Data Mining

Data Mining, la extracción de información oculta y predecible de grandes bases de datos, es una poderosa tecnología nueva con gran potencial para ayudar a las compañías a concentrarse en la información más importante de sus Bases de Información. Las herramientas de Data Mining predicen futuras tendencias y comportamientos, permitiendo en los negocios tomar decisiones proactivas y conducidas por un conocimiento acabado de la información. Los análisis prospectivos automatizados ofrecidos por un producto así van más allá de los eventos pasados provistos por herramientas retrospectivas típicas de sistemas de soporte de decisión. Las herramientas de Data Mining pueden responder a preguntas de negocios que tradicionalmente consumen demasiado tiempo para poder ser resueltas y a los cuales los usuarios de esta información casi no están dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando información predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas.

Muchas compañías ya colectan y refinan cantidades masivas de datos. Las técnicas de Data Mining pueden ser implementadas rápidamente en plataformas ya existentes de software y hardware para acrecentar el valor de las fuentes de información existentes y pueden ser integradas con nuevos productos y sistemas pues son traídas en línea. Una vez que las herramientas de Data Mining fueron implementadas en computadoras cliente servidor de alta performance o de procesamiento paralelo, pueden analizar bases de datos masivas para brindar respuesta a preguntas tales como, "¿Cuáles clientes tienen más probabilidad de responder al próximo mailing promocional, y por qué? y presentar los resultados en formas de tablas, con gráficos, reportes, texto, hipertexto, etc.

Los Fundamentos del Data Mining

Las técnicas de Data Mining son el resultado de un largo proceso de investigación y desarrollo de productos. Esta evolución comenzó cuando los datos de negocios fueron almacenados por primera vez en computadoras, y continuó con mejoras en el acceso a los datos, y más recientemente con tecnologías generadas para permitir a los usuarios navegar a través de los datos en tiempo real. Data Mining toma este proceso de evolución más allá del acceso y navegación retrospectiva de los datos, hacia la entrega de información prospectiva y proactiva. Data Mining está listo para su aplicación en la comunidad de negocios porque está soportado por tres tecnologías que ya están suficientemente maduras: Recolección masiva de datos Potentes computadoras con multiprocesadores Algoritmos de Data Mining MCI Telecomunicaciones Corp. cuenta con una base de datos de 3 terabytes + 1 terabyte de índices y overhead corriendo en MVS sobre IBM SP2. La necesidad paralela de motores computacionales mejorados puede ahora alcanzarse de forma más costo - efectiva con tecnología de computadoras con multiprocesamiento paralelo. Los algoritmos de Data Mining utilizan técnicas que han existido por lo menos desde hace 10 años, pero que sólo han sido implementadas recientemente como herramientas maduras, confiables, entendibles que consistentemente son más per formantes que métodos estadísticos clásicos. En la evolución desde los datos de negocios a información de negocios, cada nuevo paso se basa en el previo. Por ejemplo, el acceso a datos dinámicos es crítico para las aplicaciones de navegación de datos (drill through applications), y la habilidad para almacenar grandes bases de datos es crítica para Data Mining. Los componentes esenciales de la tecnología de Data Mining han estado bajo desarrollo por décadas, en áreas de investigación como estadísticas, inteligencia artificial y aprendizaje de máquinas. Hoy, la madurez de estas técnicas, junto con los motores de bases de datos relacionales de alta performance, hicieron que estas tecnologías fueran prácticas para los entornos de data warehouse actuales. El Alcance de Data Mining El nombre de Data Mining deriva de las similitudes entre buscar valiosa información de negocios en grandes bases de datos - por ej.: encontrar información de la venta de un producto entre grandes montos de Gigabytes almacenados - y minar una montaña para encontrar una veta de metales valiosos. Ambos procesos requieren examinar una inmensa cantidad de material, o investigar inteligentemente hasta encontrar exactamente donde residen los valores. Dadas bases de datos de suficiente tamaño y calidad, la tecnología de Data Mining puede generar nuevas oportunidades de negocios al proveer estas capacidades: Predicción automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar información predecible en grandes bases de datos. Preguntas que tradicionalmente requerían un intenso análisis manual, ahora pueden ser contestadas directa y rápidamente desde los datos. Un típico ejemplo de problema predecible es el marketing apuntado a objetivos. Mining usa datos en mailing promocionales anteriores para identificar posibles objetivos para maximizar los resultados de la inversión en futuros mailing. Otros problemas predecibles incluyen pronósticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de población que probablemente respondan similarmente a eventos dados. Descubrimiento automatizado de modelos previamente desconocidos. Las herramientas de Data Mining barren las bases de datos e identifican modelos previamente escondidos en un sólo paso. Otros problemas de descubrimiento de modelos incluye detectar transacciones fraudulentas de tarjetas de créditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos.

