Your SlideShare is downloading. ×
Gerenciar el Conocimiento -CRM - Data Mining
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Gerenciar el Conocimiento -CRM - Data Mining

2,743
views

Published on

Exposición para Sistemas de Informácion Enero de 2010

Exposición para Sistemas de Informácion Enero de 2010

Published in: Business, Technology

0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,743
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
196
Comments
0
Likes
2
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Gerencia del Conocimiento Integrantes: Álvarez, Isamar Heredia, Nicolás Márquez, Marlo
  • 2. La velocidad de los cambios El conocimiento y su valoración Sociedad en redes Fuerzas contrapuestas Las TIC Cambios sociales
  • 3. Conocimientos para el siglo XXI Los países que más invierten en producción del conocimiento obtienen mayores beneficios, por lo que el conocimiento se convierte en la fuente principal de creación de riqueza de finales del siglo XX y de principios del siglo XXI
  • 4.
    • Literatura en 1990
    • Capital intelectual 1995
    • Dos tendencias: Personas y TIC
    • Definición de conocimiento : conjunto abierto de ideas, creencias y experiencias contrastadas y asimiladas mediante la reflexión que sirve de guía para la acción. Se encuentra incrustado en los individuos, los grupos, las organizaciones y el entorno social
    • Los saberes: saber – saber hacer – saber estar
    Flashback
  • 5. El diamante (pero no en bruto) Estrategia Cultura del aprendizaje Tecnologías de la información Desarrollo del conocimiento Gerencia del conocimiento
  • 6.
    • El conocimiento es un recurso estratégico en los negocios y a partir de los 90’s surge el movimiento de la Gerencia del Conocimiento.
    • Teoría de los recursos deriva en dos visiones:
    Estrategia
    • Visión estructuralista o enfoque en los contenidos
    • Enfoque de procesos
  • 7.
    • El aprendizaje se ha convertido en una estrategia indispensable y permanente para obtener el conocimiento necesario para sobrevivir y competir con éxito.
    Cultura de aprendizaje
    • Las organizaciones ¿realmente aprenden?
    • Organismos inteligentes
    • Las personas son las que aprenden
  • 8.
    • No son soluciones mágicas a la GC
    • Ayudan a descubrir las relaciones entre lo tangible y lo intangible
    • Aportes de las TIC:
    Usamos TIC, luego existimos Automatización de tareas, formación de redes, flujos de información, procesos de trabajo, desarrollo de productos y operatividad de la memoria corporativa
  • 9.
    • Flujo en cascada del proceso de transformación
    • Distinción importante entre datos, información y conocimiento
    • Para cultivar el conocimiento debe ser almacenado para luego distribuirlo, modificarlo o utilizarlo
    • El valor del conocimiento según se lo da su contexto de uso
    El desarrollo del conocimiento
  • 10.
    • Modelos de clasificación del capital intelectual : dan importancia a los activos intangibles y tratan de clasificarlos.
    • Modelos de gestión de la información : no basta el apoyo de la informática.
    • Modelos de gestión del conocimiento : responden a la cuestión ¿cómo hay que hacer para que el conocimiento genere valor añadido a las organizaciones?
    ...de gestión
  • 11.
    • Balanced Scoredcard Business (Kaplan y Norton, 1992)
    • Navigator de Skandia (Edvinsson y Malone, 1997)
    • The Technology Broker (Brooking, 1996)
    • Modelo de la Universidad West Ontario (Bontis, 1996)
    • Canadian Imperial Bank (Saint-Onge, 1996)
    • Dirección por Competencias (Bueno, 1998)
    • Intelect (Eutoforum, 1998)
    • Intangible Assets Monitor (Sveiby, 1997)
    • Modelo de Flujos de CI (Ross y Drogonetti 1997)
    De clasificación del capital intelectual
  • 12.
    • Modelo Itami (Itami, 1987)
    • Modelo Rowlwy (Rowley, 1998)
    • Modelo Cornella (Cornella, 2000)
    De gestión de la información
  • 13.
    • Modelo Espiral del Conocimiento (Nonaka y Takeuchi, 1995)
    • Modelo de KPMG Consulting (Tejedor y Aguirre, 1998)
    • Modelo de Arthur Andersen (Arthur Andersen, 1999)
