EL ANÁLISIS DE DATOS Y POSIBLES IMPACTOS EN LA CADENA DE VALOR DE LAS COMPAÑÍAS DE SEGUROS
|
|
- Rosa María Cárdenas Hidalgo
- hace 5 años
- Vistas:
Transcripción
1
2 EL ANÁLISIS DE DATOS Y POSIBLES IMPACTOS EN LA CADENA DE VALOR DE LAS COMPAÑÍAS DE SEGUROS XXVIII CONGRESO NACIONAL DE ACTUARIOS: ACTUARIOS 2.0. EVOLUCIÓN SEBASTIÁN RESTREPO
3 PREDICTED AGENDA Por qué suena tanto ahora Data Analytics Cómo es un proyecto de Data Analytics Algunas de las metodologías que hemos usado Ejemplos de DA en la cadena de valor y algunas reflexiones Fuente imagen:
4 PREDICTED AGENDA Por qué suena tanto ahora Data Analytics Cómo es un proyecto de Data Analytics Algunas de las metodologías que hemos usado Ejemplos de DA en la cadena de valor y algunas reflexiones Fuente imagen:
5 Por qué suena tanto ahora Data Analytics Las nuevas tecnologías están cambiando nuestra forma de vivir (Socializar, informarnos, comunicarnos, consumir, etc.) Digitalization (Ej.) Internet of things (Ej.) Web-scale IT (Ej.) Web 4.0 (Ej.) Context aware computing (Ej.) Computing everywhere Automated decision taking Wearable devices Cloud Virtual assistant systems BIG DATA Predictive Analytics Lo que está llevando, entre otras, a una revolución en la forma de hacer negocios! Fuente: Munich Re, trend radar Imágenes: digitalización: internet de las cosas: ; contextaware computing: Big Data:
6 Por qué suena tanto ahora Data Analytics Perspectiva Munich Re Munich Re está trabajando en iniciativas de Data Analytics con alta prioridad, pues considera que tiene un impacto relevante en el sector asegurador. Cuántas compañías cruzan sus datos o hacen un uso inteligente de los mismos para diseñar sus estrategias comerciales, productos, políticas de suscripción, gestión de fraudes, etc.? Data Anaytics permite mejorar los modelos de negocio de las compañías a través de un acercamiento más efectivo a los consumidores. Las compañías de seguros somos ricas en datos y podemos usarlos para tener ventajas competitivas!
7 Por qué suena tanto ahora Data Analytics El análisis predictivo crea valor a lo largo de la cadena de valor de las compañías de seguros Cadena de Valor Pricing & Desarrollo de Productos Ventas & marketing Suscripción Gestión en vigor Siniestralidad Desarrollo de productos a la medida Up- / Cross-selling Suscripción predictiva y simplificada Periodo de prevención Detección de Fraudes Ejemplos Análisis de los parámetros más efectivos de cada producto para incrementar la venta en un grupo objetivo de clientes. Identificación de clientes actuales que estén dispuestos a comprar un seguro / cobertura adicional. Mejorar la experiencia del cliente a través de la reducción de preguntas y pruebas médicas. Identificación de clientes propensos a dejar que su póliza expire por falta de pago e implementar métodos de prevención. Gestión Anticipada en Fraude. Mejor gestión de siniestros (creación de reglas para pre-evaluación automática) El punto de partida es la información disponible. Fuentes de datos adicionales dan lugar a nuevas oportunidades / puntos de vista, pero no siempre son necesarios El mismo conjunto de datos se puede utilizar para diferentes propósitos (ej. Desarrollo de productos a la medida, Up- / Cross- selling)
8 PREDICTED AGENDA Por qué suena tanto ahora Data Analytics Cómo es un proyecto de Data Analytics Algunas de las metodologías que hemos usado Ejemplos de DA en la cadena de valor y algunas reflexiones Fuente imagen:
9 Cómo es un proyecto de Data Analytics Una Combinación de Métodos, Tecnología, Datos y Personas Hardware Tecnología Software (SAS, R, Spark, ) Data Analytics Datos Datos internos Datos externos Datos estructurados Datos no estructurados Métodos Modelos de regresión Modelos machine learning Minería de datos Personas Científicos de datos Ingenieros de datos Gente de negocios
10 Cómo es un proyecto de Data Analytics Cuál es la pregunta estratégica que se desea resolver? Preparación de los datos Data Analytics Descripción Ejemplo Métodos Fuente: MH 4.3 Business Analytics Team
11 Cómo es un proyecto de Data Analytics Cuál es la pregunta estratégica que se desea resolver? Preparación de los datos Data Analytics Obtener información Descripción Identificar la información útil de cara a la pregunta que se desea responder Ejemplo Mejorar el pricing Métodos Buscar datos internos y/o externos, rastreo en la web Fuente: MH 4.3 Business Analytics Team
12 Cómo es un proyecto de Data Analytics Cuál es la pregunta estratégica que se desea resolver? Preparación de los datos Data Analytics Obtener información Procesar los datos Descripción Identificar la información útil de cara a la pregunta que se desea responder Juntar y preparar la información Ejemplo Mejorar el pricing Juntar fuentes de información (ingresos, sector ) Métodos Buscar datos internos y/o externos, rastreo en la web ETL (Extraer, transformar, cargar), combinación borrosa Fuente: MH 4.3 Business Analytics Team
13 Cómo es un proyecto de Data Analytics Cuál es la pregunta estratégica que se desea resolver? Preparación de los datos Data Analytics Obtener información Procesar los datos Reportes Descripción Identificar la información útil de cara a la pregunta que se desea responder Juntar y preparar la información Análisis univariado Ejemplo Mejorar el pricing Juntar fuentes de información (ingresos, sector ) Calcular el monto del reclamo promedio en una región específica Métodos Buscar datos internos y/o externos, rastreo en la web ETL (Extraer, transformar, cargar), combinación borrosa Suma, Max, min, promedio, cuenta, técnicas de visualización Fuente: MH 4.3 Business Analytics Team
14 Cómo es un proyecto de Data Analytics Cuál es la pregunta estratégica que se desea resolver? Preparación de los datos Data Analytics Foco hoy Obtener información Procesar los datos Reportes Análisis Descripción Identificar la información útil de cara a la pregunta que se desea responder Juntar y preparar la información Análisis univariado Análisis multivariado Ejemplo Mejorar el pricing Juntar fuentes de información (ingresos, sector ) Calcular el monto del reclamo promedio en una región específica Calcular la influencia del ingreso, tamaño de la compañía, sector sobre la suma reclamada Métodos Buscar datos internos y/o externos, rastreo en la web ETL (Extraer, transformar, cargar), combinación borrosa Suma, Max, min, promedio, cuenta, técnicas de visualización Modelos estadísticos y machine learning Fuente: MH 4.3 Business Analytics Team