Las técnicas de Data Mining pueden redituar los beneficios de automatización en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de Data Mining son implementadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamiento más rápido significa que los usuarios pueden automáticamente experimentar con más modelos para entender datos complejos. Alta velocidad hace que sea práctico para los usuarios analizar inmensas cantidades de datos. Grandes bases de datos, a su vez, producen mejores predicciones. Las bases de datos pueden ser grandes tanto en profundidad como en ancho: Más columnas. Los analistas muchas veces deben limitar el número de variables a examinar cuando realizan análisis manuales debido a limitaciones de tiempo. Sin embargo, variables que son descartadas porque parecen sin importancia pueden proveer información acerca de modelos desconocidos. Un Data Mining de alto rendimiento permite a los usuarios explorar toda la base de datos, sin preseleccionar un subconjunto de variables.

Más filas. Muestras mayores producen menos errores de estimación y desvíos, y permite a los usuarios hacer inferencias acerca de pequeños pero importantes segmentos de población. Las técnicas más comúnmente usadas en Data Mining son: Redes neuronales artificiales: modelos predecibles no-lineales que aprenden a través del entrenamiento y semejan la estructura de una red neuronal biológica.

Arboles de decisión: estructuras de forma de árbol que representan conjuntos de decisiones. Estas decisiones generan reglas para la clasificación de un conjunto de datos. Métodos específicos de árboles de decisión incluyen Arboles de Clasificación y Regresión (CART: Classification And Regression Tree) y Detección de Interacción Automática de Chi Cuadrado (CHAI: Chi Square Automatic Interaction Detection)

Algoritmos genéticos: técnicas de optimización que usan procesos tales como combinaciones genéticas, mutaciones y selección natural en un diseño basado en los conceptos de evolución. Método del vecino más cercano: una técnica que clasifica cada registro en un conjunto de datos basado en una combinación de las clases del/de los k registro (s) más similar/es a él en un conjunto de datos históricos (donde k 1). Algunas veces se³ llama la técnica del vecino k-más cercano. Regla de inducción: la extracción de reglas if-then de datos basados en significado estadístico. Muchas de estas tecnologías han estado en uso por más de una década en herramientas de análisis especializadas que trabajan con volúmenes de datos relativamente pequeños. Estas capacidades están ahora evolucionando para integrarse directamente con herramientas OLAP y de Data Warehousing.

¿Cómo Trabaja el Data Mining? ¿Cuán exactamente es capaz Data Mining de decirle cosas importantes que usted desconoce o que van a pasar? La técnica usada para realizar estas hazañas en Data Mining se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la aplica en otra situación de la cual desconoce la respuesta. Por ejemplo, si busca un galeón español hundido en los mares lo primero que podría hacer es investigar otros tesoros españoles que ya fueron encontrados en el pasado. Notaría que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas características respecto de las corrientes oceánicas y ciertas rutas que probablemente tomara el capitán del barco en esa época. Usted nota esas similitudes y arma un modelo que incluye las características comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo más probabilidad de darse una situación similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrará el tesoro.

