Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM).

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

Download "Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM)."

Transcripción

1 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Mineria de Datos Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM).

2 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Subtitulo de la presentación Las posibilidades de entrenar el pensamiento son infinitas y sus consecuencias son eternas. Pocos hacen el esfuerzo para dirigir su pensamiento hacia los canales que les benefician. La mayoría lo dejan al azar. Orison Swett Marden

3 Motivación: La necesidad es la madre de la Invención Cantidades enormes de datos han sido almacenadas Web data, e-commerce Tiendas de departamento/ tiendas de abarrotes Bancos/Tarjetas de Crédito transacciones Los Computedores cada vez son más baratos y poderosos La dura presión de la competencia Proporcionar un mejor servicio, servicvios personalizados (e.g. in Customer Relationship Management, CRM)

4 Nuevas Necesidades Memoria de la organización. Explicar el pasado Tiempo Entender el Presente Predecir la información Futura Método tradicional. Objetivo: Convertir datos en conocimiento???

5 Tecnología de Bases de Datos Antes El análisis de los datos Ahora Leguajes generalistas de consulta Sobre la base de datos operacional, es decir, junto al proceso transaccional en línea (On-Line Transaction Processing, OLTP.) de las aplicaciones de gestión Nueva arquitectura: Bases de datos data warehouse. Almacén de datos, repositorio de fuentes heterogéneas de datos, integrados y organizados. Soporte a la toma de decisiones. Generación de informes poco flexibles y poco escalables a grandes volúmenes de datos. Operaciones de Procesamiento analítico en línea (On-line Analytical Processing, OLAP)

6 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Subtitulo de la presentación Qué es la Minería de Datos? Data mining (knowledge discovery in databases): Extracción de conocimiento(no-trivial, implícita, previamente desconocida y potencialmente útil) información o patrones de datos en grandes bases de datos

7 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Minería de Datos Ejemplos y Contraejemplos alrededor de la Minería de Datos Contraejemplos Búsqueda de un número telefónico en el directorio de páginas amarillas Consultar un motor de búsqueda en la WEB, para obtener información a cerca de AMAZON Ejemplos Encontrar que ciertos apellidos son más prevalentes en una regiones(marrugo, Espinosa, Puello y Quintana en la región Caribe) Conjunto similar de documentos devuelto por un motor de búsqueda de acuerdo a su contexto (e.g. Amazon rainforest, Amazon.com,)

8 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Ejemplo 1. tiro Una entidad financiera desea saber que características tienen sus clientes más propensos a la compre de un producto de acuerdo al comportamiento de la últimas campañas llevadas a cabo. Objetivo: Predecir grupos de clientes más propensos a la adquisición de un producto Variables Utilizadas TC y TD Transaccionales ( Valor, No. Tx, Tendencias,% uso cupo) Pasivos y Activos Tenencias Saldos Demográficos Antigüedad Segmento Edad Género, etc.

9 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Objetivos (para el ejemplo 1) Desarrollar un modelo predictivo de propensión a la adquisición de seguro vital. Identificar los clientes con una mayor propensión para optimizar la tasa esperada de respuesta en la oferta del producto. Antecedentes Análisis sobre los clientes dados de alta en campañas realizadas del periodo de mes 1 a Mes 2. La base del análisis cuenta con registros. 7,7% tasa de respuesta. Se seleccionó el modelo con mejor rendimiento estadístico : Regresión logística. La categoría que se modela es de alta en el producto.

10 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Histórico Definición de las variables explicatorias Histórico de 12 meses hacia atrás, para cada cliente. Fecha de Alta Enero 1 Para los clientes que se dieron se alta Enero en el producto se toma la fecha en que se dio tal suceso como fecha de partida para determinar la transaccionalidad. Para los clientes que NO se dieron se alta en el producto se toma la fecha mediana de la ventana de estudio, Noviembre 2011 a Febrero 2012, correspondiente al primero de Enero de 2012

11 Regresión Logística Ecuación de la regresión Lineal simple Forma de una Regresión Logística Transformación Logìt log [ y / (1 - y)] = b 0 + b 1 x 1 +b 2 x 2 + b 3 x b n x n

12 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Tabla Final para elaborar el modelo