15 Cómo es un proyecto de Data Analytics COMPLEJIDAD Y VOLUMEN DE INFORMACIÓN Explicar el pasado Predecir el futuro Reportes estándar Ad Hoc OLAP Estadística Proyección Modelos predictivos clásicos Machine learning Pregunta Qué sucedió? Por qué ocurrió? Qué va a pasar? A quién le sucederá? A quién le sucederá? Ejemplo Desarrollo de negocio, conteo de clientes, Clientes por plan y región,... Análisis de grandes pérdidas, grupos de miembros,... Proyección LR, Análisis de estacionalidad, Scoring, Patrones complejos, propensiones, Métodos Suma, máx., min, promedio, cuenta, Teoría de distribución, análisis de correlación,... Series de tiempo, procesos estocásticos,... Modelos de regresión, árboles de decisión,... NN, random forests, Datos Poderoso con un tamaño de muestra limitado y poca información Tamaño de muestra medio y poca información Mayor tamaño de muestra y más información Muestras muy grandes con mucha información Business Intelligence Business Analytics Reportes Lo Statistical Analysis Advanced Analytics Fuente: MH 4.3 Business Analytics Team
16 Cómo es un proyecto de Data Analytics COMPLEJIDAD Y VOLUMEN DE INFORMACIÓN Explicar el pasado Predecir el futuro Reportes estándar Ad Hoc OLAP Estadística Proyección Modelos predictivos clásicos Machine learning Pregunta Qué sucedió? Por qué ocurrió? Qué va a pasar? A quién le sucederá? A quién le sucederá? Ejemplo Desarrollo de negocio, conteo de clientes, Clientes por plan y región,... Análisis de grandes pérdidas, grupos de miembros,... Proyección LR, Análisis de estacionalidad, Scoring, Patrones complejos, propensiones, Métodos Suma, máx., min, promedio, cuenta, Teoría de distribución, análisis de correlación,... Series de tiempo, procesos estocásticos,... Modelos de regresión, árboles de decisión,... NN, random forests, Datos Poderoso con un tamaño de muestra limitado y poca información Tamaño de muestra medio y poca información Mayor tamaño de muestra y más información Muestras muy grandes con mucha información Fuera del alcance de hoy Business Intelligence Reportes Business Analytics Lo Statistical Analysis Advanced Analytics Fuente: MH 4.3 Business Analytics Team
17 Cómo es un proyecto de Data Analytics Necesidad de bases de datos robustas en dos direcciones Obs. No. Var 1 Var 2 Var n 1 2 I Más atributos en cada observación (ej. fumador, código postal, ingreso,...) m II Necesidad de diferenciar entre información relevante e irrelevante, así como de manejar interacciones Más observaciones (ej. Personas con un seguro, ) Disponibilidad de información más granular permite modelación más compleja Fuente: MH 4.3 Business Analytics Team
18 Cómo es un proyecto de Data Analytics Número y variedad de atributos (columnas) Reporting Machine Learning Modelos estadísticos Data Mining Reporting se puede hacer con bases de datos pequeñas y poca información Para modelos estadísticos significativos, se necesita una buena cantidad de datos y atributos Machine Learning requiere grandes bases de datos con muchos atributos Una gran cantidad de observaciones, y un número razonable de atributos, son necesarios para aplicar técnicas de Data Mining! Número de observaciones (renglones) Fuente: MH 4.3 Business Analytics Team
19 PREDICTED AGENDA Por qué suena tanto ahora Data Analytics Cómo es un proyecto de Data Analytics Algunas de las metodologías que hemos usado Ejemplos de DA en la cadena de valor y algunas reflexiones Fuente imagen:
20 Algunas de las metodologías que hemos usado a) Modelos estadísticos b) Advanced Analytics Análisis de distribuciones de Probabilidad Conocer los datos Reducción de Dimensiones Reducir la complejidad de los datos Test Estadísticos Analizar hipótesis sobre los datos Análisis de Clusters Encuentra grupos en los datos Análisis de series de tiempo Analizar tendencias en los datos Análisis de regresiones & machine learning Explicar y predecir Fuente: MH 4.3 Business Analytics Team
21 Algunas de las metodologías que hemos usado Modelos estadísticos Basados en teoría de probabilidad Supuestos explícitos a priori (la variable objetivo sigue cierta distribución, observaciones independientes...) Estima ecuaciones claras sobre los datos modelo de fácil interpretación Ejemplos: Modelos Lineales Generalizados (GLM) Modelos Aditivos Generalizados (GAM) Modelos Mixtos Lineales Generalizados (GLMM) Regresiones no lineales Machine Learning Se basan en ciencias computacionales No hay supuestos a priori (tratan de aprender todo puramente de los datos) Construye redes y gráficos a partir de los datos modelos de difícil interpretación Ejemplos: Random Forest Redes Neuronales Generalized Boosted Models (GBM) Fuente: MH 4.3 Business Analytics Team
22 Algunas de las metodologías que hemos usado Fuera del alcance de hoy a) Modelos estadísticos b) Advanced Analytics Análisis de distribuciones de Probabilidad Conocer los datos Reducción de Dimensiones Reducir la complejidad de los datos Test Estadísticos Analizar hipótesis sobre los datos Análisis de Clusters Encuentra grupos en los datos Análisis de series de tiempo Analizar tendencias en los datos Análisis de regresiones & machine learning Explicar y predecir Fuente: MH 4.3 Business Analytics Team
23 Algunas de las metodologías que hemos usado AA puede ser dividido entre Tarea Posible aplicación en seguros métodos no supervisados Detectar patrones ocultos en datos Encontrar el número optimo de clusters para desarrollo de productos Encontrar rutas de diagnóstico comunes para enfermedades mentales Explicar / predecir y métodos supervisados Cross-selling Oportunidades de tarificación ajustadas. Ej. Código postal en UK. Geographical information Disease A Geographical information Age Income Blood presure Disease B Age Disease A Buying propensity Gender Gender Medication G Medication G Ejemplos Factor / análisis de componente principal Clustering Modelos de regresión Random Forest Fuente: MH 4.3 Business Analytics Team
24 Algunas de las metodologías que hemos usado a) Modelos estadísticos b) Advanced Analytics Análisis de distribuciones de Probabilidad Conocer los datos Reducción de Dimensiones Reducir la complejidad de los datos Test Estadísticos Analizar hipótesis sobre los datos Análisis de Clusters Encuentra grupos en los datos Análisis de series de tiempo Analizar tendencias en los datos Análisis de regresiones & machine learning Explicar y predecir Fuente: MH 4.3 Business Analytics Team
