Este documento describe tres enfoques para la visualización y el análisis de datos: 1) visualización de datos, que proporciona informes y dashboards basados en un modelo de datos predefinido; 2) minería de datos visual, que permite el análisis dinámico de grandes volúmenes de datos para obtener insights; y 3) modelos predictivos desarrollados por expertos, que crean rigurosos modelos estadísticos y predictivos para temas clave.

1. Visualización de datos Data Mining Visual Data Mining
Explorando lo evidente Descubriendo lo oculto Modelos predictivos desarrollados por expertos
Distribución masiva Análisis de datos en crudo para obtener Rigurosos modelos predictivos para temas core
de informes y dashboards insights de negocio de inmediato de negocio, desarrollados por
basados en un modelo de datos predefinido a través de técnicas de Data Mining rápidas e intuitivas expertos matemáticos y/o estadísticos
Visualización de ventas por región Predicción del abandono de los clientes: ¿Por qué nos están Patrones de blanqueo de capital
Margen por producto abandonando? ¿Quién nos abandonará en el futuro? Estimación del riesgo
Coste por canal Mejor producto a recomendar a cada cliente Límite de riesgo por cliente
Ejemplos Beneficio mensual/semestral/anual Detección de oportunidades de venta cruzada y dirigida Predicción del fraude
Seguimiento de KPIs, objetivos y logros ¿Cuál será el comportamiento del cliente?
¿Cómo responderá el cliente a cada campaña?
Tipo de usuario Usuarios ocasionales y usuarios de negocio. Analistas, power users y usuarios de negocio. Matemáticos y estadísticos.
Especialidad Envío de informes a usuarios finales en un entorno de Análisis dinámico de grandes volúmenes de datos para obtener Rigor en modelos estadísticos para temas clave (fraude,
reporting y dashboarding predefinido y visual. insights. Técnicas de Data Mining rápidas, intuitivas y usables. riesgos, predicciones…), desarrollados por mineros de datos.
Resultado Informes y dashboards flexibles. Insights al instante y analítica avanzada para datos ilimitados. Rigurosos modelos estadísticos y predictivos.
Ámbito departamental. Reporting y dashboarding Despliegue departamental con enfoque corporativo. Modelos Despliegue corporativo y departamental.
Foco
flexible y visual. predictivos. Anticipación a oportunidades de negocio. Modelos core de negocio y scorings o estimaciones.
Técnicas: profundidad, cubos, fracciones, agregados, Técnicas: profundidad, cubos, fracciones, agregados, desgloses, Lenguaje de programación no visual.
Exploración desgloses, etc. La exploración depende de filtros, etc. No está limitado a OLAP, ni a medidas ni a dimensiones.
medidas y dimensiones predefinidas.
Autonomía del Escasa. Dependencia del departamento de TI para Ninguna dependencia de TI o de mineros de datos. Autonomía
crear gráficos o informes o para añadir nuevos datos. del usuario para descubrir e interpretar insights libremente. Dependencia total del equipo de data miners.
usuario
Venn, Pareto, tablas pivotadas, clustering, profile, Árbol de
Analítica & No ofrece técnicas de analítica avanzada. Ingeniería y Muchos algoritmos dirigidos a expertos en Data Mining.
Decisión, forecasting,... e ingeniería de datos (agregados,
Ingeniería enriquecimiento de datos limitados. Ingeniería de datos basada en programación para expertos.
expresiones, decodificaciones, percentiles, rangos numéricos...)
Instalación Semanas-meses. Un nuevo informe lleva horas-días. Días-semanas. Los usuarios pueden realizar análisis al momento. Meses. Un modelo nuevo lleva días-semanas.
Características Modelo de datos predefinido. Tecnología OLAP o No se necesitan cubos ni OLAP. Tecnología column-based e in- Se requiere hardware potente.
técnicas in-memory. Se requiere nivel medio-alto de hardware. memory. Datos ilimitados. Bajo TOC. Requiere poco hardware.