13 Procesamiento de la Informaciòn SAS Guide

14 SAS Miner

15 Partición de la Data Entrenamiento Validación 50% ò 70% 50% ò 30%

16 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Variables Significativas del modelo Resultaron significativas variables de transaccionalidad en Tarjeta de Crédito y Débito (6-9). Relacionadas al consumo (1 y 3) y a la Edad (4). También definen al modelo las Interacciones entre la edad con la línea de crédito (2), por un lado y con el Pasivo(5) por el otro. Todas ellas con una significancia menor al 0.01%. Probabilidad Chi-Cuadrado. Iden Efecto Grados libertad Chi_cuadrado.Wald Pr > ChiSq 1 CONSUMO Proporciòn Uso Cupo ,8869 < Radio.Total Activos - Edad ,019 < CONSUMO Total Valor ,3141 < EDAD ,8204 < Radio.Pasivo-Edad ,7913 < TC Total Nùmero Tx ,328 < TD Media Nùmero Tx 3 975,9823 < TD Media Valor Tx 3 492,4136 < TD Total Valor Tx 3 664,4899 < Tenencia TC ,2827 <.0001 Extremadamente significativas. Número de niveles de la variable menos 1. Ejemplo Tenencia de TC (10), cuenta con 2 niveles (Si o No), por lo tanto presenta solo 1 grado de libertad

17 Validación DIPLOMADO GERENCIA MARKETING del Modelo. Y SERVICIO AL CLIENTE Subtitulo de la presentación Análisis de DECILES El análisis de deciles muestra la habilidad del modelo para ordenar los clientes por su comportamiento de propensión. El objetivo del modelo es hacer un ranking de los clientes a fin de distinguir los propensos en los deciles más bajos. Deciles Entrenamiento Prospectos Probabilidad Pronòsticada Porcentaje Propensos TOP , , , , , , , , , , , , , , , , , , , ,00959 Total , ,09823 Deciles En este modelo el mejor decil (0,32060) pronostica 33 veces más adecuado que el peor decil ( ) Validación Prospectos Probabilidad Pronòsticada Porcentaje Propensos TOP , , , , , , , , , , , , , , , , , , ,0131 0,01057 Total ,0985 0,09823 En la validación del modelo el mejor decil (0,31) pronostica 29 veces más adecuado, que el peor decil (0.011)

18 Validación del Modelo. DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Subtitulo de la presentación Entrenamiento Análisis de DECILES Deciles Prospectos % Prospectos Probabilidad Pronòsticada % Propensos % Acum. Propensos % del Total de Propensos Propensos Propensos Acum. % Acum. de Propensos capturados LIFT LIFT ACUMULADO TOP % 35,0% 32,1% 32,1% ,6% ,6% % 16,3% 18,8% 25,4% ,2% ,8% % 12,5% 14,5% 21,8% ,8% ,6% % 9,4% 11,2% 19,2% ,4% ,0% % 6,1% 4,3% 16,2% ,4% ,4% % 5,5% 4,9% 14,3% ,0% ,4% % 4,8% 5,0% 13,0% ,1% ,5% % 4,2% 4,7% 11,9% ,8% ,2% % 3,1% 1,8% 10,8% ,8% ,0% % 1,3% 1,0% 9,8% 897 1,0% ,0% Total % 9,8% 9,8% ,0% Los clientes en el decil TOP, tienen 351% mayor verosimilitud a ser propensos, que el promedio. En cada decil se puede estimar el número de propensos para un determinado corte de la base" o acumulando desde el decil TOP a un decil designado. Si tenemos en cuenta el valor de decil 4, podemos decir que el porcentaje promedio propensos acumulado es 19.2%. El modelo selecciona el 51.8% de los clientes propensos en el decil 2.

19 80% DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Indice ROC estadìstica K-S Coeficiente de Gini 0,77 0,44 0,53 Los índices ROC, K-S y Gini, indican una buena discriminación del modelo entre propensos y no propensos. Mientras que si se toma al azar el 40% de la base, para identificar el 40% de propensos, el modelo a esta altura ha capturado más del 80% de clientes propensos. Similar comportamiento se presenta en la muestra de validación

20 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Etapas para la selección del modelo A medida que ingresan variables al modelo disminuye de manera vertiginosa el error cuadrático medio. La reducción del ECM, se comporta similarmente para las muestras de entrenamiento y validación. Hasta el ingreso de la variable 15(Activo_Medio /la edad), la disminución del error es importante. 5(Radio Activo_Medio /la edad),

21 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Ajuste del Modelo. Las medidas de ajuste todas son congruentes para la muestra de validaciòn.

