesamiento/Analisis Report

43 Cambios importantes y áreas que afecta Diseño: Representativo Lo creativo Lo investigativo Espontaneo Campo Distribuido Auto administrado Colaboración Análisis: Estadistica dura Estadistica exploratoria Estadistica categorica Lo temporal Lo cuantitativo Distribución al usuario: formas de packaging Conexión con el usuario La visualización

44 Visualizaciones Treemaps: son un tipo de visualización ideada a principios de los 90 por Ben Shneiderman, que permite representar jerarquías de forma que se optimiza el llenado del espacio y, además, ver los atributos de la misma e identificar patrones anómalos o propiedades de la jerarquía usando colores. www.

45 Visualización de la red Treemap - Nodo en cada Variable, variando el umbral de casos

Ensayo para organizar estructuras heterogéneas de datos en el área de Marketing & Social Research

Ensayo para organizar estructuras heterogéneas de datos en el área de Marketing & Social Research Ensayo para organizar estructuras heterogéneas de datos en el área de Marketing & Social Research ALEPH ZERO marketing & social research data & text mining information representation & visualization Planteo

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

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

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

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

Enlaces Experiencias de investigación

Enlaces Experiencias de investigación Proyecto de Transferencia Tecnológica Enlaces Experiencias de investigación Base de datos virtual para SI FADU UBA Equipo de Investigación sobre InfoDesign, Facultad de Arquitectura, Diseño y Urbanismo

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

Weka como herramienta de data mining

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

Más detalles

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

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

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

Más detalles

Minería de datos en la nube. Patricia Rayón Villela

Minería de datos en la nube. Patricia Rayón Villela Minería de datos en la nube Patricia Rayón Villela 1 Contenido Big-Data BI en la nube Analítica Texto Video Visual 2 Big data Problemas que eran difíciles o imposibles de resolver antes de ahora son manejables.

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

MONITOR DE CONTENIDOS

MONITOR DE CONTENIDOS MONITOR DE CONTENIDOS Presentación Barcelona, enero 2015 1. Cambio de entorno 2. Análisis online 2 Multiplicidad de canales 3» El Social Media ha transformado todos los paradigmas que hasta ahora nos permitían

Más detalles

1 www.webopinion.es. La herramienta definitiva para el seguimiento y análisis online de la reputación de su marca en castellano.

1 www.webopinion.es. La herramienta definitiva para el seguimiento y análisis online de la reputación de su marca en castellano. 1 www.webopinion.es La herramienta definitiva para el seguimiento y análisis online de la reputación de su marca en castellano. White paper Agosto 2013 QUÉ IMPACTO TIENE EN EL PÚBLICO SU LABOR EN LAS COMUNIDADES

Más detalles

Deep Learning y Big Data

Deep Learning y Big Data y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco

Más detalles

PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación. II MODELOS y HERRAMIENTAS UML. II.1 UML: Introducción

PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación. II MODELOS y HERRAMIENTAS UML. II.1 UML: Introducción PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación II MODELOS y HERRAMIENTAS UML 1 1 Técnica de modelado de objetos (I) El modelado orientado a objetos es una técnica de especificación semiformal para

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

Aplicación de Redes bayesianas usando Weka.

Aplicación de Redes bayesianas usando Weka. Aplicación de Redes bayesianas usando Weka. Cynthia Lorena Corso 1, Fabian Gibellini 1 1 Universidad Tecnológica Nacional, Facultad Regional Córdoba Laboratorio de Sistemas de Información Maestro M. López

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

Gestión del Conocimiento. Gestión del Conocimiento. Herramientas para la

Gestión del Conocimiento. Gestión del Conocimiento. Herramientas para la Herramientas para la Departamento de Informática Facultad de Ciencias Económicas Universidad Nacional de Misiones Universidad Nacional de Misiones Facultad de Ciencias Económicas Departamento de Informática

Más detalles

La investigación en diseño

La investigación en diseño La investigación en diseño -conceptos básicos -estrategias y tácticas en la búsqueda de información OBSERVACIÓN CUANTITATIVA -Mide 1,75 metros de altura. -Comen 6 comidas al día. -Irá a votar un 53% de

Más detalles

TweetAlert: Sistema de Análisis Semántico de la Voz de los Ciudadanos en Redes Sociales en la Ciudad del Futuro

