2. • Todo Comienza con Datos
• ¿Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
3. • Todo Comienza con Datos
• ¿Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
4. ....Todo comienza con datos
En el mundo se
tienen 500.000 +
data centers,
.. Para llenar 5,955
campos de fútbol
5. El mercado de Big Data aumentó
de USD. 3,200,000,000
A USD. 16,900,000,000
Tenemos producido mas información en los 2 últimos años
2014 2016
3,500,000,000,000,000,000 bytes de datos
2010 2015
..Todo comienza con datos
6. De acuerdo a un estimado, la humanidad creo 150 exabytes
(mil millones de Gb) de datos en 2005. Para el años 2010 se
creó 1,200 exabytes.
«Simplemente mantener el paso de este flujo, y
guardar lo que consideramos útil, es lo
suficientemente difícil»
«Analizarlo para descubrir patrones y extraer
información útil es aún mas difícil»
(The Economist. The Data Deluge. Feb. 2010)
…..Todo comienza con datos
7. • Todo Comienza con Datos
• ¿Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
8. …Qué es Data Mining
Cerca del 80% de los CEO’s dicen que Data Mining & Inteligencia de Negocios son
estratégicamente importantes para los negocios.
• Es Estadística aplicada a bases de datos grandes
Data Mining Magia
«La exploración y análisis , de grandes cantidades de datos con el propósito de descubrir patrones y reglas interesantes» Berry & Linoff
«Análisis de datos observacionales con el objetivo de encontrar relaciones no sospechadas y resumir los datos en maneras novedosas»
Hand, Mannila & Smyth
9. Tecnologías emergentes y tendencias
Fuente: Under cyber attack: EY’s Global Information Security Survey 2013.
10. ¿Por qué es relevante hoy?
• Los datos están siendo generados.
• Los datos están siendo guardados.
• Las computadoras actuales nos permiten este análisis.
• El software para hacerlo está disponible comercial .
• La presión de la competencia es «fuerte».
11. Algunas historias de éxito
• Capital One
• Amazon
• Netflix
• Harrah’s Entertaiment
12. • Todo Comienza con Datos
• ¿Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
13. Agenda Relaciones. Insight. Crecimiento
Análisis Avanzado
Sector de la Banca
La banca minorista está cambiando rápidamente, ¿estás listo?
14. Aplicaciones Típicas en el Sector de la Banca
Entender su mercado
destino
Llegar a conocer lo que atrae a la
gente y cómo los productos y
servicios deben ser
comercializados
Valor futuro del cliente
Predecir el valor futuro del
clientes. Centrarse en los valiosos
y optimizar su flujo de ingresos.
Aumentar los márgenes
Ajustar el gasto de marketing
individual basado en el valor
financiero de cada cliente que
trae a su negocio.
Optimizar las
conversaciones
Lograr un mayor éxito con su
alcance de comercialización
mediante la mejora de las tasas de
conversión y reducir el gasto de
marketing.
Marketing y Ventas – Retención de Clientes – Comportamiento de clientes
Utilización de Costo – Control de Calidad – Inventarios – Fraude
Valor de vida del clienteSegmentación de Clientes
15. Aplicaciones Típicas en el Sector de la Banca
Integrar múltiples
canales
Proporcionar al cliente una
experiencia integrada en todos los
canales de marketing y ventas
Puntuación de riesgo y
estabilización de costos
Corroborar su toma diaria de
decisiones a través de modelos de
puntuación del riesgo que cuantifican
deudor o fiabilidad del proveedor..
Detectar Fraude
Identificar el comportamiento
fraudulento naciente e intervenir
para evitar que los criminales
contaminen su negocio.
Perspectiva de 360° del
cliente
Obtener una visión integral de cada
cliente individual. No sólo saber
comportamiento pasado de un cliente,
sino anticipar su futuro.
Marketing y Ventas – Retención de Clientes – Comportamiento de clientes
Utilización de Costo – Control de Calidad – Inventarios – Fraude
Siguiente Mejor Acción Gestión del Riesgo
16. Aplicaciones Típicas en el Sector de la Banca
Mejorar la experiencia del
cliente
Anticipar lo que los clientes
necesitan y mejorar la satisfacción
y lealtad del cliente.