22 Niveles o cortes que incrementan la probabilidad de propensión, su odss ratio, es mayor a 1. Ejemplo: En la Proporción de Uso del Cupo Consumo, se tiene que en el nivel 02 el odds es 2.19 y significa que los clientes en este nivel son 2 veces y poco (219%) más probables de ser propensos que los de la categoría 1 Niveles que disminuyen la probabilidad de propensión. Ejemplo : la categoría 2 del ratio, Activos -Edad, presenta un odds de 0.895, menor a 1. Indica que el tener este ratio en el nivel 2, disminuye la probabilidad de propensión en un 26.4% DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Subtitulo de la presentación Iden Efecto Niveles ODSS 1 2 CONSUMO Proporciòn Uso Cupo Radio.Total Activos - Edad 3 CONSUMO Total Valor 4 EDAD 5 Radio.Pasivo - Edad TC Total Nùmero Tx TD Media Nùmero Tx TD Media Valor Tx 9 TD Total Valor Tx 10 Tenencia TC 01:Cero -hasta E-8 1,000 02: E ,190 03: ,104 04: Uno 2,190 01:Cero ,895 02: ,736 03: ,134 04: Màximo 1,000 01:low , MISSING 1,539 02: ,446 03: high 1,000 01:low , : ,777 03:51.5-high 1,000 01:low ,592 02: high 1,000 01:low -1 0,795 02:1-high 1,000 01:low ,55 02: ,735 03: ,985 04: high 1,000 01:low ,777 02: ,763 03: ,091 04: high 1,000 01:low , MISSING 1,461 02: ,983 03: ,811 04: high 1, , ,000

23 Red neuronal Entender el cerebro y emular su potencia Inspirada en las redes neuronales biológicas Métodos Inductivos: a partir de ejemplos

24 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE La triste verdad sobre la asociación de la cerveza y los pañales infantiles Ejemplo 2 Cross Sell and Up Sell Market Basket Analysis. Por eso no se sorprenda si encuentra pacas de cerveza al lado de pañales desechables!!!

25 DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Objetivo: Identificar productos que son comprados conjuntamente por muchos clientes Regla: Si un cliente que compra Pañales y Lecha es bastante probable que compre Cerveza. Cómo puede ayudar este conocimiento en el mejoramiento de las ventas? Pañales Leche Cerveza Leche Cerveza Pañales Leche Cerveza Pañales Cerveza Pañales Leche Pan Pañales Leche Cerveza

26 Reglas son obtenidas del árbol y son replicadas en conjuntos de datos futuros DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Árbol de decisiones

27 Ejemplo 3. Segmentación de los solicitantes de crédito a un banco usando análisis factorial múltiple XVIII Simposio Colombiano de Estadística Estadística en la industria y los negocios Cartagena de Indias, agosto 11 al 15 de 2008 Se presenta la implementación del análisis factorial múltiple como metodología previa a una clasificación de solicitantes de crédito en una entidad bancaria del país en Bogotá. Se obtienen tres clases utilizando las características sociodemográficas y económicas (cinco variables cuantitativas y seis cualitativas), que las personas suministran al Banco al diligenciar las solicitudes de crédito. En las clases obtenidas se encuentran diferencias en sus porcentajes de clientes y en sus distribuciones de tipos de crédito.

28 Metodología

29 Proyección de la nube de puntos de individuos en el primer plano factorial

30 Caracterización de las clases Clase 1 (tabla 3) Las 461 personas que hacen parte de este grupo, correspondientes al 7.8% de la población, se caracterizan por poseer vivienda sin hipoteca (74.6%); ser personas jubiladas, religiosas, amas de casa o rentistas (94.6%); casadas o viudas (75.7%); y además el 52.9% tienen una persona que depende económicamente de ellos. La edad promedio de este grupo es 60.5 años, los ingresos oscilan alrededor de millones, habiendo trabajado en promedio 17 años y tienen una antigüedad en la vivienda en promedio de siete años. Por las características anteriormente descritas, asignaremos a este grupo el nombre de Adultos mayores estables.

31 Caracterización de las clases Clase 2 Este grupo lo conforman 1744 individuos, correspondientes al 29.7% de la población, los cuales son en su mayoría hombres (64.2%), casados (64.6%) y poseen vivienda sin hipoteca (61.5%). El 86% son comerciantes, abogados, administradores, psicólogos entre otros, cuyo contrato es de carácter independiente. Los individuos de este grupo han trabajado en promedio 8.4 años en su empleo actual, y están alrededor de los 50.8 años de edad además de residir en la misma vivienda aproximadamente 4.4 años. De acuerdo con estos resultados, el nombre apropiado para este grupo es: Independientes estables.