Este acto de construcción de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnología de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a través de los datos y distinguir las características de los datos que llevarán al modelo. Una vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la respuesta.

Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, ¿Cómo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de Data Mining. Una vez que el proceso está completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos.

Una arquitectura para Data Mining Para aplicar mejor estas técnicas avanzadas, éstas deben estar totalmente integradas con el data warehouse así como con herramientas flexibles e interactivas para el análisis de negocios. Varias herramientas de Data Mining actualmente operan fuera del warehouse, requiriendo pasos extra para extraer, importar y analizar los datos. Además, cuando nuevos conceptos requieren implementación operacional, la integración con el warehouse simplifica la aplicación de los resultados desde Data Mining. El Data warehouse analítico resultante puede ser aplicado para mejorar procesos de negocios en toda la organización, en áreas tales como manejo de campañas promocionales, detección de fraudes, lanzamiento de nuevos productos, etc. El punto de inicio ideal es un data warehouse que contenga una combinación de datos de seguimiento interno de todos los clientes junto con datos externos de mercado acerca de la actividad de los competidores. Información histórica sobre potenciales clientes también provee una excelente base para prospecting. Este warehouse puede ser implementado en una variedad de sistemas de bases relacionales y debe ser optimizado para un acceso a los datos flexible y rápido. Un server multidimensional OLAP permite que un modelo de negocios más sofisticado pueda ser aplicado cuando se navega por el data warehouse. Las estructuras multidimensionales permiten que el usuario analice los datos de acuerdo a como quiera mirar el negocio - resumido por línea de producto, u otras perspectivas claves para su negocio. El server de Data Mining debe estar integrado con el data warehouse y el server OLAP para insertar el análisis de negocios directamente en esta infraestructura. Un avanzado, metadata centrado en procesos define los objetivos del Data Mining para resultados específicos tales como manejos de campaña, prospecting, y optimización de promociones. La integración con el data warehouse permite que decisiones operacionales sean implementadas directamente y monitoreadas. A medida que el data warehouse crece con nuevas decisiones y resultados, la organización puede "minar" las mejores prácticas y aplicarlas en futuras decisiones.

Este diseño representa una transferencia fundamental desde los sistemas de soporte de decisión convencionales. Más que simplemente proveer datos a los usuarios finales a través de software de consultas y reportes, el server de Análisis Avanzado aplica los modelos de negocios del usuario directamente al warehouse y devuelve un análisis proactivo de la información más relevante. Estos resultados mejoran los metadatos en el server OLAP proveyendo un estrato de metadatos que representa una vista fraccionada de los datos. Generadores de reportes, visualizadores y otras herramientas de análisis pueden ser aplicadas para planificar futuras acciones y confirmar el impacto de esos planes. Aplicaciones de DATAMINIG En la actualidad, existe una gran cantidad de aplicaciones, en áreas tales como: * Astronomía: clasificación de cuerpos celestes. *aspectos climatológicos: predicción de tormentas, etc. * Medicina: caracterización y predicción de enfermedades, probabilidad de respuesta satisfactoria a tratamiento médico. * Industria y manufactura: diagnóstico de fallas. * Mercadotécnica: identificar clientes susceptibles de responder a ofertas de productos y servicios por correo, fidelidad de clientes, selección de sitios de tiendas, afinidad de productos, etc. * Inversión en casas de bolsa y banca: análisis de clientes, aprobación de préstamos, determinación de montos de crédito, etc. * Detección de fraudes y comportamientos inusuales: telefónicos, seguros, en tarjetas de crédito, de evasión fiscal, electricidad, etc. * Análisis de canastas de mercado para mejorar la organización de tiendas, segmentación de mercado (clustering) * Determinación de niveles de audiencia de programas televisivos * Normalización automática de bases de datos GUIAS DE APOYO. http://www.anderson.ucla.edu/ http://www.ba.unibo.it/ http://www.kdnuggets.com/ http://www.oracle.com/ http://www.monografias.com/