Retener la lealtad del cliente
. Ante muchas opciones de productos es
importante predecir cuando un cliente está en
un alto riesgo de rotación y desarrollar de
manera preventiva acciones que desarrollen y
mantengan su lealtad.
Predecir con precisión
Saber de antemano qué clientes
van a rotar y por qué. Tomar una
decisión proactiva sobre este
conocimiento para evitar su salida.
Aumentar la conversión
Identificar a los clientes con una
alta probabilidad de responder a
una campaña, para la compra de su
producto, o para suscribirse a sus
servicios.
Marketing y Ventas – Retención de Clientes – Comportamiento de clientes
Utilización de Costo – Control de Calidad – Inventarios – Fraude
Prevención de rotaciónPropensión del Producto
17. • Todo Comienza con Datos
• ¿Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
18. Integración
#1. Técnicas de Agrupamiento o
Clustering
• Segmentación de Clientes
• ¿Existen grupos de clientes que
se comporten de manera
semejante y que puedan tratarse
de manera semejante?
19. Integración
#2. Técnicas de Reglas de Asociación
• Market Basket Analysis
• ¿Existen grupos de productos que
nuestros clientes tienden a
comprar juntos?
• ¿Podemos diseñar programas de
ventas cruzadas o upselling?
20. # 3. Técnicas de Regresión Lineal
Arboles de Regresión - KNN
• Profiling / Prospecting
• Perfil de nuestros clientes: Cuanto nos
comprará un cliente con estas
características?
• ¿Qué tipo de cliente debemos ir a
buscar?
• Perfil de rentabilidad de nuestros
clientes
Integración
21. #4. Técnicas de Regresión Logística
Arboles de Clasificación - KNN - Naive Bayes -
SVM
• Adquisición/Retención/Deserción
• ¿A que clientes debemos contactar para
iniciar una relación de negocios? Cuáles
debemos evitar?
• ¿Que clientes estamos en riesgo de
perder?
¿Podemos identificarlos?
¿Podemos hacer algo para retenerlos?
Integración
22. • Todo Comienza con Datos
• Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
25. • Todo Comienza con Datos
• Qué es Data Mining?
• Aplicaciones Típicas
• Análisis Avanzado
• El Proceso de Data Mining
• ¿Qué es GerenciArte?
Agenda Relaciones. Insight. Crecimiento
26. Optimización de las ventas
Conocimiento de
la Industria
Análisis de Datos Integración
Ventas/Entregas Marketing
Modelo Operacional GerenciArte
27. Optimización de
las ventas
Qué es la optimización de ventas?
Un número de segmentos de mercado que tiene tradicionalmente
soportado por marketing y ventas están empezando a relacionarse junto
a nuevos segmentos ….
Agencias
Estrategia de oferta pero
poca implementación de
apoyo
Los Vendedores de
Marketing
Soluciones tácticas (DM,
digital, online, etc.) pero no
parte de una estrategia
integrada.
CSO
Los representantes de ventas
son caros vs. un enfoque
multicanal
Marketing/Ventas
El trabajo duro de
empresas que hacen
internamente y
requiere significativa
habilidades e inversión
28. Marketing y ventas basado en experiencias
Reducción del Ruido
&
Mejorar el Enfoque
BANCO
Determinar
Comunicación
Preferencias
Segmentación &
Focalización
Planificación
automática.
Pruebas & Ejecución
Mejorar los resultados
financieros
Aumento de su
compromiso y
adopción
Existen diferentes formas de tratar al cliente, puede ser tratarlos de igual forma a todos o bien un trato personalizado, en algunas compañias Data Mininr permite ridiculamente acercarse a esto.
Que es DM y como le puede aplicar un gerente. - A donde hay datos hay DM relevante Finanzas, Ventas, Etc.
En DM necesitamos alguien en el equipo que hable SQL, Estadísticas, DM, Negocios.
En DM lo importante son los clientes pero mas que todo la rentabilidad que se puede generar con esto. Estamos haciendo DM porque creemos que podemos ayudar a la empresas a entender a su cliente y ser mas rentable. Al ver al mundo de otra perspectiva.