32 Caracterización de las clases Clase 3 Al siguiente segmento identificado pertenecen 3655 clientes que corresponden al 62.3% de la población, conformado por un 50.5% de mujeres, 27.5% de personas solteras y 59.6% de individuos que habitan aproximadamente hace 3.6 años en vivienda familiar, con hipoteca o rentada; son clientes empleados con contrato temporal o a término indefinido. El promedio de edad de este grupo es de 43 años y su antigüedad en el empleo actual es de 8.4 años en promedio. Teniendo en cuenta estas características, se asigna el nombre Empleados inestables.

33 Software para Minería de datos SAS Básico SAS Guide SAS Miner Modeler Software libre

34 R Software Libre para Minería de datos Para Bajar R:

35 MINERÍA DE DATOS: CONFLUENCIA DE MÚLTIPLES DISCIPLINAS Database Technology Statistics Machine Learning Data Mining Visualization Information Science Other Disciplines

36 DATA MINING: A KDD PROCESS Data mining: the core of knowledge discovery process. Pattern Evaluation Task-relevant Data Data Selection Data Preprocessing Data Warehouse Data Cleaning Data Integration Data Mining Databases

37 MINERÍA DE DATOS Y LA INTELIGENCIA DE NEGOCIOS Increasing potential to support business decisions Making Decisions End User Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration Statistical Analysis, Querying and Reporting Business Analyst Data Analyst Data Warehouses / Data Marts OLAP, MDA Data Sources Paper, Files, Information Providers, Database Systems, OLTP DBA

38 CONCLUSIONES

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

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

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

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

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: Introducción a la Inteligencia de Negocios Hitos y personajes Arquitectura de BI Evolución de la Información Inteligencia de Negocios (BI)

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

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

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

Más detalles

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

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

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

Sistemas de Información 12/13 La organización de datos e información

Sistemas de Información 12/13 La organización de datos e información 12/13 La organización de datos e información Departamento Informática e Ingeniería de Sistemas Universidad de Zaragoza (raqueltl@unizar.es) " Guión Introducción: Data Warehouses Características: entornos

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

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

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile. Los futuros desafíos de la Inteligencia de Negocios Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.cl El Vértigo de la Inteligencia de Negocios CRM: Customer

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

PRESENTACION FONDOS DE EMPLEADOS.

PRESENTACION FONDOS DE EMPLEADOS. PRESENTACION FONDOS DE EMPLEADOS. MODULO SCORING. La Superintendencia Financiera de Colombia (SFC) mediante la Carta Circular 31 y la Circular Externa 11 de 2002, exige que todas las instituciones financieras

Más detalles

Scoring: Construcción y Aplicación

Scoring: Construcción y Aplicación Scoring: Construcción y Aplicación Agosto de 2014 2014 Experian Information Solutions, Inc. All rights reserved. Experian and the marks used herein are service marks or registered trademarks of Experian

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

INTELIGENCIA DE NEGOCIO 2014-2015

INTELIGENCIA DE NEGOCIO 2014-2015 INTELIGENCIA DE NEGOCIO 2014-2015 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos. Ciencia de Datos Tema 4. Modelos de Predicción: Clasificación,

Más detalles

INTELIGENCIA DE NEGOCIO 2015-2016

INTELIGENCIA DE NEGOCIO 2015-2016 INTELIGENCIA DE NEGOCIO 2015-2016 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos. Ciencia de Datos Tema 4. Modelos de Predicción: Clasificación,

Más detalles

CRM Analítico en Telecom Personal

CRM Analítico en Telecom Personal CRM Analítico en Telecom Personal Ramiro Solana Gerente de Sistemas de Inteligencia del Negocio Grupo Telecom 14,5 millones de clientes ( 15 %) Market Share: 30,7% Líder en Smartphones Productos: Factura

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

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

SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR

SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR SOFISTICACION ANALITICA PARA EL CONOCIMIENTO DEL CLIENTE Y PERSONALIZACIÓN DE LA PROPUESTA DE VALOR Carlos Mendoza Astroz SAS INSTITUTE Domain Expert carlos.mendoza@sas.com AGENDA 1. La nueva visión del

