Dataminning
•Descargar como PPT, PDF•
0 recomendaciones•910 vistas
Este documento describe la minería de datos, sus aplicaciones, retos y oportunidades. Primero, explica las ventajas competitivas de la minería de datos y una metodología general. Luego, presenta dos aplicaciones específicas de la minería de datos en televisoras y bancos. Finalmente, concluye que existen múltiples áreas de oportunidad pero también la necesidad de recursos humanos capacitados.
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (19)
Destacado
Destacado (20)
Similar a Dataminning
Similar a Dataminning (20)
Más de Luis Manuel Callejas
Más de Luis Manuel Callejas (18)
Último
Último (16)
Dataminning
- 1. Minería de Datos: Aplicaciones, Retos y Oportunidades Luis Manuel Callejas Saenz Maestria en e-Commerce Instituto Tecnológico De Monterrey 1
- 2. Minería de Datos: Aplicaciones, Retos y Oportunidades Ventajas competitivas de MD Una metodología de MD Aplicaciones Televisoras Bancos - Prospex Conclusiones 2
- 3. Ventajas competitivas de Minería de datos 3
- 4. Crecimiento Exponencial Tamaño de la base de datos de UPS • para registro de envios: 17 terabytes Libros en “The Library of Congress”: • 17 millones Espacio por libro: 1 Mega Espacio requerido: 17 terabytes Elemento 1900 2000 % crecim. Población 1.6 billones 6 billones 3.75 Velocidad terrerste 100 millas/hr 400 millas/hr 4 Distancia 25,000 millas 475,000 1,500 Velocidad aérea 200 millas/hr 25,000 millas/hr 12,500 Datos 10s Mega bytes 10s Tera bytes 100,000 4
- 5. Habilitadores Tecnológicos Costo por megabyte en disco hace diez años: ≈ $50.00 USD actualmente: ≈ $0.10 USD Costo de un terabyte : actualmente: ≈ $100,000 USD Velocidad de procesamiento Computadora Alaska a 1.35 Gigaherts a $1,500 USD Memoria RAM PC con memoria RAM de 128M a 1 Giga por menos de $2,000 USD 5
- 6. Paradoja Ahogados en datos y carentes de información y conocimientos 6
- 7. Elementos de competitividad Negocios Inteligencia de Negocios Aprendizaje organizacional (CRM) OLTP RDB, DWH, DM OLAP Sentidos Razonamiento Memoria Minería de datos Aprendizaje 7
- 8. Elementos de competitividad Aprender sobre los clientes y utilizar lo aprendido sobre los clientes para aumentar la rentabilidad de la compañía y hacerles a los clientes la vida más fácil B2B Tipos de cliente B2C 8
- 9. Elementos de Competitividad Adquisición Activación Admón de la relación Cliente perdido Cliente Cliente Cliente Cliente Retiro prospecto nuevo establecido rentable voluntario Mercado Cliente Cliente Cliente meta nuevo inicial potencial Cliente Retiro bajo valor forzado Winback Campañas winback Respuesta a Nivel de compra Cancelaciones forzadas Campañas de campañas de adquisición adquisición Ventas cruzadas Cero compras Solicitudes Upgrades 9 Cancelación voluntaria
- 10. Minería De Datos Proceso para la extracción de patrones significativos en grandes volumenes de datos El pasado es un buen predictor del futuro Hay datos disponibles Los datos contienen lo que queremos predecir 10
- 11. Uso de la Minería de Datos tarea síntesis análisis especifcar diseñar ensambar predecir identificar controlar planear configurar modificar clasificar diagnosticar monitorear Tipos de tareas 11
- 12. Uso de la Minería de Datos BD Anunciantes Demográficos Cola de anuncios Perfil de anunciantes Anunciantes Minería Agentes De datos Personales Edos financ Anuncios Clientes Perfiles genéricos Generadores de contenido Blackboard Tiendas Experto en Mercadotecnia 12
- 13. Metodología de Minería de Datos Herramientas y técnicas Obtención y preparación de datos Construir modelo Definición del problema y establecimiento de metas Resultados Usar modelo Evaluar resultados 13
- 14. Identificación de problemas Incrementar en un 5% el volumen de ventas del producto A en la región 5 en los siguientes 3 meses Reducir en un 10% el desperdicio de materia prima en la producción del producto Y en la línea de ensamble 3 durante el mes de Octubre Encontrar las características demográficas de la población que comprará el producto Z en la zona norte durante el próximo año Metas de negocio concretas 14
- 15. Preparar los datos Archivo RDBMS Data marts Preparar datos Data warehouse Tabla de datamining Hoja Excel Diversas fuentes de datos 15
- 16. Modelación Conjunto de Modelo entrenamiento inicial Construir Conjunto de Modelo depuración modelo depurado Conjunto de Modelo prueba probado Usar Predicciones Datos reales modelo Construir y usar el modelo 16
- 17. Técnicas y herramientas Arboles de decisión Entropía Enterprise Miner SAS Gini Clementine SPSS Redes Bayesianas Mine Set SGI Clasificador Bayesiano Intelligent Miner IBM Redes neuronales CART Salford Systems Retropropagación See5 Mapas autoorganizados Bonsai Prospect 17
- 18. Aplicación de Minería de Datos Pronosticar el rating de los programas de un canal de televisión Pronosticar el número de televisores encendidos Pronosticar el porcentaje de participación (share) Definición del problema 18
- 19. Aplicación de Minería de Datos Telereport Preparación IBOPE BD de datos Oracle Ratings por Tabla de programa por canal DM Presentación de Programación Construcción RN resultados de RetroProp Pronósticos KB Uso de la RN 19
- 20. Aplicación de Minería de Datos Encendidos Totales Calcula Share Otros Encendidos Canales y Share por Canal Calcula Pronósticos y ratings por canal de Ratings y 20
- 21. Aplicación de Minería de Datos Pronóstico de efectivo en cajeros automáticos Si se dota el cajero con pocos fondos, se quedará sin dinero y dará un mal servicio al cliente Si se dota el cajero con mucho dinero, habrá un costo financiero asociado con el dinero improductivo Definición del problema 21
- 22. Aplicación de Minería de Datos Meta de negocio: Actualmente: 3 pesos por cada peso entregado, y 5% de cajeros sin dinero Meta: 2 pesos por cada peso entregado y 2.5% de cajeros sin dinero 22
- 23. Aplicación de Minería de Datos Sistema Preparación cajeros BD de datos Pronóstico por Tabla de Cajero y por día DM Presentación de Programación Construcción RN resultados de Kohonen Pronósticos KB Uso de la RN 23
- 24. Conclusiones Múltiples áreas de oportunidad Necesidad de recursos humanos capacitados en el uso tecnologías inteligentes 24
- 25. Conclusiones Ciencias de lo artificial: Diseño Inteligencia Artificial Matemáticas Ingeniería del Conocimiento Lógica Ingeniero en Minería de Sistemas Datos Cibernética y Inteligentes Teoría de HCI Información Logística y Robótica DSS Computabilidad 25