Inteligencia de Negocios

Dentro de las empresas la información en sus archivos y sistemas es importante, pero ¿Qué pasa cuando no sabemos que hacer con toda esa información? .La solución: La inteligencia de Negocios, ya que esta nos permite dar pronósticos, crear escenarios y sobre todo, nos da la flexibilidad de tomar decisiones, todo esto con una simple clave, la información. La Inteligencia de Negocios o Business Intelligence (BI), es tan vasta que la podemos aplicar a todas las partes de una empresa, desde finanzas, ventas o marketing, siendo esta una razón por la cual se prevé que será una necesidad de toda empresa.

Definición de BI (Business Intelligence): Se refiere al uso de los datos de una empresa para facilitar la toma de decisiones a las personas que deciden, es decir, la comprensión del funcionamiento actual y la anticipación de acciones para dar una dirección bien informada a la empresa.

Las herramientas de inteligencia se basan en la utilización de un sistema de información de inteligencia que se forma con distintos datos extraídos de los datos de producción, con información relacionada con la empresa o sus ámbitos y con datos económicos.

Mediante las herramientas y técnicas ETL (extraer, transformar y cargar) se extraen los datos de distintas fuentes, se depuran y preparan (homogeneización de los datos) y cargarlos en un almacén de datos.

Por último, las herramientas de inteligencia analítica posibilitan el modelado de las representaciones en base a consultas para crear tablas de bordes; esto se conoce como presentación de informes.

¿Qué puede hacer la inteligencia de negocios por tu empresa? Como lo vimos en la definición anterior, con las técnicas ETL es prácticamente todo posible, pues adapta un sistema el cual nos da las soluciones necesarias para cada empresa teniendo entre ellas las siguientes: *Generar reportes globales o por secciones. *Crear una base de datos de clientes. *Crear escenarios con respecto a una decisión. *Hacer pronósticos de ventas y devoluciones. *Compartir información entre departamentos. *Análisis multidimensionales. *Generar y procesar datos. *Cambiar la estructura de toma de decisiones.

Una razón todavía mayor, es que te da la ventaja de juntar tecnología con humanos para resolver problemas, lo cual gana terreno sobre los competidores de la propia empresa. Los problemas más grandes y significativos son lo que se encuentran dentro de las siguientes áreas.

- Ventas: Análisis de ventas; Detección de clientes importantes; Análisis de productos, líneas, mercados; Pronósticos y proyecciones.

- Marketing: Segmentación y análisis de clientes; Seguimiento a nuevos productos.

- Finanzas: Análisis de gastos; Rotación de cartera; Razones Financieras.

- Manufactura: Productividad en líneas; Análisis de desperdicios; Análisis de calidad; Rotación de inventarios y partes críticas.

- Embarques: Seguimiento de embarques; Motivos por los cuales se pierden pedidos. ¿Pero cómo hacer que los negocios pueden crear inteligencia de sus datos? Proveer oportunamente y acertadamente acceso a esa información para sus usuarios finales. Para entender esto vamos a describir brevemente el proceso de BI. Este proceso es dinámico e iterativo. El proceso empieza con preguntas, y las respuestas son resultadas de más preguntas o de subsecuentes interacciones del proceso.

Fase 1 - Dirigir y Planear: Esta fase es el principio y el fin del proceso. Es el principio por que involucra redactar los requerimientos específicos. Y es el final porque contesta preguntas que guían a otras nuevas. El proceso de BI empieza con los usuarios (Ejecutivos, Directivos, Líderes de Negocio etc.) y aquí se generan las preguntas que les va ayudar a ellos a alcanzar sus objetivos. Ejemplos de esas preguntas son: ¿Cuales son los clientes más rentables? ¿Cuál es el margen de cada línea de producto? Fase 2 - Recolección de Información: El proceso de recolección de información es cuando las diferentes fuentes son analizadas para determinar los datos necesarios para encontrar las respuestas a las preguntas.