    • Modelo E.O.SECI (Centro de Investigación del Conocimiento, CIC)
    • Modelos en función del tipo de trabajo (Accenture Institute for Strategic Change)
    De gestión del conocimiento
  • 14.
    • El modelo parte de la cuestión: ¿qué factores condicionan el aprendizaje de una organización y qué resultados produce dicho aprendizaje?
    Modelo de KPMG Consulting
  • 15.
    • Reconoce la necesidad de acelerar el flujo de información que tiene valor, desde los individuos a la organización y de vuelta a los individuos, de modo que ellos puedan usarla para crear valor para los clientes
    Modelo de Arthur Andersen
  • 16. Gerencia del Conocimiento Fuente: “ El Negocio es el Conocimiento” de Manuel Riesco González
  • 17. LA MINERIA DE DATOS
  • 18. La minería de datos
    • La minería de datos (DM, Data Mining ) consiste en la extracción útil de información que reside de manera implícita en los datos. Nos ayuda a preparar, sondear y explorar los datos para sacar la información oculta en ellos.
    • Es un mecanismo de explotación consistente en la búsqueda de información valiosa en grandes volúmenes de datos. Está ligada a las bases de datos que proporcionan la información histórica de las instituciones mediante los algoritmos de minería de datos donde se obtiene la información necesaria para ayudar a la toma de decisiones.
    • CONVIERTE LOS DATOS EN CONOCIMIENTO
  • 19. La minería de datos
    • Las bases de la minería de datos se encuentran en la inteligencia artificial y en el análisis estadístico. Mediante los modelos extraídos utilizando técnicas de minería de datos se aborda la solución a problemas de predicción, clasificación y segmentación.
    • Inteligencia artificial: es la disciplina que se encarga de construir procesos que al ser ejecutados sobre una arquitectura física producen acciones o resultados que maximizan una medida de rendimiento determinada, basándose en la secuencia de entradas percibidas y en el conocimiento almacenado en tal arquitectura.
  • 20. Objetivo
    • Descubrir patrones, perfiles, y tendencias a través del análisis de datos con tecnologías de reconocimiento de patrones, redes neuronales, lógica difusa, algoritmos genéticos y otras técnicas estadísticas avanzadas del análisis multivariante de datos.
  • 21. Proceso de un DM
  • 22. Proceso de un DM
    • El proceso de minería de datos pasa por las siguientes fases:
    • Filtrado de datos: El formato de los datos contenidos en la fuente de datos (base de datos, Data Warehouse) nunca es el idóneo, y la mayoría de las veces no es posible utilizar ningún algoritmo de minería sobre los datos "en bruto“.
    • Mediante el preprocesado, se filtran los datos, de forma que se eliminan valores incorrectos, no válidos, desconocidos, se obtienen muestras de los mismos (en busca de una mayor velocidad de respuesta del proceso), o se reducen el número de valores posibles (mediante redondeo, clustering,...).
  • 23. Proceso de un DM
    • Selección de Variables : Aún después de haber sido preprocesados, en la mayoría de los casos se tiene una cantidad inmensa de datos. La selección de características reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del proceso de minería.
    • Los métodos para la selección de características son básicamente dos:
    • Extracción de Conocimiento: Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables.
  • 24. Proceso de un DM
    • Interpretación y Evaluación: Una vez obtenido el modelo, se debe proceder a su validación, comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias.
    • En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema.
  • 25. Protocolo de un proyecto de minería
    • Un proyecto de minería de datos tiene varias fases necesarias que son, esencialmente:
    • Comprensión del negocio y del problema que se quiere resolver.
    • Determinación, obtención y limpieza de los datos necesarios.
    • Creación de modelos matemáticos.
    • Validación, comunicación, etc. de los resultados obtenidos.
    • Integración, si procede, de los resultados en un sistema transaccional o similar.
