La Minería de Datos y el Negocio:

Tamaño: px

Comenzar la demostración a partir de la página:

Download "La Minería de Datos y el Negocio:"

Benito Soto Páez
hace 6 años
Vistas:

1 La Minería de Datos y el Negocio: Aplicaciones, Metodologías y Técnicas María Esther Ordóñez O

2 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas y Técnicas Metodología para procesos de Minería

3 Definición de BI Conjunto de Tecnologías y Aplicaciones que permiten Recopilar, Almacenar, Analizary TenerAccesoa datos, de tal manera que los usuarios de la Organización pueden tomar mejores decisiones. Transformarlos datos operacionalesde una empresa en información accionable

4 Definición de BI Información accionable Información que realmente habilitay optimizael proceso de toma de decisiones y la definiciónde estrategiasy acciones encaminadas a mejorar el desempeño del negocio

5 Fundamento de BI BOGEGAS DE DATOS

Sistemas Fuente (Source) Area de Preparación de Datos - ETLC (Data Staging Area) Servidor de Presentación BODEGA DE DATOS Usuario Final Acceso a Datos Extraer Extraer Extraer Almacenamiento Archivos

para Réplica Copia de soporte Exportación a DataMart NO HAY SERVICIO DE CONSULTA PARA USUARIOS Poblar Replicar Recuperar Poblar Replicar Recuperar Poblar Replicar Recuperar DATA MART # 1 Servicios

6 Sistemas Fuente (Source) Area de Preparación de Datos - ETLC (Data Staging Area) Servidor de Presentación BODEGA DE DATOS Usuario Final Acceso a Datos Extraer Extraer Extraer Almacenamiento Archivos Planos RDBMS Otros Procesamiento: Limpieza Poda Combinación Eliminación Duplicados Adaptación Estandarización Dimens. correspondientes Almient. para Réplica Copia de soporte Exportación a DataMart NO HAY SERVICIO DE CONSULTA PARA USUARIOS Poblar Replicar Recuperar Poblar Replicar Recuperar Poblar Replicar Recuperar DATA MART # 1 Servicios Consulta OLAP (Rolap y/o Molap) Dimensional Orientado al Negocio Actualizado con frecuencia Estructura Bus DW BUS DW BUS DATA MART # 2 DATA MART # N Alimentar Alimentar Alimentar Dimensiones/Hechos Correspondientes Alimentar Dimensiones/Hechos Correspondientes Alimentar Generador de Reportes Herramientas para Consultas no Previstas Aplicaciones de Usuario Final MODELOS: Predictivos Clasificación Estimación Predicción Otros Descargue dimensiones corregidas Descargue Resultados del Modelo Ralph Kimball

7 Definición de Minería de Datos Exploración y Análisis de grandes cantidades de datos, utilizando métodos automáticos o semiautomáticos, con el objeto de descubrir patrones significativos y reglasde comportamiento

8 Aspectos a tener en cuenta. DM tiene a su alrededor elementos éticosy legales Pueden verse como métodos de discriminación La razón para un rechazo no puede ser la red neuronal dijo que NO!!!! Condiciones bajo las cuales se recoge la información -las personas deben ser informadas de los objetivos del proceso

9 Por qué es Factible HOY Los datos necesarios se están produciendo y recopilando en DWH La potencia computacional está al alcance ($) CRM es importante en el negocio Todo negocio es un negocio de servicios La información se percibe como un producto Disponibilidad de productos comerciales

10 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas y Técnicas Metodología para procesos de Minería

11 Aplicaciones Generales Conocimiento y Fidelización de clientes Segmentación Cross-sell y Up-sell Manejo del ciclo de vida del cliente Conocimiento Comunitario

12 Aplicaciones Generales Optimización de Campañas de Mercadeo Mercadeo Masivo vs. Mercadeo Dirigido AHORRO Contactos

13 Aplicaciones Generales Detección de Fraudes Identificación de patrones de comportamiento normal / fraudulento

14 Aplicaciones Generales Manejo de deserción de clientes (churn attrition) Identificar potenciales Identificar potenciales desertores para aplicar estrategias de retención (si lo amerita)

15 Aplicaciones Generales Eficiencia de Procesos Se aplican técnicas de DM a casos ya resueltos para determinar reglas Control estadístico de procesos de manufactura

16 Bioinformática Gestión y análisis de datos biológicos Predicción de estructura de proteínas, genoma humano Técnicas de predicción para determinar químicos con mayor probabilidad de producir drogas útiles

17 Detección de Fraudes Perfilación de clientes Telecomunicaciones Definición de productos (planes familia y amigos, identificación de clientes residenciales/oficina, llamadas internales) Aislamiento de fallas en red Localización de nuevos recursos (antenas)

18 Medicina Análisis características de grupos humanos sensibles a cierto tipo de enfermedades - Diagnóstico Mezcla con GIS para determinar condiciones geográficas asociadas a la presentación de enfermedades Planeación de recursos para atender necesidades de población