25 Algunas de las metodologías que hemos usado Clusters El Clustering tiene como objetivo identificar subgrupos de observaciones que son homogéneas entre sí y heterogéneas con las demás. Las técnicas de agrupamiento pueden subdividirse en dos enfoques: Métodos de particionamiento Métodos jerárquicos El objetivo de los métodos de partición es (iterativamente) asignar observaciones a un número predefinido de clusters. Los métodos comunes de particionamiento son: clusters basados en centroides (por ejemplo, k-medias); y clustering basado en la distribución (por ejemplo, clustering difuso). Fuente: MH 4.3 Business Analytics Team Métodos jerárquicos no predefinen el número de clusters, pero consecutivamente construyen clusters basados en una medida de distancia. Los métodos divisivos comienzan desde un clúster completo, los métodos aglomerativos comienzan con cada observación como un clúster propio.
26 Algunas de las metodologías que hemos usado a) Modelos estadísticos b) Advanced Analytics Análisis de distribuciones de Probabilidad Conocer los datos Reducción de Dimensiones Reducir la complejidad de los datos Test Estadísticos Analizar hipótesis sobre los datos Análisis de Clusters Encuentra grupos en los datos Análisis de series de tiempo Analizar tendencias en los datos Análisis de regresiones & machine learning Explicar y predecir Fuente: MH 4.3 Business Analytics Team
27 Algunas de las metodologías que hemos usado Análisis de Regresión Random Forest Redes Neuronales Ventajas + Resultados estables, incluso para sets de datos pequeños y de moderada calidad + Overfitting puede ser controlado + Cuantifica la influencia de todos los factores de influencia (filtrado de factores relevantes por selección de variables) + White-box para el usuario + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable que siempre produce resultados + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable + Muy potente con bases de datos muy grandes Desventajas - Estructuras complejas de correlación (interacciones) no se identifican automáticamente - Es una caja negra para el usuario y los resultados son difíciles de interpretar - No verifica la importancia de los efectos - Tiende a sobre ajustar los datos de entrenamiento en caso de pequeños conjuntos de datos - Es una caja negra para el usuario y los resultados son difíciles de interpretar Para la mayoría de las aplicaciones en modelos de regresión de seguros son una opción razonable debido a la alta transparencia y estabilidad Fuente: MH 4.3 Business Analytics Team
28 Algunas de las metodologías que hemos usado Análisis de Regresión Random Forest Redes Neuronales Ventajas + Resultados estables, incluso para sets de datos pequeños y de moderada calidad + Overfitting puede ser controlado + Cuantifica la influencia de todos los factores de influencia (filtrado de factores relevantes por selección de variables) + White-box para el usuario + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable que siempre produce resultados + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable + Muy potente con bases de datos muy grandes Desventajas - Estructuras complejas de correlación (interacciones) no se identifican automáticamente - Es una caja negra para el usuario y los resultados son difíciles de interpretar - No verifica la importancia de los efectos - Tiende a sobre ajustar los datos de entrenamiento en caso de pequeños conjuntos de datos - Es una caja negra para el usuario y los resultados son difíciles de interpretar Para la mayoría de las aplicaciones en modelos de regresión de seguros son una opción razonable debido a la alta transparencia y estabilidad Fuente: MH 4.3 Business Analytics Team
29 Algunas de las metodologías que hemos usado Análisis de Regresión Random Forest Redes Neuronales Ventajas + Resultados estables, incluso para sets de datos pequeños y de moderada calidad + Overfitting puede ser controlado + Cuantifica la influencia de todos los factores de influencia (filtrado de factores relevantes por selección de variables) + White-box para el usuario + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable que siempre produce resultados + Detecta relaciones complejas no lineales y estructuras de correlación en grandes BD + Algoritmo estable + Muy potente con bases de datos muy grandes Desventajas - Estructuras complejas de correlación (interacciones) no se identifican automáticamente - Es una caja negra para el usuario y los resultados son difíciles de interpretar - No verifica la importancia de los efectos - Tiende a sobre ajustar los datos de entrenamiento en caso de pequeños conjuntos de datos - Es una caja negra para el usuario y los resultados son difíciles de interpretar Para la mayoría de las aplicaciones en modelos de regresión de seguros son una opción razonable debido a la alta transparencia y estabilidad Fuente: MH 4.3 Business Analytics Team
30 Algunas de las metodologías que hemos usado Los árboles de decisión (por ejemplo, el algoritmo CHAID) son una herramienta valiosa para la predicción porque pueden detectar automáticamente efectos de interacción complejos: Sin embargo, los árboles de decisión única son altamente sensibles a los cambios mínimos de la entrada de datos. Random Forests superan este problema aplicando una gran cantidad de árboles a diferentes subconjuntos de datos. Los resultados finales se calculan mezclando los resultados de todos los árboles (método de conjunto). Random Forests proporcionan una llamada importancia variable que mide el valor de cada factor de influencia para la predicción. Fuente: MH 4.3 Business Analytics Team
31 PREDICTED AGENDA Por qué suena tanto ahora Data Analytics Cómo es un proyecto de Data Analytics Algunas de las metodologías que hemos usado Ejemplos de DA en la cadena de valor y algunas reflexiones Fuente imagen:
32 Ejemplos de DA en la cadena de valor El análisis predictivo crea valor a lo largo de la cadena de valor de las compañías de seguros Cadena de Valor Pricing & Desarrollo de Productos Suscripción Ventas & marketing Gestión en vigor Siniestralidad Desarrollo de productos a la medida Suscripción predictiva y simplificada Up- / Cross-selling Periodo de prevención Detección de Fraudes Ejemplos Análisis de los parámetros más efectivos de cada producto para incrementar la venta en un grupo objetivo de clientes. Mejorar la experiencia del cliente a través de la reducción de preguntas y pruebas médicas. Identificación de clientes actuales que estén dispuestos a comprar un seguro / cobertura adicional. Identificación de clientes propensos a dejar que su póliza expire por falta de pago e implementar métodos de prevención. Gestión Anticipada en Fraude. Mejor gestión de siniestros (creación de reglas para pre-evaluación automática) El punto de partida es la información disponible. Fuentes de datos adicionales dan lugar a nuevas oportunidades / puntos de vista, pero no siempre son necesarios El mismo conjunto de datos se puede utilizar para diferentes propósitos (ej. Desarrollo de productos a la medida, Up- / Cross- selling)
33 Ejemplos de DA en la cadena de valor Ejemplo en Pricing Pricing Propósito: Conocer el perfil de riesgo de los clientes, antes de que ellos nos conozcan a nosotros, teniendo en consideración atributos diferentes/adicionales a la edad, género, fumador, Datos Información de exposición de un portafolio objetivo, adicional a la información al momento de suscripción y sobre los siniestros Portafolio en Vigor Información de la persona Información sobre los siniestros Información sobre la suscripción
34 Ejemplos de DA en la cadena de valor Ejemplo en la Suscripción Suscripción simplificada Datos Información personal: edad, genero, situación personal Portafolio de Vida Socioeconómica: ocupación, ingreso, educación Info. De Salud: BMI, cuestionario de salud, resultado del UW Propósito: Reducir el cuestionario de suscripción para atraer más clientes con un proceso menos complicado, pero eficiente. Identificar principales variables en la suscripción que afectan el resultado de la misma Info. Del seguro: Suma asegurada, siniestros, recargos, tipo de producto, canal de venta, Resultados Solo 20 de 58 preguntas en la suscripción se encontraron relevantes para predecir el resultado de la misma Se redujo el cuestionario a un tercio sin esperar un impacto en la mortalidad/morbilidad Cross-selling es posible ya que para salud se utiliza gran parte de la información recabada para la suscripción de vida
35 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing Up-selling Cross-selling Propósito: Incrementar las ventas de Vida Individual mediante Up-selling a los clientes existentes. Propósitos: Incrementar las ventas de Vida Individual mediante Cross-selling a los clientes existentes en otros ramos. Portafolio Z Seguro de Vida Individual Identificar las personas de tengan un seguro de Autos o GMM que con mayor probabilidad puedan requerir un seguro de vida. Seguro de Vida Individual Autos Data El número de registros es importante, pero el número de atributos es determinante. Información Personal: edad, género, código postal, etc. Información de Productos: prima, suma asegurada, tipo de cobertura, fecha de inicio Información del canal de ventas
36 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing Up-selling Cross-selling Propósito: Incrementar las ventas de Vida Individual mediante Up-selling a los clientes existentes. Propósitos: Incrementar las ventas de Vida Individual mediante Cross-selling a los clientes existentes en otros ramos. Portafolio Z Seguro de Vida Individual Identificar las personas de tengan un seguro de Autos o GMM que con mayor probabilidad puedan requerir un seguro de vida. Seguro de Vida Individual Autos Data El número de registros es importante, pero el número de atributos es determinante. Información Personal: edad, género, código postal, etc. Información de Productos: prima, suma asegurada, tipo de cobertura, fecha de inicio Información del canal de ventas
37 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra
38 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra
39 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra + portfolio clustering para desarrollo de productos El modelo Random forest predice la probabilidad de compra de un seguro de vida El modelo es optimizado con respecto al poder de predicción ID Cliente Aprendizaje supervisado Probabilidad de compra de un Seguro de Vida Potencial en Pesos ZZZZ % YYYY % XXXX % WWW % VVVV % UUUU % Aprendizaje no supervisado Se toman a los x 000 clientes con la más alta probabilidad de compra de un Seguro de Vida. Se definen las variables de entrada para la agrupación Se agruparon a los principales clientes con el fin de encontrar subgrupos homogéneos que nos sirvan para definir el desarrollo de productos de una manera más razonable y enfocada en un paso siguiente Variable 1 Variable 2 Portafolio Topx 000 clientes
40 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra + portfolio clustering para desarrollo de productos 1 2 Que variables se deben utilizar para los clusters? Cuál es el número óptimo de clusters? Edad Variable 1 Variable 2 Variable 3 Variable 4 Variable 5 Variable 6 Variable 7 Variable 8 Variable 9 Variable 10 Variable 11 Variable 12 Variable 13 Basados en la correlación, la agrupación de variables divide el conjunto de variables disponibles en grupos jerárquicos En el nivel más bajo, toma una sola variable por grupo (clúster) No se utilizaron las Variables 1 y 2 debido a que era repetitivas Primero, mediante un algoritmo de partición iterativa de clusters, se asignan los clientes al número de clusters definido hasta que el criterio de optimización se satisface. Mediante el criterio de Aligned box (ABC), se compara para cada número de clúster la dispersión de clientes dentro de cada clúster con respecto a una distribución de referencia simulada, dicha diferencia se le conoce como Estadística de Brecha. Estadística de brecha Número de clusters Para obtener la mejor segmentación de los clientes del portafolio se eligieron 4 clusters
41 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra + portfolio clustering para desarrollo de productos Se segmentaron en 4 clusters a los x 000 clientes con mayor probabilidad de compra Número de clientes Patrones estandarizados en comparación Cluster 1 Cluster 2 Cluster 3 Cluster 4 En que se parecen el patrón subyacente de cada clúster? Que tipo de producto es del interés de cada cliente?
