How to use Redis with MuleSoft. A quick start presentation.
A. Rabasa. Predicciones empresariales a partir del Big Data. Semanainformatica.com 2014
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
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
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)
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
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
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