Ponencia: Predicciones empresariales a partir del Big Data. COIICV: Jornada Big Data, transformando procesos y negocios

1. Alejandro Rabasa
Alejandro RabasaAlejandro Rabasa
a.rabasa@umh.esa.rabasa@umh.es 1
Predicciones empresarialesPredicciones empresariales
a partir del Big Dataa partir del Big Data
Elche, 11 de Abril de 2014Elche, 11 de Abril de 2014

2. Alejandro Rabasa
2
¿¿QUIQUIÉÉNES SOMOS?NES SOMOS?
Dpto. Estudios
Económicos y
Financieros
KE + DA
… desde 2003
2011
desde Julio, 2013…

3. Alejandro Rabasa
EL EXCESO DE INFORMACIEL EXCESO DE INFORMACIÓÓNN
DIFICULTA LA TOMADIFICULTA LA TOMA
DE DECISIONESDE DECISIONES 3
EL PROBLEMAEL PROBLEMA
Mitchell Kapor

4. Alejandro Rabasa
4
LA SOLUCILA SOLUCIÓÓNN
Prescindir de loPrescindir de lo
irrelevante y quedarnosirrelevante y quedarnos
con lo fundamentalcon lo fundamental

5. Alejandro Rabasa
BIG DATA (+ DATA MINING)BIG DATA (+ DATA MINING)
5
RECOPILAR
ALMACENAR
ANALIZAR
(DATA MINING)
INTEGRAR
REPRESENTAR
MEJORES DECISIONES

6. Alejandro Rabasa
6
MODELOS PREDICTIVOSMODELOS PREDICTIVOS
ahoraDESCRIPCIÓN PREDICCIÓN
tiempo
variable

7. Alejandro Rabasa
7
Sistemas de RegresiSistemas de Regresióón Cln Cláásicossicos
Series Temporales, ARIMASeries Temporales, ARIMA
Y otrosY otros……
ÁÁrboles de Regresirboles de Regresióónn
ÁÁrboles de Clasificacirboles de Clasificacióónn
Reglas de ClasificaciReglas de Clasificacióónn
Reglas de AsociaciReglas de Asociacióón (mejoradas)n (mejoradas)

8. Alejandro Rabasa
8
Series Temporales (modelos mixtos)

9. Alejandro Rabasa
9
MODELOS PREDICTIVOSMODELOS PREDICTIVOS
Reglas de Clasificación

10. Alejandro Rabasa
10
Árboles de Clasificación

11. Alejandro Rabasa
Reglas de Asociación (mejoradas)
11

12. Alejandro Rabasa
DESTACAMOS 3 CASOS MUY RECIENTESDESTACAMOS 3 CASOS MUY RECIENTES ……
-- Reduciendo costes gracias a unReduciendo costes gracias a un consumoconsumo óóptimo deptimo de
recursosrecursos
-- Priorizando puntos de recogidaPriorizando puntos de recogida a partir de grandesa partir de grandes
histhistóóricos de datosricos de datos
-- Resolviendo problemas de logResolviendo problemas de logíística,stica, anticipanticipáándonos andonos a
problemas derivados de la demanda (B2C)problemas derivados de la demanda (B2C)
12
PREDICIENDO EN DIFERENTES ESCENARIOSPREDICIENDO EN DIFERENTES ESCENARIOS

13. Alejandro Rabasa
PROBLEMA:PROBLEMA:
PruebasPruebas prepre--operatoriasoperatorias
excesivas: invasivas, carasexcesivas: invasivas, caras
y que generan listas dey que generan listas de
espera para intervenciespera para intervencióónn
SOLUCISOLUCIÓÓN:N:
AnAnáálisis de datos paralisis de datos para
descubrir las condicionesdescubrir las condiciones
en que dichas pruebas sonen que dichas pruebas son
prescindiblesprescindibles
13

14. Alejandro Rabasa
14

15. Alejandro Rabasa
PROBLEMA:PROBLEMA:
Muchas paradas innecesarias paraMuchas paradas innecesarias para
visitar campanas casivisitar campanas casi--vacvacíías.as.
SOLUCISOLUCIÓÓN:N:
PredicciPrediccióón de llenado den de llenado de
campanas, en funcicampanas, en funcióón de histn de históóricosricos
de datos.de datos.
15

16. Alejandro Rabasa
Fase I. AplicaciFase I. Aplicacióón mn móóvil paravil para
recogida de nuevos datos (recogida de nuevos datos (““nono--
vaciadovaciado”” y nivel) en tiempo real.y nivel) en tiempo real.
Fase II. CFase II. Cáálculo de prioridades delculo de prioridades de
recogida (por campana) enrecogida (por campana) en
funcifuncióón de estimacin de estimacióón de nivel den de nivel de
llenado.llenado.
16

17. Alejandro Rabasa
PROBLEMA:PROBLEMA:
Las reservas que no terminan enLas reservas que no terminan en
alquiler generan grandes gastosalquiler generan grandes gastos
SOLUCISOLUCIÓÓN:N:
Detectar el perfil (procedencia,Detectar el perfil (procedencia,
temporada, antelacitemporada, antelacióónn……) que) que
conduce a reservas infructuosasconduce a reservas infructuosas
17

18. Alejandro Rabasa
18

19. Alejandro Rabasa
EL EXCESO DE INFORMACIEL EXCESO DE INFORMACIÓÓNN
DIFICULTA LA TOMA DE DECISIONESDIFICULTA LA TOMA DE DECISIONES
ES UN PROBLEMA QUE TIENE SOLUCIES UN PROBLEMA QUE TIENE SOLUCIÓÓN:N:
BIG DATA ( + DATA MINING )BIG DATA ( + DATA MINING )
PREDICCIONES FIABLESPREDICCIONES FIABLES DECIDIR CON ANTELACIDECIDIR CON ANTELACIÓÓNN
MEJORA DE LA RENTABILIDAD / COMPETITIVIDADMEJORA DE LA RENTABILIDAD / COMPETITIVIDAD
19
CONCLUSIONESCONCLUSIONES

20. Alejandro Rabasa
GRACIASGRACIAS
20
Alejandro RabasaAlejandro Rabasa
a.rabasa@umh.esa.rabasa@umh.es