Los proyectos de DM esta concentrado en hacer mas rentable a la empresa.
Existen diferentes formas de tratar al cliente, puede ser tratarlos de igual forma a todos o bien un trato personalizado, en algunas compañias Data Mininr permite ridiculamente acercarse a esto.
Que es DM y como le puede aplicar un gerente. - A donde hay datos hay DM relevante Finanzas, Ventas, Etc.
En DM necesitamos alguien en el equipo que hable SQL, Estadísticas, DM, Negocios.
En DM lo importante son los clientes pero mas que todo la rentabilidad que se puede generar con esto. Estamos haciendo DM porque creemos que podemos ayudar a la empresas a entender a su cliente y ser mas rentable. Al ver al mundo de otra perspectiva.
Los proyectos de DM esta concentrado en hacer mas rentable a la empresa.
Este es un articulo que publica la revista El economista hace 5 años, sobre la importancia de DM en el mundo de los negocios para empresas modernas.
Grafica interesante, sobre la cantidad de datos que estamos generando como sociedad. Cada vez es mas pronunciado.
Noten que una fracción de esos datos lo terminamos guardando y una fracción infinitamente pequeña termina siendo analizada.
Entonces hay una gran riqueza de datos pero se hace muy poco análisis.
Hay un déficiti del personal para hacer este análisis.
Quien sea capaz de procesar esos datos y convertir en información realmente va a tener una ventaja sobre su industria., los demás.
Que es DM, primero dejenme comenzar afirmando que no es DM.
Hay empresas de software que estan haciendo promesas que realmente no se cumplen.
DM no se puede hacer todo, particularmente no es magia.
Hay proceso que no son pronosticalbes, como la bolsa y la lotería, sin embargo, hay metodologias de como pronosticar un poquito y me comparo con no hacer nada.
DM no es encontrar cosas obvias, si no mas bien cosas entendible y utiles
El resultado de un proyecto de DM que funcione para la empresa es información sobre la que yo puedo actuar. Si no actuo basado en los resultados de DM entonces el proyecto no funciono, porque yo quiero es cambiar procesos cambiar como lidio con los clients, una vez que los conozco mejor.
A veces las empresas no lo quieren prestar pero tampoco las usan. Nadie la usa, tenemos que registrar las transacciones en nuestro sistema, pero nunca se exploral BD y esa base de D nadie la puede explorar si no es la compañía que la tiene, entonces es un recursos es un activo que esta siendo desperdiciado.
Big Data está generando una intensa cantidad de atención entre empresas, medios de comunicación e incluso los consumidores, junto con la analítica, cloudbased tecnologías, canales digitales y visualización de datos. Estos son Todo forma parte del ecosistema diverso corriente creada por la tecnología
megatendencias. Sin embargo, como en el primeros días de la Internet, existe incertidumbre acerca de lo grandelos datos es, sus beneficios potenciales y Las organizaciones suelen ver estos tecnologías como la que ofrece oportunidades para mejorar su desempeño y crear una ventaja competitiva. Aquí es donde la familiaridad y confianza en las capacidades necesita aumentar la actualidad, como la importancia de estas tecnologías es probable que aumente significativamente en un futuro próximo.
El término Big Data se ha convertido en un tema importante de la tecnología medios de comunicación, sino que también ha hecho cada vez más su camino en muchos cumplimiento, auditoría interna y gestión del riesgo de fraude relacionados discusiones. En la Encuesta Global Analytics Forense de Datos de EY 2014,
El 72% de los encuestados cree que las tecnologías emergentes de datos grandes pueden desempeñar un papel clave en la prevención y detección del fraude. Sin embargo, sólo el 7% de los encuestados eran conscientes de las tecnologías específicas de datos grandes, y sólo el 2% era en realidad el uso de ellos.
análisis de datos forenses (FDA) de tecnologías están disponibles para ayudar empresas sigan el ritmo de los crecientes volúmenes de datos, así como
comerciales y regulatorias complejidades; ejemplos pueden incluir Los motores de procesamiento analítico en tiempo real que hacen negocio rápida
decisiones, tales como detener un pago indebido o potencialmente transacción comercial, o el aprovechamiento de lucha contra el fraude / lucha contra la corrupción controles que integran el seguimiento de la visualización de datos, estadística el análisis y la minería de texto. Sin embargo, a pesar de su disponibilidad, muchos las empresas no han ampliado su uso de datos para aprovechar de estas herramientas eficaces, y pueden faltar fraude importante
prevención y detección de oportunidades al no minería de datos más grandes establece para controlar con mayor fuerza las actividades de negocio.