42 Ejemplos de DA en la cadena de valor Ejemplo Ventas y Marketing: Cross selling propensión de compra + portfolio clustering para desarrollo de productos
43 Reflexiones 1 Data Analytics genera nuevas posibilidades para la industria aseguradora y nos encamina en la digitalización. 2 Métodos analíticos solo proporcionan valor en combinación con conocimiento de negocio. 3 Los actuarios podemos aportar un gran valor en la ejecución de las iniciativas estratégicas que se puedan desarrollar con DA. 4 DA es mucho más que solo reporting: métodos avanzados ayudan no solo a describir los datos, sino también a entenderlos. 5 Nuevos sistemas, tecnologías y capacitación de los recursos son necesarios. 6 Big Data necesita DA, pero DA no necesita Big Data!
44 MUCHAS GRACIAS POR SU ATENCIÓN Sebastián Restrepo Chica
BIG DATA SCIENCE & ANALYTICS
BIG DATA SCIENCE & ANALYTICS Enzo Roccasalva Head of Practice: Advanced Analytics & Risk CONOCIENDO A SAS +40 Años de Experiencia +75,000 Instalaciones +140 Países 1 o Empresa privada de software más grande
Más detallesBig Data en los seguros y fianzas
XXV International Seminar on Insurance and Surety - CNSF 19 de Noviembre de 2015 Sebastián Restrepo Chica Agenda I. Perspectiva Munich Re II. III. IV. Aplicaciones en los seguros de vida Retos Conclusiones
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesMinería de Datos Web. Cursada 2018
Minería de Datos Web Cursada 2018 Proceso de Minería de Texto Clustering de Documentos Clasificación de Documentos Es un método supervisado para dividir documentos en base a categorías predefinidas Los
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesR for Data Mining Análisis de datos, segmentación y técnicas de predicción con R. web
R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R web Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
Más detallesINTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2016-2017 n n n n n n n n Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesPROPUESTA DE MINOR CIENCIA DE LOS DATOS. DATA SCIENCE Resultados de Aprendizaje del Minor
PROPUESTA DE MINOR Nombre del Minor CIENCIA DE LOS DATOS DATA SCIENCE del Minor Al finalizar el Minor el estudiante logrará: Analizar y representar grandes volúmenes de datos complejos tales como: imágenes,
Más detallesÍNDICE. Introducción... Capítulo 1. Técnicas de minería de datos y herramientas... 1
ÍNDICE Introducción... XI Capítulo 1. Técnicas de minería de datos y herramientas... 1 Clasificación de las técnicas de minería de datos y herramientas más comunes... 1 Modelado originado por la teoría
Más detallesData Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing
Data Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing Presentación La generación de conocimiento es el proceso que reditúa las mayores ventajas competitivas en las organizaciones
Más detallesMachine Learning y su Utilización en Riesgo de. Seemant Teotia Sr. Director International Analytics Equifax Inc. USA. Crédito
Machine Learning y su Utilización en Riesgo de Seemant Teotia Sr. Director International Analytics Equifax Inc. USA Crédito Principios de Machine Learning Qué es? Por qué lo usamos? Cuándo lo usamos? Ejemplos
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesComputación distribuida e inteligencia computacional aplicadas a ciudades inteligentes
Computación distribuida e inteligencia computacional aplicadas a ciudades inteligentes Sergio Nesmachnow, Renzo Massobrio, Sebastián Baña Universidad de la República, Uruguay AGENDA Ciudades inteligentes
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesmobile intelligence El contenido correcto, al usuario correcto, en el momento Indicado
mobile intelligence El contenido correcto, al usuario correcto, en el momento Indicado Objetivos de una Operadora Personalizar el Cross selling/ Up selling de suscripciones a VAS, datos, voz, etc. Lograr
Más detallesDIPLOMADO EN DATA MINING
DIPLOMADO EN DATA MINING DIPLOMADO EN DATA MINING Los datos que tienen relevancia para las decisiones de gestión, se están acumulando a un ritmo increíble, debido a una serie de avances tecnológicos. La
Más detallesLínea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
Más detallesDATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY
DATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY DATA ANALYTICS ANTES DE LA APARICIÓN DE INTERNET Y REDES SOCIALES Pentaquark posee una metodología que se basa
Más detallesAprendizaje 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 detallesPredictive Analytics Análisis Avanzado. web
Predictive Analytics Análisis Avanzado web Presentación No es secreto que en esta era digital, la data que generan tanto las organizaciones como las mismas personas se vuelve abrumadora. Ahora mismo es
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesDESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER Big Data
DESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER 2016 + Big Data DESCRIPCIÓN Este curso está orientado a brindar a los alumnos los fundamentos necesarios en el campo del Business Intelligence
Más detallesINTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2017-2018 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado en Minería de Datos de la Universidad de Stanford.