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

BUSINESS INTELLIGENCE SYSTEMS (BIS)

BUSINESS INTELLIGENCE SYSTEMS (BIS) SEMINARIO BUSINESS INTELLIGENCE SYSTEMS (BIS) Una nueva filosofía de Management cuyo objetivo consiste en... Capturar, diseminar y reusar el conocimiento disperso que poseen las organizaciones y que junto

Más detalles

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales DIPLOMADOS Colección: Postales Universidad de Chile Diplomado en Business Intelligence 2015 Por qué La Universidad de Chile? No cualquier Diplomado No cualquier Universidad Es la institución de educación

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

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Inteligencia de Negocios Introducción Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Agenda 1.Introducción 2.Definición 3.ETL 4.Bodega de Datos 5.Data Mart

Más detalles

Clase 1 Módulo: Data Warehouse & Datamart Docente: Gustavo Valencia Zapata

Clase 1 Módulo: Data Warehouse & Datamart  Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: El Rol de TI en BI BI Retos de TI en BI Evolución de la Información Arquitectura de BI Referencias www.gustavovalencia.com Evolución de la

Más detalles

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

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

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

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

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

ESTRATEGIAS DIRECTIVAS

ESTRATEGIAS DIRECTIVAS ESTRATEGIAS DIRECTIVAS CRM: Estrategia de Negocios que Crea Valor Ing. Víctor M. Ornelas P. y Lic. Víctor M. Ornelas O. La Alta Dirección de las empresas se encuentra en una búsqueda continua de crear

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

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

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

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL CONFIGURACIÓN DE LA OFERTA DE PRODUCTOS HOGAR PARA CLIENTES RESIDENCIALES DE UNA EMPRESA DE TELECOMUNICACIONES

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

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

Presentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática

Presentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática Presentación Introducción a las técnicas de reconocimiento de patrones Materia de doctorado en ingeniería/informática Tópicos de minería de datos Materia optativa de LCC Docente: Pablo M. Granitto Horarios:

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas

Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas para la Gestión Unidad 3 Aplicaciones de Sistemas U.N.Sa. Facultad de Cs.Económicas SIG 2010 UNIDAD 3: APLICACIONES DE SISTEMAS Aplicaciones empresariales: Sistemas empresariales. Sistemas de administración

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

ENSIA 605 Inteligencia de Negocios y Minería de Datos

ENSIA 605 Inteligencia de Negocios y Minería de Datos ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías

Más detalles

Por: Tito Neira, Gerente Inteligencia de Mercados. Monetización de la Información

Por: Tito Neira, Gerente Inteligencia de Mercados. Monetización de la Información Por: Tito Neira, Gerente Inteligencia de Mercados Monetización de la Información El análisis correcto El paso indicado La mejor decisión» Un solo lugar Monetización de la Información Quiénes Somos Estado

Más detalles

PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010. Tesys. Marketing D2D

PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010. Tesys. Marketing D2D PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010 Tesys CARACTERISTICAS DE LA PROPUESTA VISION : Dar soporte a la organización en las tareas de inteligencia comercial y manejo de datos. MISION

Más detalles

SAS Business Analytics

SAS Business Analytics SAS Business Analytics Montevideo, 2 de Agosto de 2012 Fernando Mogetta Gerente de Consultoría de Negocios La empresa Años de experiencia 36 Instalaciones +45,000 1 o Empresa privada de software más grande

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

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

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

Más detalles

SIROCO SIROCO. Desarrolla clientes. EOI CSIN Andrés Gómez Mario Peñas Julio López José María Acevedo Juan Manuel Monterroso Esteban Mate

SIROCO SIROCO. Desarrolla clientes. EOI CSIN Andrés Gómez Mario Peñas Julio López José María Acevedo Juan Manuel Monterroso Esteban Mate SIROCO Desarrolla clientes EOI CSIN Andrés Gómez Mario Peñas Julio López José María Acevedo Juan Manuel Monterroso Esteban Mate Índice del proyecto SIROCO Planteamiento del caso y análisis de la situación

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

Facultad de Ciencias

Facultad de Ciencias Facultad de Ciencias Trabajo Fin de Grado Grado en Estadística Métodos de predicción de fuga con grandes volúmenes de datos Autor: D. Raquel García Fernández Tutor/es: D. Eusebio Arenal Gutiérrez Página

