Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Tamaño: px

Comenzar la demostración a partir de la página:

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

Susana Segura Velázquez
hace 8 años
Vistas:

1 Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software

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

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

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

mercado 94% de los clientes alcanzaron un ROI positivo, con un regreso de la inversión en 10.7 meses.

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

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

eventos ocurren habitualmente de forma simultánea Secuenciar qué eventos

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

PROBABLE: RECINTO PÚBLICO ESTADIO DEPORTIVO RECINTO DE JUEGOS PERFIL DEL

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

ser aplicada con objetivos específicos en mente

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

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

encontrar relaciones donde no existen Presentar datos en diferentes formatos Una

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

computacional Un grupo de técnicas que encuentran relaciones que no habían sido encontradas previamente No

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

los datos Puede encontrar patrones en cantidades enormes de datos Necesita comprensión y conocimiento de los datos y de los

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

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

Qué tipo de preprocesamiento y limpieza de la información se necesita hacer antes de comenzar el proceso de minería?

15 Proceso CRISP-DM 15

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

Comprensión de los Datos (Recolección, Descripción, Exploración y Valoración) 3.

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

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

Modelización de marcha de empleados en empresas 3.

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

criminales 8. Administración de Categorías en Hipermercados: encontrar la mejor localización para productos en los lineales 9.

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

cadena 13. Quiénes son los 10 clientes que me ofrecen el mayor potencial de beneficio? 14.

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

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

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

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

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

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

27 Preguntas? 27

Documentos relacionados

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