19 Almacenes de Retail Marcas propias Combos de productos Administración espacio en góndolas

20 Entidades Financieras Control de Fraude Nivel de involucramiento de los clientes

21 Empresas de Servicios Públicos Venta de espacios de mercado dirigido Identificación de datos errados o fraudes por desviación en patrones de consumo

pistas y asociaciones) Identificación de patrones

22 Entidades Gubernamentales Análisis de conexiones (Link Analysissobre reportes de sus agentes para encontrar pistas y asociaciones) Identificación de patrones sospechosos en traslados internacionales de fondos Lavado de activos

de Crédito) Se recopila información para ofrecer

23 Brokers de Información Se venden servicios de información para mercadeo (Supermercados, Tarjetas de Crédito) Se recopila información para ofrecer servicios a terceros (Hábitos de TV, Recetas Farmacéuticas)

24 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas y Técnicas Metodología para procesos de Minería

25 Estrategias de DM Prueba de Hipótesis Descubrimiento de Conocimiento Estrategia Top-Down: Sustenta o descarta ideas preconcebidas Estrategia Bottom-Up: Parte de los datos para descubrir Dirigido No Dirigido

26 Minería de Datos -Tareas Clasificación Estimación Dirigido Predicción / Forecasting Asociación / Agrupamiento por afinidad Segmentación / Clustering Descripción y Perfilación No Dirigido Análisis Textual 26

27 Clasificación Establecer una o más variables discretasde un objeto, con base en otros atributos del conjunto de datos - Analizar características de un nuevo objeto y asignarlo a una clase particular predefinida Clasificar solicitud de crédito en riesgo alto -medio bajo Determinar qué teléfonos corresponde a máquinas de fax Identificar Reclamos de Seguro fraudulentos Clasificar persona como potencial respondedor a oferta Clasificar a un cliente dentro de un perfil particular 27

28 Estimación Establecer el valor de una variable continua, los resultados pueden ser ORDENADOS Similar a Clasificación Estimar el valor del ingreso total de un grupo familiar Determinar probabilidad de transacción sea fraudulenta Estimar número de hijos en un grupo familiar Estimar el valor del ciclo de vida de un cliente Estimar probabilidad con que persona responde a campaña 28

29 Predicción Similar a clasificación o estimación, sólo que se refiere a identificar un comportamiento o valor estimado futuro Predecir qué clientes desertarán en los siguientes 6 meses Predecir el monto de saldo transferido si un prospecto de TC acepta la oferta de transferencia Predecir qué suscriptores de teléfonos ordenarán servicios de valor agregado 29

30 Asociación / Affinity Grouping Detectar eventos que ocurren de manera simultánea Un cliente que compra cerveza, compra pañales con prb P1 Un cliente que compra Pizza, compra Vino con prb P1 Un cliente que compra Vino, compra Pizza con prb P2 30

31 Segmentación / Clustering Dividir población heterogénea en grupos más homogéneos Identificar segmentos de clientes para un negocio particular 31

32 Descripción Describir un comportamiento en una base de datos compleja para aumentar el conocimiento y entendimiento sobre gente, productos, procesos etc. Visualización Diferenciación Establecer que las mujeres presentan menor siniestralidad en seguros de automóvil que los hombres Identificar las características de personas que apoya uno u otro partido político 32

33 Análisis Textual Convertir información des-estructurada en información estructurada (análisis de términos) Retroalimentación de datos en Call Center Clasificación de textos por temas 33

34 Técnicas Modelos de regresión lineal - logística Arboles de Decisión (regresión/modales) Redes Neuronales Detección de Clusters Market Basket Analysis Razonamiento Basado en memoria Link Analysis Algoritmos Genéticos

35 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas y Técnicas Metodología para procesos de Minería

36 El ciclo de Minería de Datos Identificar oportunidad de negocio (Crear Nuevos Productos) Transformar datos en Información accionable mediante técnicas de Minería (Siniestralidad Femenina en Seguro Automóviles es menor) Actuar (Crear producto de seguro Automóviles para mujeres) Medir resultados 36

37 Consideraciones DM puede verse como un proceso de Machine Learning Lenguaje de descripción de conceptos (language bias) Orden en que se busca en el espacio de búsqueda (search bias) Manera como se evita el overfitting al conjunto de entrenamiento (overfitting-avoidance bias)

38 Consideraciones La mayoría de métodos aprenden mediante ejemplos Los ejemplos se establecen mediante INSTANCIAS que tienen ATRIBUTOS (numéricos/ categóricos o nominales)y están pre-clasificados

39 Preparar Datos Consideraciones Incluir información derivada o calculada Dividir en 3 conjuntos: Entrenamiento Prueba Evaluación Incluir casos positivos y negativos Oversampling

40 Ciclo de Vida Minería de Datos Fase de Planeación Fase de Preparación de Datos Fase de Análisis de Datos Fase de Implementación 1 Planeación y Justificación del Proyecto 3 Escogencia del Conjunto de Datos 6 Selección de la Herramienta de Minería 9 Crear y Aprobar Plan de Acción 2 Identificación de Preguntas claves Del negocio 4 Transformación del Conjunto de Datos 7 Análisis del Modelo Minería 10 Implementar Plan de Acción 5 Verificación del Conjunto de Datos 8 Verificar y Presentar Modelo de Minería 11 Medir Resultados 40

Documentos relacionados

Resumen Inteligencia de Negocios

Resumen Inteligencia de Negocios La inteligencia de Negocios es una tendencia dentro de la Tecnología de Información, recordemos que la Tecnología de Información ayuda a hacer eficientes muchos de los