TweetAlert: Sistema de Análisis Semántico de la Voz de los Ciudadanos en Redes Sociales en la Ciudad del Futuro TweetAlert: Sistema de Análisis Semántico de la Voz de los Ciudadanos en Redes Sociales en la Ciudad del Futuro Julio Villena-Román 1,2, Adrián Luna-Cobos 1,3, José Carlos González-Cristóbal 3,1 1 DAEDALUS

Más detalles

Texto, imágenes, video Hiperenlaces Archivo log

Texto, imágenes, video Hiperenlaces Archivo log Web Mining Web Mining Aplicación técnicas data mining sobre datos que Web Descubrimiento automático información útil de documentos y servicios Web Texto, imágenes, video Hiperenlaces Archivo log Netcraft

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS...2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA...7 Tarea DSI 1.1: Definición de Niveles de Arquitectura...9 Tarea DSI 1.2:

Más detalles

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA... 7 Tarea DSI 1.1: Definición de Niveles de Arquitectura... 9 Tarea DSI

Más detalles

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

TP 3 Objetivo: Sobre el problema de investigación respecto de la empresa y producto servicio seleccionado en el TP2 elegir una pieza de marketing o

TP 3 Objetivo: Sobre el problema de investigación respecto de la empresa y producto servicio seleccionado en el TP2 elegir una pieza de marketing o TP 3 Objetivo: Sobre el problema de investigación respecto de la empresa y producto servicio seleccionado en el TP2 elegir una pieza de marketing o de publicidad existente (o desarrollar una nueva) y/o

Más detalles

Data Mining. Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014

Data Mining. Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014 Data Mining Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014 Outline La información y el proceso KDD 1 La información y el proceso

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

CREA TU WEB CON WORDPRESS

CREA TU WEB CON WORDPRESS CREA TU WEB CON WORDPRESS Índice de contenidos CREA TU WEB CON WORDPRESS...3 Presentación...3 Índice del curso:...4 Estructura y funcionamiento del curso...5 Metodología...6 Evaluación...7 Certificados...7

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

Los puntos de contacto en el proceso de compra. Pepe Tomé. www.pepetome.com

Los puntos de contacto en el proceso de compra. Pepe Tomé. www.pepetome.com Los puntos de contacto en el proceso de compra Pepe Tomé Mayo 2013 Introducción En Junio del 2009, McKinsey realizó el estudio The consumer decision journey, en él que a través de 20.000 encuestas entre

Más detalles

MÓDULO / UNIDAD 4. Tipos de Investigación

MÓDULO / UNIDAD 4. Tipos de Investigación MÓDULO / UNIDAD 4 Tipos de Investigación UNIDAD 4 TEMARIO GENERAL de la Clase 4 1. Metodologías de Investigación: Cuantitativo y Cualitativo 2. Tipos de investigación de mercados 3. Diseños exploratorios,

Más detalles

Visión global del KDD

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

Más detalles

Programación orientada a

Programación orientada a Programación orientada a objetos con Java Pedro Corcuera Dpto. Matemática Aplicada y Ciencias de la Computación Universidad de Cantabria corcuerp@unican.es Objetivos Presentar los conceptos de la programación

Más detalles

Web mining y obtención de información para la generación de

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

Más detalles

YOLANDA SELENE MARTÍNEZ RODRÍGUEZ

YOLANDA SELENE MARTÍNEZ RODRÍGUEZ INVESTIGACIÓN DE MERCADOS YOLANDA SELENE MARTÍNEZ RODRÍGUEZ PROPÓSITO DE IM El propósito de la investigación de mercados consiste en dar apoyo a la toma de decisiones de marketing. El marketing puede ser

Más detalles

La base de un sitio se desarrolla sobre el objetivo, debemos definir que producto o servicio se va a promocionar.

La base de un sitio se desarrolla sobre el objetivo, debemos definir que producto o servicio se va a promocionar. Nosotros Somos un grupo de jóvenes profesionales de distintas áreas que trabajan de manera incansable y con una premisa muy clara: ofrecer al cliente un servicio de comunicación diferencial basado íntegramente

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

El Libro del posicionamiento en buscadores Por David de Ugarte

El Libro del posicionamiento en buscadores Por David de Ugarte El Libro del posicionamiento en buscadores Por David de Ugarte Índice Introducción: Verdad y mentira del posicionamiento en buscadores Parte I: Cómo funcionan los grandes motores de búsqueda? 1. Buscadores,