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesQué son y qué papel juegan estas tecnologías en la era de la revolución digital? Inteligencia Artificial (AI) Machine Learning & Cognitive Computing
Qué son y qué papel juegan estas tecnologías en la era de la revolución digital? Inteligencia Artificial (AI) Machine Learning & Cognitive Computing Javier Alexander Rengifo, MSc. Javier Alexander Rengifo,
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesIntroducción Clustering jerárquico Clustering particional Clustering probabilista Conclusiones. Clustering. Clasificación no supervisada
Clustering Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Clustering jerárquico 3 Clustering particional 4 Clustering probabilista 5 Conclusiones Introducción Objetivos
Más detallesCustomer Segmentation and Clustering Métodos Analíticos Aplicados al Marketing. web
Customer Segmentation and Clustering Métodos Analíticos Aplicados al Marketing web Presentación La segmentación es, en esencia, un proceso por el cual se clasifican o categorizan objetos en grupos con
Más detallesR for Business Analytics
1 Curso: R for Business Analytics Introducción al Análisis Predictivo con R 2 Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas estadísticas
Más detallesProf. Dra. Silvia Schiaffino ISISTAN
Clustering ISISTAN sschia@ea.unicen.edu.ar Clustering: Concepto Cluster: un número de cosas o personas similares o cercanas, agrupadas Clustering: es el proceso de particionar un conjunto de objetos (datos)
Más detallesLa era de las decisiones inteligentes: Data Science y Marketing Digital
La era de las decisiones inteligentes: Data Science y Marketing Digital La Ciencia de Datos (Data Science) es una disciplina de reciente aparición que está revolucionando la forma en que se hacen negocios.
Más detallesNuevo plan de estudios. Especialización en Inteligencia de Negocios. Marzo de Curso Descripción Corta Contenidos
Nuevo plan de estudios Especialización en Inteligencia de Negocios Marzo de 2018 Curso Descripción Corta Contenidos Fundamentos de Inteligencia de Negocios y Gobierno de datos Almacenamiento de Información
Más detallesPredictive Analytics. Jugando el juego en la era de la información. 27 CONVENCION DE ASEGURADORES AMIS 16 de Mayo Jerónimo Ares Ariel Hojman
Jugando el juego en la era de la información 27 CONVENCION DE ASEGURADORES AMIS 16 de Mayo 2017 Jerónimo Ares Ariel Hojman Seguro de Automotores El mercado mexicano 2012-2016 CRECIMIENTO En México existen
Más detallesPrograma Internacional. Programa Certificado en. Big Data
Programa Internacional Programa Certificado en Big Data A1 Introducción La revolución del Mundo Digital ha permitido que las personas encuentren un gran sinnúmero de información, en el cual el problema
Más detallesClustering: Auto-associative Multivariate Regression Tree (AAMRT)
Introducción Tipos Validación AAMRT Clustering: Auto-associative Multivariate Regression Tree (AAMRT) Miguel Bernal C Quantil 12 de diciembre de 2013 Miguel Bernal C Quantil Matemáticas Aplicadas Contenido
Más detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesPROGRAMA DE CURSO. Código Nombre INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining Unidades
PROGRAMA DE CURSO Código Nombre IN 4521 INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar Personal
Más detallesExplotación del B2B y segmentación de la clientela
Explotación del B2B y segmentación de la clientela Cluster, Clasificación y Segmentación Sesión 4. 24/10/2018 A.M.Mayoral (asun.mayoral@umh.es), J.Morales (j.morales@umh.es) Ejemplo Adquisición oficina
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesMonitoreo y creación de alertas para prevención y detección de fraude. Lina María Chacón Cancino Andrés Felipe julio
Monitoreo y creación de alertas para prevención y detección de fraude Lina María Chacón Cancino Andrés Felipe julio INSTITUTO NACIONAL DE INVESTIGACIÓN Y PREVENCIÓN DE FRAUDE - INIF Misión Visión INIF
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesAnalizando patrones de datos
Analizando patrones de datos SQL Server DM, Excel DM, Azure ML y R Ana María Bisbé York @ambynet http://amby.net/ Temario Introducción a Minería de datos MS Office Excel Herramientas de tabla y Minería
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesSegmentación de clientes. Dra. Adriana Amigo
Dra. Adriana Amigo Objetivos de su tratamiento Temario Actividades propuestas para la mejor comprensión del tema. Objetivos de su tratamiento Conceptualizar el proceso de segmentación de clientes. Interrelacionar
Más detallesDEL LITTLE DATA AL BIG DATA. Tiempo de lectura: 15 minutos Fecha: 12 diciembre de 2017 Autor: Jaime Ortiz de Lejarazu
DEL LITTLE DATA AL BIG DATA Tiempo de lectura: 15 minutos Fecha: 12 diciembre de 2017 Autor: Jaime Ortiz de Lejarazu CONTEXTO Hace 3 semanas asistí a una charla de Big Data como asociados a Adigital, es
Más detallesMétodos de Regresión en Minería de Datos
Métodos de Regresión en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado en Minería de Datos de la Universidad de
Más detallesCredit Scoring for Risk Baking Aplicaciones en la Gestión de Riesgo Crediticio. web
Credit Scoring for Risk Baking Aplicaciones en la Gestión de Riesgo Crediticio web Presentación Quiénes son los clientes con mayor probabilidad de caer en mora? Cómo identificar, a futuro, los clientes
Más detallesBuenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.
Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM. Qué es la ciencia de datos? Es muy difícil encontrar una definición
Más detallesCurso: Big Data & Data Science PARA DIRECTIVOS
Curso: Big Data & Data Science PARA DIRECTIVOS El know-how básico para ejecutivos y directivos. Enseña a tomar decisiones basadas en Big Data y Data Science. Curso presencial. Contenidos A quién va dirigido?
