Dataminning
Upcoming SlideShare
Loading in...5
×
 

Dataminning

on

  • 461 views

presentacion sobre mineria de datos

presentacion sobre mineria de datos

Statistics

Views

Total Views
461
Views on SlideShare
461
Embed Views
0

Actions

Likes
0
Downloads
16
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Dataminning Dataminning Presentation Transcript

    • Minería de Datos:Aplicaciones, Retos yOportunidades Luis Manuel Callejas Saenz Maestria en e-Commerce Instituto Tecnológico De Monterrey 1
    • Minería de Datos: Aplicaciones, Retos y Oportunidades  Ventajas competitivas de MD  Una metodología de MD  Aplicaciones  Televisoras  Bancos - Prospex  Conclusiones 2
    • Ventajas competitivas de Minería de datos 3
    • Crecimiento ExponencialTamaño de la base de datos de UPS•para registro de envios: 17 terabytesLibros 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
    • Habilitadores TecnológicosCosto por megabyte en disco hace diez años: ≈ $50.00 USD actualmente: ≈ $0.10 USDCosto 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
    • ParadojaAhogados en datos y carentes de información y conocimientos 6
    • Elementos de competitividad Negocios Inteligencia de Negocios Aprendizaje organizacional (CRM)OLTP RDB, DWH, DM OLAPSentidos Razonamiento Memoria Minería de datos Aprendizaje 7
    • Elementos de competitividadAprender sobre los clientes y utilizarlo aprendido sobre los clientes paraaumentar la rentabilidad de lacompañía y hacerles a los clientes lavida más fácil B2B Tipos de cliente B2C 8
    • Elementos de CompetitividadAdquisición Activación Admón de la relación Cliente perdido Cliente Cliente Cliente Cliente Retiroprospecto nuevo establecido rentable voluntarioMercado 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
    • Minería De DatosProceso para laextracción depatronessignificativos engrandes volumenesde datos El pasado es un buen predictor del futuro Hay datos disponibles Los datos contienen lo que queremos predecir 10
    • Uso de la Minería de Datos tarea síntesis análisisespecifcar diseñar ensambar predecir identificar controlar planear configurar modificar clasificar diagnosticar monitorear Tipos de tareas 11
    • Uso de la Minería de Datos BD Anunciantes Demográficos Cola de anuncios Perfil de anunciantes Anunciantes Minería Agentes De datos PersonalesEdos financ Anuncios Clientes Perfiles genéricos Generadores de contenido Blackboard Tiendas Experto en Mercadotecnia 12
    • Metodología de Minería de Datos Herramientas y técnicas Obtención y preparación de datos Construir modeloDefinición del problema yestablecimiento de metas Resultados Usar modelo Evaluar resultados 13
    • Identificación de problemasIncrementar en un 5% el volumen deventas del producto A en la región 5 enlos siguientes 3 mesesReducir en un 10% el desperdicio demateria prima en la producción delproducto Y en la línea de ensamble 3durante el mes de OctubreEncontrar las característicasdemográficas de la población quecomprará el producto Z en la zona nortedurante el próximo año Metas de negocio concretas 14
    • Preparar los datos Archivo RDBMSDatamarts Preparar datos Data warehouse Tabla de datamining Hoja Excel Diversas fuentes de datos 15
    • Modelación Conjunto de Modeloentrenamiento inicial Construir Conjunto de Modelo depuración modelo depurado Conjunto de Modelo prueba probado Usar Predicciones Datos reales modelo Construir y usar el modelo 16
    • Técnicas y herramientasArboles de decisión Entropía Enterprise Miner SAS Gini Clementine SPSSRedes Bayesianas Mine Set SGI Clasificador Bayesiano Intelligent Miner IBMRedes neuronales CART Salford Systems Retropropagación See5 Mapas autoorganizados Bonsai Prospect 17
    • Aplicación de Minería de Datos Pronosticar el rating de los programas de un canal de televisiónPronosticar el número de televisores encendidosPronosticar el porcentaje de participación (share) Definición del problema 18
    • Aplicación de Minería de Datos Telereport Preparación IBOPE BD de datos Oracle Ratings por Tabla de programa por canal DMPresentación de Programación Construcción RN resultados de RetroProp Pronósticos KB Uso de la RN 19
    • Aplicación de Minería de Datos Encendidos Totales Calcula Share Otros Encendidos Canales yShare por Canal Calcula Pronósticos y ratings por canal de Ratings y 20
    • Aplicación de Minería de Datos Pronóstico de efectivo en cajeros automáticosSi se dota el cajero con pocos fondos, se quedará sin dinero y dará un mal servicio al clienteSi se dota el cajero con mucho dinero, habrá un costo financiero asociado con el dinero improductivo Definición del problema 21
    • Aplicación de Minería de Datos Meta de negocio:Actualmente: 3 pesos por cada peso entregado, y 5% de cajeros sin dineroMeta: 2 pesos por cada peso entregado y 2.5% de cajeros sin dinero 22
    • Aplicación de Minería de Datos Sistema Preparación cajeros BD de datos Pronóstico por Tabla de Cajero y por día DMPresentación de Programación Construcción RN resultados de Kohonen Pronósticos KB Uso de la RN 23
    • Conclusiones Múltiples áreas de oportunidad Necesidad de recursoshumanos capacitados en el uso tecnologías inteligentes 24
    • Conclusiones Ciencias de lo artificial: Diseño Inteligencia Artificial Matemáticas Ingeniería del Conocimiento Lógica Ingeniero en Minería de Sistemas DatosCibernética y InteligentesTeoría de HCIInformación Logística y Robótica DSS Computabilidad 25