Tenemos muchos datos pero poca información. Entonces uno puede ver el proceso de DM como el proceso de transformar 1 y 0 en informaión sobre la que podemos actuar.
Finalmente tenemos computadoras que pueden procesar estas BD, y si no las tenemos las podemos rentar, esa es la belleza de la epoca en que vivimos.
Esto es mucho mejor para todas las empresas, pero especialmetne para las empresas pequeñas, porqu no se tienen que gastar la millonada de plata, si resulta que la idea no funciona, entonces no. Y si funciono, entonces si puede trabajar con la nube.
Y finalmente, la presión de la competencia es fuerte, no hay barreras de entradas, el que quiera hacer esto lo hace, de hecho lo unico que necesitas es voluntad, porque no hay una patente que te impida la utilización de este software, la utilización de la computadora para hacer las cosas en la compañía, esntonces es simplemente quien lo hace primero y quien toma la ventaja sobre los demás.
Pero finalmente si todo mundo lo esta haciendo y yo no entro en desventaja en comparación con la competencia.
Historias de éxito, Principalmente en USA.
Netflix, Amazon, lideres en la utilizaci´n de datos y procesamiento de D para hacer mejor el negocio.
LA historia de Capital One, que trata de descubrir quien es el segmento mas rentable y robarselo a la competencia, sin que se dieran cuenta. Entonces terminaron con un segmento sumamente rentable de tarjetas de crédito y se convertieron de un banco pequeño en el monstruo que son.
Para que ustedes me recomienden para lo estudiantes del siguiente semestre, jaja.. Y tenga buena evaluación, vamos a enfocar a DM para resolver un problema de negocio.
Mi tarea es demostrar que todo lo avanzado es relevante en las empresas modernas.
Ahí tenemos las aplicaciones principales de DM en el mundo de los negocios, esta es una encuesta en EEUU en 500 compañias, y como se esta utilizando DM. Como se ve que las principales aplicaciones tiene que ver con el manejo de los clientes. Ventas.- mkt – retención de clientes
Caso: estoy perdiendo clientes de una cia de telefonia celular, identifico a los clientes que se estan yendo, que hago cuando los identifique, definir perfiles de los clientes para entenderlos mejor y poder venderles mas.
Pero DM tb se aplica a operaciones a control de calidad, inventario o bien para construcción de un score (finanzas) diferencias de un cliente de acuerdo a su capacidad de pago.
Para que ustedes me recomienden para lo estudiantes del siguiente semestre, jaja.. Y tenga buena evaluación, vamos a enfocar a DM para resolver un problema de negocio.
Mi tarea es demostrar que todo lo avanzado es relevante en las empresas modernas.
Ahí tenemos las aplicaciones principales de DM en el mundo de los negocios, esta es una encuesta en EEUU en 500 compañias, y como se esta utilizando DM. Como se ve que las principales aplicaciones tiene que ver con el manejo de los clientes. Ventas.- mkt – retención de clientes
Caso: estoy perdiendo clientes de una cia de telefonia celular, identifico a los clientes que se estan yendo, que hago cuando los identifique, definir perfiles de los clientes para entenderlos mejor y poder venderles mas.
Pero DM tb se aplica a operaciones a control de calidad, inventario o bien para construcción de un score (finanzas) diferencias de un cliente de acuerdo a su capacidad de pago.
Para que ustedes me recomienden para lo estudiantes del siguiente semestre, jaja.. Y tenga buena evaluación, vamos a enfocar a DM para resolver un problema de negocio.
Mi tarea es demostrar que todo lo avanzado es relevante en las empresas modernas.