Más detalles

OLAP y Minería de Datos: Introducción

OLAP y Minería de Datos: Introducción OLAP y Minería de Datos: Introducción Carlos Hurtado L. churtado@dcc.uchile.cl Departamento de Ciencias de la Computación Universidad de Chile OLAP y Minería de Datos: Introducción, DCC, U. de Chile, 2do

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

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Emmanuel Anguiano-Hernández Abril 29, 2009 Abstract Tratando de mejorar el desempeño de un clasificador Naive

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

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

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

Quantus - HELP DESK. Quantus - Help Desk. Informes de Gestión Los informes de gestión permiten la visión detallada de la situación actual

Quantus - HELP DESK. Quantus - Help Desk. Informes de Gestión Los informes de gestión permiten la visión detallada de la situación actual Quantus - Help Desk es la herramienta informática para toda organización que desea administrar su departamento de mesa de ayuda. Quantus - HELP DESK Quantus - Help Desk es la mejor opción para su organización,

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

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

CERTIFICACIÓN DE ASISTENTE DE MARKETING

CERTIFICACIÓN DE ASISTENTE DE MARKETING CERTIFICACIÓN DE ASISTENTE DE MARKETING OBJETIVO Lograr que los jóvenes participantes estén capacitados para ser parte del departamento de Marketing de una empresa, aportando todos los conocimientos para

Más detalles

comprendiendo el comportamiento del consumidor hoy para la publicidad de mañana

comprendiendo el comportamiento del consumidor hoy para la publicidad de mañana comprendiendo el comportamiento del consumidor hoy para la publicidad de mañana Deberían recordarse más marcas online MARCAS SITIOS 8.192 Campañas publicitarias en una semana en todos los medios Q4a1 Qué

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

PUBLICAR EN LA RED. Ponente: Javier Paricio Rodríguez

PUBLICAR EN LA RED. Ponente: Javier Paricio Rodríguez PUBLICAR COSTE MEDIO DE DISTRIBUCION EQUIPO FORMATO PUBLICAR COSTE MEDIO DE DISTRIBUCION EQUIPO FORMATO PUBLICAR COSTE MEDIO DE DISTRIBUCION EQUIPO FORMATO PUBLICAR COSTE MEDIO DE DISTRIBUCION EQUIPO FORMATO

Más detalles

Gerencia de Comunicaciones. Te tenemos identificado!

Gerencia de Comunicaciones. Te tenemos identificado! Te tenemos intificado! Para qué queremos conocer al consumidor? Objetivo final : Desarrollar acciones rentables para nuestras compañías Cómo lo logramos? Consumer Insights Comprensión profunda los seos

Más detalles

7 trucos para describir un puesto de trabajo de forma irresistible

7 trucos para describir un puesto de trabajo de forma irresistible Soluciones para selección de personal 7 trucos para describir un puesto de trabajo de forma irresistible Descripciones de puestos de trabajo estelares = Candidatos estelares Índice de contenidos Truco

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

Y QUÉ PUEDO HACER CON EVENBETTER? (GUÍA BÁSICA DE USO Y BUENAS PRÁCTICAS)

Y QUÉ PUEDO HACER CON EVENBETTER? (GUÍA BÁSICA DE USO Y BUENAS PRÁCTICAS) Y QUÉ PUEDO HACER CON EVENBETTER? (GUÍA BÁSICA DE USO Y BUENAS PRÁCTICAS) ÍNDICE Para qué usar EvenBetter?... 1 Cómo uso EvenBetter?... 2 Para qué no lo debo usar?... 2 Por qué es bueno usar EvenBetter?...

Más detalles

Ejercicio Tutorial UCINET VI

Ejercicio Tutorial UCINET VI Ejercicio Tutorial UCINET VI Curso de Especialización en Análisis y Gestión de Redes Sociales José Ignacio Porras Mayo 2005 UCINET 6 for Windows Version 6.26 / 30 May 2003 NetDraw1.0: Copyright 2002 -----

Más detalles

AVS. Asistente Virtual Semántico. Asistente Virtual Semántico

AVS. Asistente Virtual Semántico. Asistente Virtual Semántico AVS Asistente Virtual Semántico Asistente Virtual Semántico I N F O R M A C I Ó N P A R A S U S C L I E N T E S, V A L O R P A R A S U N E G O C I O. Agenda de la presentación Qué es un Asistente Virtual?

