Mineria de Datos

Mineria de Datos

1. Es el proceso de hallar anomalías, patrones y correlaciones en grandes conjuntos de datos para predecir resultados.

   • Empleando una amplia variedad de técnicas, puede utilizar esta información para incrementar sus ingresos, recortar costos, mejorar sus relaciones con clientes, reducir riesgos y más.
     • Cuanto más complejos son los conjuntos de datos recopilados, mayor es el potencial que hay para descubrir insights relevantes.

2. Historia de la minería de datos

   • El término "minería de datos" no se acuño sino hasta la década de 1990.
     • Pero su base comprende tres disciplinas científicas entrelazadas:
       • Machine learning (algoritmos que pueden aprender de datos para hacer predicciones).
       • Inteligencia artificial (inteligencia similar a la humana exhibida por software y/o máquinas)
       • Estadística (el estudio numérico de relaciones de datos)
     • surge para intentar ayudar a comprender el contenido de un repositorio de datos.

3. ¿Por qué es importante la minería de datos?

   • Ha podido apreciar los números asombrosos – el volumen de datos producidos se duplica cada dos años.
     • Los datos no estructurados por sí solos conforman el 90% del universo digital. Pero más información no significa necesariamente más conocimientos.
       • La minería de datos le permite:
         • Filtrar todo el ruido caótico y repetitivo en sus datos.
         • Entender qué es relevante y luego hacer un buen uso de esa información para evaluar resultados probables.
         • Acelerar el ritmo de la toma de decisiones informadas.

4. Minería de datos en el mundo actual

   • La minería de datos es una piedra angular de la analítica, la cual le ayuda a desarrollar los modelos que pueden descubrir conexiones dentro de millones o miles de millones de registros.
     • Desmitificación de la minería de datos en las operaciones de petróleo y gas
     • Punto de intersección del big data y la minería de datos
     • Magic Quadrant de plataformas de ciencia de datos
     • Lectura de valor: Analítica de red predictiva avanzada

5. El proceso común a todos ellos se suele componer de cuatro etapas principales:

   • Determinación de los objetivos.
     • Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data mining.
   • Preprocesamiento de los datos.
     • Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data mining.
   • Determinación del modelo.
     • Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación.
   • Análisis de los resultados.
     • Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones.

6. Ventajas

   • Permite descubrir información que no esperábamos obtener.
   • Es capaz de analizar bases de datos con una enorme cantidad de datos
   • Los resultados son muy fáciles de interpretar y no es necesario tener conocimientos en ingeniería informática.
   • Permite encontrar, atraer y retener clientes.
   • Da a las empresas la posibilidad de ofrecer a los clientes los productos o servicios que necesitan.
   • La empresa puede mejorar la atención al cliente a partir de la información obtenida.
   • Ahorra costes a la empresa y abre nuevas oportunidades de negocio.

7. Desventajas

   • Dependiendo del tipo de datos que se quieran recopilar, nos puede llevar mucho trabajo, o a veces la inversión inicial para obtener las tecnologías necesarias para la recopilación de datos puede tener un coste elevado.