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

ESTRATEGIAS DIRECTIVAS

ESTRATEGIAS DIRECTIVAS ESTRATEGIAS DIRECTIVAS Estrategias de 1 a 1 Víctor M. Ornelas P. La Alta Dirección de las empresas busca crear valor para los accionistas principalmente a través de promover las ventas y mejorar los márgenes

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

Programa Internacional Business Intelligence

Programa Internacional Business Intelligence Fecha de inicio: 18 de junio de 2012 Programa Internacional Business Intelligence En un ambiente globalizado y de alta competitividad entre las empresas, la adecuada administración del capital intelectual

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

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

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

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

Business Intelligence

Business Intelligence 2012 Business Intelligence Agenda Programas Diferencias de OLTP vs OLAP Arquitectura de una solución de BI Tecnologías Microsoft para BI Diferencias entre OLTP v/s OLAP Alineación de Datos OLTP Datos organizados

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

APROVECHE LA INFORMACIÓN DE SU EMPRESA Y AUMENTE SUS VENTAS

APROVECHE LA INFORMACIÓN DE SU EMPRESA Y AUMENTE SUS VENTAS APROVECHE LA INFORMACIÓN DE SU EMPRESA Y AUMENTE SUS VENTAS SILVIO FRANCO ARISTIZABAL Autoridad latinoamericana en optimización de procesos gerenciales, comerciales y de desempeño humano. Psicólogo de

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

Web Warehousing. Robert Cercós Brownell Ingeniería Industrial - U. de Chile

Web Warehousing. Robert Cercós Brownell Ingeniería Industrial - U. de Chile Web Warehousing Robert Cercós Brownell Ingeniería Industrial - U. de Chile Agenda Motivación Conceptos Aplicaciones motivación si no lo puedes medir, n o l o puedes gestionar Peter Drucker (1909-2005)

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

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

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

Escuela de Administración de Empresas Actualización Empresarial. Plan de Estudios

Escuela de Administración de Empresas Actualización Empresarial. Plan de Estudios Escuela de Administración de Empresas Actualización Empresarial Plan de Estudios Programa BUSINESS INTELLIGENCE SPECIALIST I Semestre 2015 Alcanzando Proyectos Exitosos 1 P á g i n a Contenido MODULO I.

Más detalles

Diseño de soluciones y propuestas de tecnologías para la organi

Diseño de soluciones y propuestas de tecnologías para la organi Diseño de soluciones y propuestas de tecnologías para la organización mailto:pchavezl74@gmail.com 4 de agosto de 2015 1 Aplicaciones empresariales 2 Aplicaciones empresariales Después de cierto tiempo,

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

Yatel - OLAP sobre redes

Yatel - OLAP sobre redes Yatel - OLAP sobre redes Integrantes - García, Mario Alejandro - Cabral, Juan Bautista - Gimenez Pecci, María de la Paz - Vera, Carlos - Liberal, Rodrigo - Laguna, Irma Graciela - Bisonard, Eduardo Matías

Más detalles

Consultora Estratégica Relaciones Internacionales Innovación y Desarrollo Tecnológico. Adriana Bollón Olivieri

Consultora Estratégica Relaciones Internacionales Innovación y Desarrollo Tecnológico. Adriana Bollón Olivieri Consultora Estratégica Relaciones Internacionales Innovación y Desarrollo Tecnológico Adriana Bollón Olivieri Qué es el CRM? El CRM o gestión de relaciones con el cliente es una estrategia integrada de

Más detalles

Fundamentos de Data Warehouse

Fundamentos de Data Warehouse Mendez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R. Centro de Actualización Permanente en Ingeniería del Software Escuela de Postgrado Instituto Tecnológico de Buenos Aires Av. Eduardo Madero 399

Más detalles

Modelo Bancario de Inteligencia de Negocios Standard Edition CONTENIDOS

Modelo Bancario de Inteligencia de Negocios Standard Edition CONTENIDOS Modelo Bancario de Inteligencia de Negocios Standard Edition CONTENIDOS Confidencialidad La información sobre los productos de COA será mantenida dentro de la más estricta confidencialidad. COA presenta

Más detalles

Diplomado en Inteligencia de Clientes y Data Mining

Diplomado en Inteligencia de Clientes y Data Mining Diplomado en Inteligencia de Clientes y Data Mining Maximizando la información de clientes en las organizaciones. 2DO SEMESTRE 2015 Marketing y Ventas www.unegocios.cl Torre FEN, Facultad de Economía y