Más detallesTABLA DE EQUIVALENCIAS DE ASIGNATURAS PLAN DE ESTUDIOS PROPUESTO PLAN DE ESTUDIOS
6500 FACULTAD DE INGENIERÍA Y ARQUITECTURA CARRERA DE INGENIERÍA DE SISTEMAS TABLA DE EQUIVALENCIAS DE ASIGNATURAS PLAN DE ESTUDIOS PROPUESTO 2018-1 PLAN DE ESTUDIOS 2017-1 PRIMER NIVEL 5111 6506 LENGUAJE
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS)
ANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS) AGRUPAMIENTOS Cuál agrupamiento es mejor? MÉTODOS DE AGRUPACIÓN Métodos jerárquicos: Los objetos se agrupan (dividen) i por partes hasta clasificar todos los
Más detallesDIMENSIONES ECONÓMICAS DEL NUEVO MODELO ENERGÉTICO EN ESPAÑA. Nuevos consumidores energéticos: el nuevo papel de las empresas consumidoras de energía
DIMENSIONES ECONÓMICAS DEL NUEVO MODELO ENERGÉTICO EN ESPAÑA Nuevos consumidores energéticos: el nuevo papel de las empresas consumidoras de energía Manuel Calvo Ingeniería y Tecnología de Redes y Clientes
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Más detallesLa Minería de Datos y el Negocio:
La Minería de Datos y el Negocio: Aplicaciones, Metodologías y Técnicas María Esther Ordóñez O. -2008 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas
Más detallesLa toma de decisión tiene que ver directamente con el tipo de información que existe en las organizaciones y la forma en que esa información es
La toma de decisión tiene que ver directamente con el tipo de información que existe en las organizaciones y la forma en que esa información es usada. 2 Datos: es un elemento aislado, recabado para un
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
Más detallesCURSO ECONOMETRÍA AVANZADA MULTISOFTWARE
CURSO ECONOMETRÍA AVANZADA MULTISOFTWARE El objetivo de este curso es la presentación de las TÉCNICAS ECONOMÉTRICAS AVANZADAS, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesR for Business Analytics
1 Curso: R for Business Analytics Introducción al análisis predictivo con R 2 Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca porque es una de las herramientas estadísticas
Más detallesHerramientas de Visualización y Análisis de Datos
1 Curso: Herramientas de Visualización y Análisis de Datos Genera gráficos de visualización para la presentación de datos 2 Presentación El análisis de información es actualmente una gran necesidad entre
Más detallesLLEVANDO LA CIENCIA DE LOS DATOS A LA CIENCIA HUMANA. Jorge Dryjanski Lerner
LLEVANDO LA CIENCIA DE LOS DATOS A LA CIENCIA HUMANA Jorge Dryjanski Lerner Ella es Linda Ella es Linda - 31 años - Soltera - Muy inteligente - Dedicada y extrovertida - Estudió Filosofía en la Universidad
Más detallesSISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS.
SISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS. MTIE. Erik Guerrero Bravo. Universidad Tecnológica Tula - Tepeji. Introducción Sistemas Transaccionales
Más detallesNUESTROS SERVICIOS BIG DATA
El fenómeno de la globalización ha acentuado la competencia en los mercados haciendo de la adquisición del conocimiento un factor determinante en el éxito empresarial. Este exige a las empresas el diseño
Más detallesDE LAS BD A LOS ALMACENES DE DATOS (DW) FINALIDADES Y EVOLUCIÓN DE LOS SISTEMAS DE INFORMACIÓN FINALIDADES Y EVOLUCIÓN DE LOS SISTEMAS DE INFORMACIÓN
DE LAS BD A LOS ALMACENES DE DATOS (DW)... ALMACENES DE DATOS (DATA WAREHOUSES Y DATA MARTS), OLAP (PROCESO ANALÍTICO EN LÍNEA) Y. DE LAS BD A LOS DW 1 DE LAS BD A LOS DW 2 LA INFORMACIÓN REDUCE NUESTRA
Más detallesPLAN DE ESTUDIOS
ESCUELA UNIVERSITARIA DE INGENIERÍA FACULTAD DE INGENIERÍA INDUSTRIAL CARRERA DE INGENIERÍA DE SISTEMAS 6500 PLAN DE ESTUDIOS 2017-1 PRIMER NIVEL 5111 6506 LENGUAJE Y COMUNICACIÓN I ---------------- 5
Más detallesYO, CIENCIA DE DATOS. BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016
YO, CIENCIA DE DATOS BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016 Qué es CIENCIA DE DATOS? La ciencia de datos es un campo interdisciplinario que involucra los procesos y sistemas
Más detallesTendencias en los seguros de vida. Act. Jorge Luis López Araiza Vega VP Actuary Head - México 16 de Mayo de 2017
Tendencias en los seguros de vida Act. Jorge Luis López Araiza Vega VP Actuary Head - México 16 de Mayo de 2017 La evolución del mercado de música 1960 1999 2001 2008 2015 La evolución del mercado de TV
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesPrograma Superior. en Inteligencia Artificial PROGRAMA
Programa Superior en Inteligencia Artificial PROGRAMA PROGRAMA SUPERIOR EN INTELIGENCIA ARTIFICIAL 1 Introducción a la Inteligencia Artificial Introducción sobre la evolución de las tecnologías clave de
Más detallesIntroducción a Minería de Texto. Fabián Latorre
Introducción a Minería de Texto Fabián Latorre fabian.latorre@quantil.com.co Contenido Qué es la minería de texto? Por qué es relevante? Por qué la estudiamos? Aplicaciones La complejidad del texto no
Más detallesSeptiembre 12, Bogotá, Colombia. #sqlsatbogota
Septiembre 12, 2015 Bogotá, Colombia #sqlsatbogota Capítulos Organizadores del SQL Saturday Patrocinadores del SQL Saturday Planea asistir al PASS Summit 2015? Comience a ahorrar hoy! El más grande evento
Más detallesCurso: R for Data Mining. Análisis de datos, segmentación y técnicas de predicción con R
1 Curso: R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R 2 Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
Más detallesDATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesGUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO. CURSO ACADÉMICO - SEMESTRE Primer semestre
GUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre FECHA DE PUBLICACIÓN Julio - 2015 Datos Descriptivos Nombre de la Asignatura
Más detallesBig Data. Plan de Estudio
Big Data Plan de Estudio Descripción Big Data, inteligencia de datos o datos masivos, se refiere a conjuntos de datos tan grandes que aplicaciones informáticas tradicionales de procesamiento de datos no
Más detallesCURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO Gestión empresarial de la información. Business Intelligence. Data Mining.