Más detalles

Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal

Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal Reporte final Ricardo Omar Chávez García Instituto Nacional de Astrofísica Óptica y Electrónica, 72840

Más detalles

Métricas de complejidad para la transformación del problema de detección de cáncer basado en

Métricas de complejidad para la transformación del problema de detección de cáncer basado en Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49 Índice 1 Planteamiento

Más detalles

Proceso de Investigación de mercados

Proceso de Investigación de mercados Proceso de Investigación de mercados Objetivos Proporcionar una vision general de las etapas del proceso de Investigación de mercados Atender el deseo de precisar como es un proyecto de investigacion de

Más detalles

Manual de usuario. Grupo de investigación Lexicon. Universidad de Granada.

Manual de usuario. Grupo de investigación Lexicon. Universidad de Granada. Manual de usuario Grupo de investigación Lexicon. Universidad de Granada. EcoLexicon Introducción ECOLEXICON es una base terminológica de conocimiento sobre el medioambiente. La base de conocimiento fue

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

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

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

Data & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes:

Data & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes: Data & Text Mining Exponentes: - Dr. Jorge Bacallao Guerra - Ing. Ramón Martinez - Ing. José Villanueva Agosto del 2012 Introducción o Porqué es necesario utilizar data mining o Que ésdata miningy qué

Más detalles

Registro (record): es la unidad básica de acceso y manipulación de la base de datos.

Registro (record): es la unidad básica de acceso y manipulación de la base de datos. UNIDAD II 1. Modelos de Bases de Datos. Modelo de Red. Representan las entidades en forma de nodos de un grafo y las asociaciones o interrelaciones entre estas, mediante los arcos que unen a dichos nodos.

Más detalles

ü Importancia ü Relevancia ü Cómo aprovechar las redes sociales

ü Importancia ü Relevancia ü Cómo aprovechar las redes sociales Las Redes Sociales son formas de interacción social, definida como un intercambio dinámico entre personas, grupos e instituciones en contextos de complejidad. Un sistema abierto y en construcción permanente

Más detalles

UNIDAD No. 2 MARKETING ESTRATÉGICO - SEGMENTACIÓN DE MERCADOS

UNIDAD No. 2 MARKETING ESTRATÉGICO - SEGMENTACIÓN DE MERCADOS UNIDAD No. 2 MARKETING ESTRATÉGICO - SEGMENTACIÓN DE MERCADOS MARKETING ESTRATÉGICO: Muchas empresas nacen de la idea de un emprendedor que ha identificado una oportunidad para satisfacer una necesidad

Más detalles

Tú tienes preguntas. Nosotros tenemos respuestas! Configurar tus campañas para tener éxito. Llegar a la audiencia adecuada con la segmentación

Tú tienes preguntas. Nosotros tenemos respuestas! Configurar tus campañas para tener éxito. Llegar a la audiencia adecuada con la segmentación Tú tienes preguntas. Nosotros tenemos respuestas! Tanto si estás empezando con tu campaña como si necesitas nuevas formas de optimizar tus Tweets, aquí tienes la guía de los recursos que te ayudarán a

Más detalles

Pregunta de investigación y métodos de recogida de datos

Pregunta de investigación y métodos de recogida de datos INVESTIGACIÓN-ACCIÓN: FASE REFLEXIVA Pregunta de investigación y métodos de recogida de datos Investigación educativa en el ámbito de la Tecnología y la Informática Contenido } Introducción } Métodos de

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

SISTEMA DE INFORMACION GERENCIAL. Lic.Patricia Palacios Zuleta

SISTEMA DE INFORMACION GERENCIAL. Lic.Patricia Palacios Zuleta SISTEMA DE INFORMACION GERENCIAL Lic.Patricia Palacios Zuleta Pentaho Open BI Suite La suite Pentaho cubre principalmente las siguientes áreas: integración de datos, reportes, análisis, alertas y dashboards,

Más detalles

Digital PORTAFOLIO DE SERVICIOS INTERNET Y NEGOCIOS

Digital PORTAFOLIO DE SERVICIOS INTERNET Y NEGOCIOS Digital PORTAFOLIO DE SERVICIOS INTERNET Y NEGOCIOS Sabiendo el Destino Creamos el Camino quienes somos Somos el grupo que representa la nueva tendencia en comunicación mundial, hacia la que agencias y

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

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

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

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Investigación de mercados aplicada a la estrategia online

Investigación de mercados aplicada a la estrategia online Investigación de mercados aplicada a la estrategia online Sinopsis Si pensamos en Internet como un canal de alto potencial a explotar por las empresas, lo primero que nos tenemos que plantear es la estrategia