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

Fundamentos de la Inteligencia de Negocios

Fundamentos de la Inteligencia de Negocios para la Gestión UNIDAD 3: APLICACIONES DE SISTEMAS Unidad 3 Aplicaciones de Sistemas Aplicaciones empresariales: Sistemas empresariales. Sistemas de administración de la cadena de suministros. Sistemas

Más detalles

Datawarehouse. Ing. Adan Jaimes Jaimes. Datawarehouse

Datawarehouse. Ing. Adan Jaimes Jaimes. Datawarehouse 1 Ing. Adan Jaimes Jaimes 2 Conceptos : Repositorio completo de datos, donde se almacenan datos estratégicos, tácticos y operativos, al objeto de obtener información estratégica y táctica Data-Marts: Repositorio

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

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

Tema 1 Introducción a los Sistemas de Información

Tema 1 Introducción a los Sistemas de Información Tema 1 Introducción a los Sistemas de Información Diseño y Desarrollo de Sistemas de Información Grado en Ingeniería Informática (gnavarro@ugr.es) Índice Sistemas de Información Sistemas Datos, Información,

Más detalles

IWG-101: Introducción a la Ingeniería. Departamento de Informática, UTFSM 1

IWG-101: Introducción a la Ingeniería. Departamento de Informática, UTFSM 1 IWG-101: Introducción a la Ingeniería Departamento de Informática, UTFSM 1 Gestión de Bases de Datos Gestión de Bases de Datos Base de datos una colección de datos relacionados organizados de manera de

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

(3300) Posadas. Argentina 1 gpautsch@fceqyn.unam.edu.ar, 2 hdkuna@unam.edu.ar,

(3300) Posadas. Argentina 1 gpautsch@fceqyn.unam.edu.ar, 2 hdkuna@unam.edu.ar, Resultados Preliminares del Proceso de Minería de Datos Aplicado al Análisis de la Deserción en Carreras de Informática Utilizando Herramientas Open Source J. Germán A. Pautsch 1, Horacio D. Kuna 2, Antonia

Más detalles

PRAXBASE. CRM & Backoffice..sector financiero

PRAXBASE. CRM & Backoffice..sector financiero PRAXBASE CRM & Backoffice.sector financiero FIN es una solución de gestión totalmente integrada para el sector financiero y asegurador construida sobre Microsoft Dynamics CRM y en base a las mejores prácticas

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

In focus DSS Control total

In focus DSS Control total In focus DSS Control total Decision Support System es el más completo sistema de monitoreo empresarial. Un set de indicadores clave que le ofrecerán una efectiva guía en tiempo real de qué es lo que está

Más detalles

Sistemas de Información Gerencial ii. Los SI en la empresa

Sistemas de Información Gerencial ii. Los SI en la empresa Ingeniería Civil Industrial Ingeniería Industrial Sistemas de Información Gerencial ii. Los SI en la empresa Prof. Guillermo E. Badillo Astudillo Semestre I, 2015 Nota: la mayoría de los slides están tomados

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

Gestión Predictiva de Interacción con Clientes

Gestión Predictiva de Interacción con Clientes Gestión Predictiva de Interacción con Clientes Una arquitectura que permite a las organizaciones aprovechar eventos en tiempo real para posicionar sus productos y servicios 2 "No nos llame. Nosotros le

Más detalles

Soluciones Integrales en Inteligencia de Negocios

Soluciones Integrales en Inteligencia de Negocios Soluciones Integrales en Inteligencia de Negocios QUIENES SOMOS NUESTRA MISIÓN DATAWAREHOUSE MINERÍA DE DATOS MODELOS PREDICTIVOS REPORTERÍA Y DASHBOARD DESARROLLO DE APLICACIONES MODELOS DE SIMULACIÓN

Más detalles

El modelo ebusiness (2) SIE II. Curso 2004/05

El modelo ebusiness (2) SIE II. Curso 2004/05 El modelo ebusiness (2) SIE II. Curso 2004/05 Elemento central en una estrategia ebusiness: capa de aplicaciones Procesos de Negocio (producción, logística, dirección, ) Aplicaciones de Negocio (SCM, ERP,

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

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE PRESENTACIÓN Ramón Díaz Hernández Gerente (1.990) Nuestro Perfil Inversión permanente en formación y nuevas tecnologías. Experiencia en plataforma tecnológica IBM (Sistema Operativo

Más detalles