Más detallesR PARA SABER SI VAS A VENIR
1 R PARA SABER SI VAS A VENIR Aproximación a la predicción de cancelaciones en el sector hotelero 28 de febrero de 2017 QUIÉNES SOMOS? 2 Kernel Analytics Francisco Diego Data Scientist Claudia Guirao Data
Más detallesDATA ANALYTICS IMMERSION
DATA ANALYTICS IMMERSION Programa de estudio Aprendé a analizar datos y a desarrollar modelos predictivos para la toma de decisiones de negocios. Programa ejecutivo Quiénes somos DIGITAL HOUSE Somos un
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesConsultor en investigación social y de mercados y analista web.
Consultor en investigación social y de mercados y analista web 23 años de experiencia en investigación de mercados Amplio conocimiento de metodologías Manejo de SPSS y de modelos multivariantes Analista
Más detallesAnálisis Inteligente de Big Data
Análisis Inteligente de Big Data Conferencia LARG 2016 Act. Verónica Robledo Agenda Concepto Big Data Tipos de datos Análisis Inteligente Big Data vs. Business Intelligence Quién es el dueño de los datos?
Más detallesMATLAB para el Análisis Económico y Financiero Nivel Intermedio
MATLAB para el Análisis Económico y Financiero Nivel Intermedio Introducción: El presente curso hará un repaso de los conceptos de series de tiempo univariada y multivariada haciendo énfasis en su respectiva
Más detallesModelos GLM. Aplicación Orientada a la Tarificación. Convención Nacional de Aseguradores 2010 por Act. Eduardo Esteva Fischer. 25 de Mayo de 2010
Modelos GLM Aplicación Orientada a la Tarificación Convención Nacional de Aseguradores 21 por Act. Eduardo Esteva Fischer 25 de Mayo de 21 21 Towers Watson. All rights reserved. Qué es un Modelo Lineal
Más detallesCurso: Analytics for Beginners Estadística aplicada a los negocios
1 Curso: Analytics for Beginners Estadística aplicada a los negocios 2 Presentación No es secreto que en esta era digital la cantidad de datos que generan tanto las organizaciones como las mismas personas
Más detallesPROGRAMA EJECUTIVO EN BIG DATA ANALYTICS
DE Centro de Tecnologías de Información y Comunicaciones PROGRAMA EJECUTIVO EN BIG DATA ANALYTICS Métodos y herramientas para analizar datos y facilitar la toma de decisiones empresariales EDICIÓN DOMINGOS
Más detallesBusiness Intelligence: Un Enfoque Estratégico para la Mejora de Resultados y la Eficiencia Operacional de la Industria de la Salud
Business Intelligence: Un Enfoque Estratégico para la Mejora de Resultados y la Eficiencia Operacional de la Industria de la Salud SAP for Healthcare Octubre 2015 Cantidades gigantescas de datos abren
Más detallesBUSINESS INTELLIGENCE
BUSINESS INTELLIGENCE 80 Curso 01 INTRO- DUCCIÓN Hoy en día, el Business intelligence o inteligencia empresarial, es el grupo de estrategias, aplicaciones, datos, tecnologías, productos y arquitecturas
Más detallesAprendizaje No Supervisado
Aprendizaje Automático Segundo Cuatrimestre de 2015 Aprendizaje No Supervisado Supervisado vs. No Supervisado Aprendizaje Supervisado Clasificación y regresión. Requiere instancias etiquetadas para entrenamiento.
Más detallesCURSO ESPECIALIZADO ONLINE DE DATAMINING & CUSTOMER INTELLIGENCE. Curso Especializado
CURSO ESPECIALIZADO ONLINE DE DATAMINING & CUSTOMER INTELLIGENCE Curso Especializado CURSO ESPECIALIZADO ONLINE DE DATAMINING & CUSTOMER INTELLIGENCE 1. La importancia del datamining y el customer intelligence
Más detallesEl valor del Dato en la toma de decisiones. Let your Data and Ours speak
El valor del Dato en la toma de decisiones Let your Data and Ours speak El Big Data es una realidad y representa una revolución en todos los ámbitos de la empresa "Data are becoming the new raw material
Más detallesClasificación de estados cerebralesusando neuroimágenes funcionales
Clasificación de estados cerebralesusando neuroimágenes funcionales Clase 2: Reconocimiento de patrones en datos de neuroimagenes Enzo Tagliazucchi (tagliazucchi.enzo@googlemail.com) Primera clase: introducción
Más detallesNombre de la asignatura: Probabilidad y Estadística. Créditos: Aportación al perfil
Nombre de la asignatura: Probabilidad y Estadística Créditos: 3-2-5 Aportación al perfil Seleccionar y aplicar herramientas matemáticas para el modelado, diseño y desarrollo de tecnología computacional.
Más detallesR for Business Analytics
1 Curso: R for Business Analytics Introducción al Análisis Predictivo con R 2 Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca porque es una de las herramientas estadísticas
Más detallesDiplomado en Big Data aplicado a marketing analytics
Diplomado en Big Data aplicado a marketing analytics En convenio con Infórmese S.A.S. Diplomado en Big Data aplicado a marketing analytics Adquiera los conocimientos para abordar la analítica desde un
Más detalles