Fase 3 - Procesamientos de Datos: Esta fase es la integración de datos en crudo a un formato utilizable para el análisis. Esto puede ser posible, creando una nueva base de datos, agregar datos a bases de datos existente o consolidando información. Esta fase generalmente es vista como Extracción, Transformación y Carga que ocurren en los ambientes de BI.

Fase 4- Análisis y Producción: El grupo de análisis de negocios utiliza herramientas y técnicas para ordenar sobre los datos y crear inteligencia. El resultado final es la producción de respuestas “inteligentes”, en un contexto propio. En algunos casos es un proceso simple como la creación de un reporte. En otros casos, son la creación de indicadores. Tal vez en esta fase, sean generados requerimientos adicionales pues los analistas puede que encuentren nuevas preguntas que necesiten ser contestadas.

Fase 5- Difusión: Esta fase de difusión, es entregar productos inteligentes a los diversos clientes que lo requieren. Esto básicamente implica el uso de herramientas BI para la publicación de “tableros de indicadores”, reportes o la posibilidad de tener herramientas de fácil uso para que los mismos usuarios tengan la capacidad de revisar los datos de manera rápida y sencilla.

El siguiente esquema muestra las fases en las cuales se pueden resolver los problemas de una empresa mediante la BI.

Inteligencia de Negocios hacia el Futuro El mundo está cambiando, si queremos o no. Los ordenadores son cada vez más rápidos, como son los coches, los aviones, y casi todo lo demás en este mundo. El género humano es la aceleración de sus clientes quieren más por su dinero, y ellos quieren que lo más rápido que nunca. Inteligencia empresarial puede ayudar a predecir las tendencias de la base de clientes, ya que incluso cambio, más rápidamente y más rápidamente cada día. Inteligencia empresarial está cambiando en sí como un proceso y una ideología para que se ajusten a la más rápida, más exigentes rigores de la economía moderna y de futuro.

La tecnología utilizada como herramienta, nos proporciona cada vez mas un mecanismo el cual nos da solución a nuestros problemas, la Inteligencia de Negocios no es la excepción, hoy en día, el ámbito de negocios cuenta con una gran variedad de software para dicha aplicación, teniendo en cuenta los siguientes: SAGENT SOLUTION PLATTFORM: Este sistema integrado extrae, transforma, mueve, distribuye y presenta la información clave para la toma de decisiones en la empresa en un entorno homogéneo.

BUSINESS OBJECTS: Suministra a los usuarios el poder acceder de forma sencilla a los datos, analizar la información almacenada y creación de informes.

ORACLE9I APPLICATION SERVER: Permite acceder, analizar y compartir la información y tomar decisiones precisas, basadas en datos en forma rápida.

MICROSTRATEGY: Provee soluciones a clientes de cualquier industria y/o área funcional con el fin de ayudarlos en la obtención de un mayor conocimiento sobre la información manejada en su empresa.

CONCLUSION El ambiente del mundo de los negocios de hoy exige una aplicación cada vez más eficiente de la información disponible, dado todo por la correcta utilización de la información dentro y fuera de la empresa, pues pone a los usuarios la información correcta en el lugar correcto. Son múltiples los beneficios que ofrece a las empresas, entre ellos se encuentra la generación de una ventaja competitiva.

Cómo se puede ser exitoso utilizando BI. Primeramente las compañías necesitan enfocarse en las alineaciones de los negocios, asegurar que los esfuerzos de BI están alineados con los objetivos de la empresa. Los analistas de negocios deben asegurarse de que entienden los requerimientos de los usuarios y además que estos requerimientos están alineados también a los objetivos del negocio. Deben de enfocarse en proveer respuestas a las preguntas de los usuarios antes que nada. Bibliografía: http://www.articulosinformativos.com.mx/Inteligencia_de_Negocios-a854251.html http://www.gestiopolis.com/canales2/gerencia/1/busint.htm http://es.wikipedia.org/wiki/BI_(inform%C3%A1tica)