Más detalles

Resumen Primeros Pasos sobre el Posicionamiento Web

Resumen Primeros Pasos sobre el Posicionamiento Web Resumen Primeros Pasos sobre el Posicionamiento Web Estudiar el pasado del dominio en archive.org y en http://mxtoolbox.com/blacklists.aspx Hacer una lista de posibles palabras claves para posicionar Verificar

Más detalles

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012 Bases de Datos Documentales Curso 2011/2012 Miguel Ángel Rodríguez Luaces Laboratorio de Bases de Datos Universidade da Coruña Introducción Hemos dedicado la primera mitad del curso a diseñar e implementar

Más detalles

Redes Bayesianas para predecir riesgo de plomo en sangre de puérperas y neonatos

Redes Bayesianas para predecir riesgo de plomo en sangre de puérperas y neonatos Redes Bayesianas para predecir riesgo de plomo en sangre de puérperas y neonatos Autores A.M. Sancho 1,2 ; V. Messina 3 ; M. Cuevas 4 ; I. Sattolo 2 ; R.Dante 1 ; A. Ricca 1, y L. De Oto 2 RESUMEN Las

Más detalles

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA PROGRAMACIÓN DIDACTICA ANUAL Parte específica del módulo: 0485. Programación Departamento de Familia Profesional de Informática Curso: 2014-15

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

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

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

Quienes somos? Queremos hacer que las cosas realmente pasen!

Quienes somos? Queremos hacer que las cosas realmente pasen! Por qué Nexus? Cuando hablamos de Nexus (Sig. Nexo), nos referimos a la combinación o relación de dos sucesos o entes para crear un significado solido. Somos una agencia de publicidad que presta sus servicios

Más detalles

press pack social media monitoring twitter facebook insta

press pack social media monitoring twitter facebook insta websays social media monitoring twitter facebook insta cities machine learning dashboard natural lang igital reputation smart cities machine learning dashboard natural language processing twitte facebook

Más detalles

Memoria de resultados. Convocatoria de Innovación Docente Curso 2011-2012. Universidad de Salamanca. 29 de junio de 2012

Memoria de resultados. Convocatoria de Innovación Docente Curso 2011-2012. Universidad de Salamanca. 29 de junio de 2012 Herramienta de analítica visual para el seguimiento de la actividad de los estudiantes de asignaturas de Ingeniería del Software en el Campus Virtual Studium (ID11/013) Convocatoria de Innovación Docente

Más detalles

Tecnologías de Información y Comunicación II

Tecnologías de Información y Comunicación II Tecnologías de Información y Comunicación II WEB MINING WEB MINING Como Concepto Webmining es una metodología de recuperación de la información que usa herramientas de la minería de datos para extraer

Más detalles

Joomla!: La web en entornos educativos. Capítulos 7 y 8

Joomla!: La web en entornos educativos. Capítulos 7 y 8 Joomla!: La web en entornos educativos Capítulos 7 y 8 Material actualizado a septiembre de 2012 Índice Índice de contenido 7. Menús...109 7.1. Introducción...109 7.2. Gestión de menús...109 7.3. Gestión

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

1 Quiénes somos? 2 Comencemos

1 Quiénes somos? 2 Comencemos 1 Quiénes somos? 2 Comencemos 2.1. Boletín Semanal 2.2. Presencia en internet 2.3. Perfiles vs Página web 3 Servicios 3.1. Diseño y Desarrollo web 3.2. Responsive web design 3.3. Tienda online 3.4. Aplicaiones

Más detalles

Hootsuite se define como más que una empresa de medios sociales

Hootsuite se define como más que una empresa de medios sociales Hootsuite Hootsuite se define como más que una empresa de medios sociales Su fundador y ejecutivo principal dice: Social isour DNA. No somos sólo una plataforma para redes sociales. No somos sólo una compañía

Más detalles

Catálogo de Cursos. Cursos de Gestión Empresarial. www.edduca.com

Catálogo de Cursos. Cursos de Gestión Empresarial. www.edduca.com 2015 Catálogo de Cursos Cursos de Gestión Empresarial www.edduca.com GESTIÓN EMPRESARIAL REFERENCIA DESCRIPCIÓN HORAS FORM042 Máster en Dirección de Ventas 600 h FORM047 La estrategia de Ventas 56 h FORM048

Más detalles