Ahí tenemos las aplicaciones principales de DM en el mundo de los negocios, esta es una encuesta en EEUU en 500 compañias, y como se esta utilizando DM. Como se ve que las principales aplicaciones tiene que ver con el manejo de los clientes. Ventas.- mkt – retención de clientes
Caso: estoy perdiendo clientes de una cia de telefonia celular, identifico a los clientes que se estan yendo, que hago cuando los identifique, definir perfiles de los clientes para entenderlos mejor y poder venderles mas.
Pero DM tb se aplica a operaciones a control de calidad, inventario o bien para construcción de un score (finanzas) diferencias de un cliente de acuerdo a su capacidad de pago.
DM utiliza ciertas técnicas, útiles para resolver problemas de negocios.
Entonces queremos segmentar los clientes, queremos hallar grupos de clientes que se comporten de una manera semejante dentro del segmento, pero diferente de segmento a segmento.
Ahí esta el gran compromiso de tratar a todo el mundo igual y absoluta personalización que a veces es absolutamente cara, segmentación es si quieren compromiso entre esos 2 extremos.
Clustering: con BD con cuentas de un cliente latam, y se tiene todas las transcciones de crdito por un periodo de 14 meeses y lo que puede ver es relamente si se puede segmentar a los clientes de ese banco, de acuerdo a como compran o como usan la tarjeta de credito, osea inmediatamente resuelve un problema de negocios, crear grupos que pueda tratar de una manera diferente y pueda generar más rentabildiad para la empresa.
Min. 1.04.
Cuando hablamos de Reglas de asociación, cuáles son los problemas que estamos tratando de resolver o la información que estamos buscando con esa técnica?
La técnica se llama MBAnalaysis, que surgió en supermercados, lo que querian saber es como compra la gente, como compra la canasta.
Y queremos saber no grupos de clientes sino grupos de producto que tienen a comprarse juntos y para diseñar programas de ventas cruzadas, de upselling, cross-selling, que nos ayuden a vender más.
Que nos ayuden a vender ma´s
Estas tecnicas ya son aplicadas a perfiles,
Prospecitgn tiene que ver con si voy a ir a buscar clients nuevos con informacoón que es nueva, que carcateristica tiene los clientes que son rentables. Es decir, quiero cleintes nuevos, pero no quiero crecer realmente, a quienes busco? Cuales son los perfiles de los clientes rentalbes? Y que tipo de clientes voy a ir a buscar?
Porfiling: aplicada a definicir perfiles, lo hago solo cuando son mis clientes.
Estas tecnicas nos sirven para contestar estas preguntas.
Lo que se quiere es un pronostico acertado.
Las otras técnicas como Rlineal, Arboles, se aplican al desarrollo de perfiles, profiling, yo hago el perfil de mis clientes basado en información cuando son solo mis clientes, prospecting, tiene que ver con si voy a ir a buscar clientes nuevos con información que es pública que características tienen los clientes que son rentables. El perfil lo puedo hacer solo cuando eres mi cliente, mientras que la parte de prospecting para clientes nuevos, cuando queiro crecer, entonces a quienes busco, que tipo de clientes debo ir a buscar.
Estas tecnicas sirven para responder a estas preguntas.
Problemas de adquición, renteción, deserción.
Entonces ese es el procedo de DM para ilustrar en que consiste un proyecto de DM,
Un proyecto DM comienza con la definición de un problema de negocios. Tengo un problema en la empresa, formulación clara del problema MBA. Donde yo creo que el análisis y el procesamiento de datos pueden ayudar a resolver ese problema.
Entonces entiendo el problema del negocio ejm. Estoy perdiendo clientes, los clientes se me estan yendo y no se porque, podré apoyarme con DM. 2da fase es, tengo base de datos dentro la compañía o comprar informaicón externa que me ayuden a resolver ese problema.
Ahora viene la parte de Data Understanding, visualización para empezar a entender mejor el problema.
Un vez q tenemos el problema y tenemos la BD vamos a tratar de desarrollar modelos que nos ayuden a resolver este problema.
Finalmente, el modelo podría ser implementado en la realidad.