Combina analítica de texto y datos en modelos predictivos

Incorpora la analítica de
texto más avanzada a
tus modelos predictivos
26 abril 2017
Webinar

Extensión MeaningCloud para RapidMiner
Antes de empezar
Ponente
Cómo vamos a funcionar
• Enviar preguntas de texto a través del chat
• “Levanta la mano” para hablar y abriremos tu micro
• Publicaremos enlace a webinar grabado
y contenidos como tutoriales en blog
Antonio Matarranz
CMO

El propósito de este webinar…
Aprender a combinar texto
y datos en modelos
analíticos avanzados

Agenda
 Plataformas analíticas. Introducción a RapidMiner
 Analítica de texto. Introducción a MeaningCloud
 Combinando analítica de texto y datos. Extensión
MeaningCloud para RapidMiner
 Demo caso práctico
 Escenarios de aplicación
 En qué se diferencia esta Extensión
 Roadmap de producto
 Conclusiones y preguntas

Preparar datos
Acelerar y optimizar todas
las tareas de exploración,
combinación y limpieza de
datos
Operacionalizar
Desplegar y mantener
modelos e integrar
resultados analíticos
fácilmente
Modelar & Validar
Aplicar aprendizaje automático
para prototipar rápidamente y
validar con confianza modelos
predictivos
Integrar resultados en
todo tipo de
aplicaciones de
negocio y
herramientas de
visualización de datos
Incorporar
todos los tipos
de datos
ACELERAR TIEMPO HASTA VALOR
Plataformas analíticas integradas

RapidMiner Studio

RapidMiner Studio
Acceso a Datos y
Procesos
Todo tipo de
Operadores,
incluyendo 129
de Modelado

Desplegar
• Scoring de alta velocidad
• APIs para desplegar resultados
predictivos en la mas amplia
gama de aplicaciones de
negocio, p. ej., Salesforce,
Marketo, Tableau
• Creación rápida de informes
basados en web
• Herramientas de monitorización
de modelos para asegurar
rendimiento continuado
4
Preparar datos
• Acceso a todos los tipos de
datos: fuentes estructuradas, no
estructuradas y big data
• Visualizaciones interactivas de
datos. Detección de anomalías y
outliers
• Normalización y estandarización
• Reducción de dimensiones /
selección de atributos
1
Validar
• Amplia gama de esquemas de
validación
• Validación cruzada
• Evaluación visual
• Validación honesta
• Encapsular preparación de
datos y modelado en
validación
• Métricas de rendimiento de
modelos
• Medidas de rendimiento de
cluster
3
Modelar
• Estadístico y aprendizaje
automático
• Modelado predictivo
• Segmentación y clustering
• Minería asociativa
• Cálculo de similaridad
• Peso de atributos
• Optimización de modelos,
parámetros y atributos
2
Capacidad para ejecutar
visualmente tu workflow de
analítica predictiva en un
solo lugar
Principalmente enfocado
en datos estructurados
RapidMiner Studio

¿Por qué deberíamos usar analítica de texto?
Datos estructurados
Contenido
no estructurado

OpinionesTemas
Hechos
Conceptos
Organizaciones
Personas
Análisis
Semántico
Relaciones
Analítica de texto
Extrae significado e insights actuables del contenido no estructurado
Automatización de costosas actividades manuales

MeaningCloud: “Meaning as a Service”
(SaaS y on-premises)
Regístrate y úsalo GRATIS en
http://www.meaningcloud.com

APIs MeaningCloud
Identifica apariciones de
nombres de personas,
organizaciones…, conceptos
abstractos, cantidades, etc.
Clasifica por temas
según taxonomías
predefinidas
Identifica polaridad
general y por atributos
Identifica el lenguaje de
entre un conjunto de 60
Análisis morfosintáctico detallado Evalúa el impacto de opinión
sobre varios ejes
reputacionales
Descubre temas significativos y
similitudes entre textos, sin
partir de taxonomías
predefinidas

Add-in para Excel
 Totalmente integrado en experiencia Excel
 Fácil de usar - ¡sin programar!
 La manera más sencilla de evaluar, prototipar y usar MeaningCloud
13

Herramientas de personalización de MeaningCloud

Integrando la analítica de texto más avanzada en RapidMiner
Descárgalo aquí

Combinar la analítica de texto
y los datos estructurados en
potentes modelos predictivos
Operadores para
• Topics Extraction
• Text Classification
• Sentiment Analysis
• Lemmatization
Acceso a los recursos
personales creados con las
Herramientas de
Personalización

CASO PRÁCTICO

Análisis de comentarios en Amazon
Datos: 1.500 opiniones sobre productos alimenticios en Amazon
(vía Kaggle)
Datos estructurados Texto no estructurado

Preguntas que queremos contestar:
¿Qué (co)relación hay entre Score y Sentimiento?
1 2 3 4 5
Score
P+ → 5
P → 4
Sentiment NEU → 3
N → 2
N+ → 1

