Gamificacion y Data Mining #GSM

440 visualizaciones

Publicado el

Gamificación y Data Mining
Gamification Spain Meetup
GSM Donostia San Sebastian

Publicado en: Datos y análisis
0 comentarios
1 recomendación
Estadísticas
Notas
  • Sé el primero en comentar

Sin descargas
Visualizaciones
Visualizaciones totales
440
En SlideShare
0
De insertados
0
Número de insertados
6
Acciones
Compartido
0
Descargas
15
Comentarios
0
Recomendaciones
1
Insertados 0
No insertados

No hay notas en la diapositiva.

Gamificacion y Data Mining #GSM

  1. 1. 2INDICE  NIVEL 0: Propósitos de la gamificación  NIVEL 1: ¡Generemos datos!  NIVEL 2: El concepto de Data Mining  NIVEL 3: Gamificación, deporte y datos  NIVEL 4: Los datos: materia prima del conocimiento  NIVEL 5: Gamificación, turismo y datos  NIVEL 6: Análisis avanzado y Análisis predictivo  NIVEL 7: Gamificación, salud y datos  NIVEL 8: Aspectos Legales  NIVEL 9: Data Hunters  NIVEL 10: Recursos
  2. 2. Incentivar Enseñar Medir Entretener 3PROPOSITOS DE LA GAMIFICACION Fuente: MarioHerger “Enterprise Gamification”.
  3. 3. Vamos a comenzar ¡Generando datos!
  4. 4. Continuamente estamos generando información. Procesarla nos puede ayudar a tomar decisiones. EL CONCEPTO DE DATA MINING
  5. 5. 6GAMIFICACION, DEPORTE Y DATOS
  6. 6. 7LOS DATOS: LA MATERIA PRIMA DEL CONOCIMIENTO Clasificación:  Internos/externos  Estructurados/no estructurados El dato debe buscar al usuario OpenData vs LinkedData vs Bigdata Las tres “V” del Big Data  Volumen  Variedad  Velocidad Oportunidades:  Análisis de clientes/marketing  Análisis de internet/móviles/redes sociales  Efectividad operativa  Análisis de fraude y riesgo PROCESO CRISP-DM Fuente Imagen: Wikipedia
  7. 7. 8GAMIFICACIÓN, TURISMO Y DATOS  ¿Cuántos turistas pernoctan?  ¿Cuál es su país de procedencia?  ¿Quiénes son los que más gastan?  ¿Duración de su estancia media?  ¿En qué localidades alojan?  ¿Qué establecimientos visitan?  ¿Cuál es su franja de edad?  ¿Con quién vienen acompañados?  Comportamientos personalizados  Efectividad de campañas promocionales
  8. 8. 9ANALISIS AVANZADO Y ANALISIS PREDICTIVO  Análisis avanzado: tener conocimiento preciso para tomar decisiones inteligentes y poder anticipar problemas y resolverlos de forma proactiva.  Análisis Predictivo: conectar datos con toma de decisiones extrayendo conclusiones fiables acerca de las circunstancias actuales y eventos futuros  Métricas vs Predicciones  Escenarios de Negocio  Recomendaciones  Compañías de teléfonía móvil  Seguros  Servicios financieros  Marketing online  Motores de búsqueda  Previsión de enfermedades  Lucha contra delitos
  9. 9. 10GAMIFICACION, SALUD Y DATOS  Rehabilitación y programas de ayuda  Sistemas EMR (Electronic Medical Record).  Monitorización de mediciones  Analítica avanzada: Relaciones entre diagnósticos/tratamientos y efectos sobre la salud.  Teleasistencia personalizada  Adherencia a la medicación/Recordatorios  Obstáculos a salvar:  Diversidad de formatos y sistemas  Compartición de repositorios de datos  Registros incompletos  Información “en papel” Fuente Imagen: Healthprize.com
  10. 10. 11ASPECTOS LEGALES  Para los negocios, el análisis de los datos supone una oportunidad  Para los “jugadores” significa una pérdida de control de información personal  Ley Orgánica 15/1999, de 13 de diciembre, de Protección de Datos de carácter personal regula aspectos como  Derecho a información en la recogida de datos  Consentimiento del afectado  Datos especialmente protegidos  Datos relativos a la salud  Seguridad de los datos  Acceso a datos por terceros
  11. 11. 12LOS DATA BROKERS Fuente imagen: ftc.gov  La población no sabe que existen  Recaban y venden info personal  Sin consentimiento ni conocimiento de usuarios  Utilizados por otras empresas para verificar identidades, detectar fraudes, orientar campañas  Categorizan consumidores con mal historial de crédito o a personas con problemas de salud
  12. 12. 13RECURSOS (PARA EMPEZAR Y AL ALCANCE DE TODOS)  Libros:  Data Mining (Practical Machine Learning Tools and Techniques): Ian H. Witten, Eibe Frank and Mark A. Hall  Data Mining for the Masses: Dr. Matthew A North  Herramientas  Rapidminer  LibreOffice  Google Prediction API  Google Fusion tables
  13. 13. MAPA DE HERRAMIENTAS OPEN SOURCE Fuente: http://www.bigdata-startups.com/open-source-tools/
  14. 14. Si quieres saber más síguenos en: www.gamileku.com gamileku@deustosistemas.net @gamileku www.facebook.com/gamileku

×