¿Qué (co)relación hay entre Score y Sentimiento?
Correlación Score – Polaridad

Preguntas que queremos contestar:
¿Qué atributos tienen mayor impacto sobre el sentimiento?
Analítica predictiva
Modelo: factores que
predicen sentimiento
f(Atr1, Atr2, Atr3,…)
Texto Atr1 Atr2 Atr3 … Sentim
This … 1 0 1 … P
I am … 0 1 1 … N
… … … … … …
Texto Atr1 Atr2 Atr3 … Sentim
Your … 0 1 0 … N
Today… 1 0 0 … P
… … … … … …
Texto Atr1 Atr2 Atr3 … Sentim Pred
Your … 0 1 0 … N N
Today… 1 0 0 … P NEU
… … … … … …
Conjunto de entrenamiento
Conjunto de prueba

Modelo de reglas
if HelpfulnessDenominator ≤ 0.500 and con_food ≤ 0.500 then positive (39 / 339 / 39)
if con_product ≤ 0.500 and HelpfulnessNumerator > 1.500 and ent_tea > 0.500 then positive (1 / 25 / 2)
if con_$ ≤ 0.500 and HelpfulnessNumerator > 0.500 and con_mistake ≤ 0.500 then positive (49 / 340 / 52)
if HelpfulnessNumerator ≤ 0.500 and HelpfulnessDenominator ≤ 5 and con_chip ≤ 0.500 and con_restaurant ≤ 0.500 and
con_beef ≤ 0.500 and ent_Science ≤ 0.500 and con_baby ≤ 0.500 and con_world ≤ 0.500 and con_pill ≤ 0.500 and
ent_Food_and_Drug_Administration ≤ 0.500 and ent_HAM_Base ≤ 0.500 and con_consumer ≤ 0.500 and con_book
≤ 0.500 then positive (8 / 74 / 3)
if con_snack > 0.500 then positive (0 / 3 / 0)
if HelpfulnessDenominator > 11.500 and HelpfulnessNumerator > 13 then neutral (3 / 1 / 0)
if HelpfulnessDenominator > 4.500 and HelpfulnessDenominator ≤ 7.500 then negative (0 / 0 / 3)
if con_can > 0.500 and con_scratch ≤ 0.500 then positive (0 / 3 / 0)
if HelpfulnessNumerator ≤ 2.500 and con_baby ≤ 0.500 then neutral (13 / 6 / 10)
if HelpfulnessNumerator ≤ 9 then positive (2 / 7 / 2)
else negative (0 / 0 / 1)
correct: 811 out of 1025 training examples.

Vector de rendimiento

OTRAS CARACTERÍSTICAS Y
APLICACIONES DE LA EXTENSIÓN

Combinando datos e información no estructurada
Datos cliente
Actividad uso/
consumo
Interacciones /
incidencias
Comentarios
sociales
Analítica predictiva
Insights más
accionables
Mayor capacidad
predictiva
Modelo: factores
que predicen
variables
Enriqueciendo los modelos basados puramente en datos estructurados

Escenarios de aplicación
Análisis de causas raíz
Prevención de fraude y
abandono
Segmentación, targeting y
scoring People analytics

Opiniones
La frase “¡Tiene el tipo
de interés más alto del
mercado!” es…
 Positiva, si habla de
depósitos
 Negativa, si habla de
hipotecas
Recursos lingüísticos específicos mejoran exactitud
Menciones
 Nombres de bancos y
entidades financieras, p.
ej.: Santander, BBVA
 Nombres de productos,
p. ej.: Cuenta Naranja,
Libreta Estrella…
Temas
Ejemplo: análisis de las opiniones de clientes de un banco
Productos
Pasivo
Cuenta
Depósito
Activo
Crédito
Hipoteca
Canal
Oficina
Teléfono
Internet

Herramientas de personalización
 Crea tus propios diccionarios, modelos de
clasificación y análisis de sentimiento
 Interfaz gráfica de usuario - ¡sin programar!
 Mejorar precisión y cobertura
Aprende más sobre personalización en este webinar

Una vista hacia el futuro
 Usabilidad
 Parámetro URL
 Documentos: creación y parámetro
fichero
 Identificación de idioma
 Análisis de sentimiento basado en
aspectos
 Etiquetado PoS
 Clustering de texto
 Perfilado de usuarios
 Paquetes verticales, p.ej., banca,
salud
 Detección de emociones
 Detección de intención
Q2 2017 Q3 2017 Q4 2017 Q1 2018 Q2 2018
Roadmap Extensión MeaningCloud para RapidMiner
GA

En conclusión
Integración estrecha entre
RapidMiner y MeaningCloud
 Para usuarios RapidMiner
 Para usuarios MeaningCloud
Combinación datos + texto
multiplica el valor de los modelos

Turno de Preguntas

Permaneced atentos a nuestros emails y blog
Pronto publicaremos la grabación del webinar y los
contenidos en forma de tutorial

Gracias por vuestra atención!
 MeaningCloud LLC
54 W. 40th St.
New York, NY 10018
+1 (646) 403-3104
 MeaningCloud Europe SL
Llano Castellano 13
28034 Madrid (Spain)
+34 91 3324301
sales@meaningcloud.com
support@meaningcloud.com
http://www.meaningcloud.com
@MeaningCloud
https://www.linkedin.com/company/meaningcloud

Combina analítica de texto y datos en modelos predictivos

Recomendados

Recomendados

Más contenido relacionado

Similar a Combina analítica de texto y datos en modelos predictivos

Similar a Combina analítica de texto y datos en modelos predictivos (20)

Más de MeaningCloud

Más de MeaningCloud (20)

Último

Último (7)

Combina analítica de texto y datos en modelos predictivos