  • 26. Ejemplos de uso de minería de datos
    • Negocios
    • La minería de datos puede contribuir significativamente en las aplicaciones de administración empresarial con clientes.En lugar de contactar con el cliente de forma indiscriminada a través de un centro de llamadas o enviando cartas, sólo se contactará con aquellos que se perciba que tienen una mayor probabilidad de responder positivamente a una determinada oferta o promoción.
    • Hábitos de compra en supermercados
    • El ejemplo clásico de aplicación de la minería de datos tiene que ver con la detección de hábitos de compra en supermercados. Un estudio muy citado detectó que los viernes había una cantidad inusualmente elevada de clientes que adquirían a la vez pañales y cerveza. Se detectó que se debía a que dicho día solían acudir al supermercado padres jóvenes cuya perspectiva para el fin de semana consistía en quedarse en casa cuidando de su hijo y viendo la televisión con una cerveza en la mano. El supermercado pudo incrementar sus ventas de cerveza colocándolas próximas a los pañales para fomentar las ventas compulsivas.
  • 27. Ejemplos de uso de minería de datos
    • Patrones de fuga
    • Un ejemplo más habitual es el de la detección de patrones de fuga. En muchas industrias —como la banca, las telecomunicaciones, etc.— existe un comprensible interés en detectar cuanto antes aquellos clientes que puedan estar pensando en rescindir sus contratos para, posiblemente, pasarse a la competencia. A estos clientes se les podrían hacer ofertas personalizadas, ofrecer promociones especiales, etc., con el objetivo último de retenerlos.
    • Fraudes
    • Generalmente, operaciones fraudulentas o ilegales como blanqueo de dinero o uso de tarjetas de credito o debito suelen seguir patrones característicos que permiten, con cierto grado de probabilidad, distinguirlas de las legítimas y desarrollar así mecanismos para tomar medidas rápidas frente a ellas.
  • 28. Ejemplos de uso de minería de datos
    • Recursos humanos
    • La minería de datos también puede ser útil para los departamentos de recursos humanos en la identificación de las características de sus empleados de mayor éxito. La información obtenida puede ayudar a la contratación de personal, centrándose en los esfuerzos de sus empleados y los resultados obtenidos por éstos.
    • Comportamiento en Internet
    • También es un área en boga el del análisis del comportamiento de los visitantes en una página de Internet. O la utilización de la información —obtenida por medios más o menos legítimos— sobre ellos para ofrecerles propaganda adaptada específicamente a su perfil.
  • 29. Ejemplos de uso de minería de datos
    • Terrorismo
    • La minería de datos ha sido citada como el método por el cual la unidad Able Danger del Ejército de los EE.UU. había identificado al líder de los atentados del 11 de septiembre de 2001 Mohammed Atta, y a otros tres secuestradores del "11-S" como posibles miembros de una célula de Al Qaeda que operan en los EE.UU. más de un año antes del ataque.
  • 30. Ejemplos de uso de minería de datos
    • Ciencia e Ingeniería
    • En los últimos años la minería de datos se está utilizando ampliamente en diversas áreas relacionadas con la ciencia y la ingeniería. Algunos ejemplos de aplicación en estos campos son:
    • Genética : se trata de saber cómo los cambios en la secuencia de ADN de un individuo afectan al riesgo de desarrollar enfermedades comunes (como por ejemplo el cáncer). Esto es muy importante para ayudar a mejorar el diagnóstico, prevención y tratamiento de las enfermedades.
    • Ingeniería eléctrica: En el ámbito de la ingeniería eléctrica, las técnicas minería de datos han sido ampliamente utilizadas para monitorizar las condiciones de las instalaciones de alta tensión.
  • 31. Tendencias
    • La Minería de Datos ha sufrido transformaciones en los últimos años de acuerdo con cambios tecnológicos, de estrategias de marketing, la extensión de los modelos de compra en línea, etc. Los más importantes de ellos son:
    • La importancia que han cobrado los datos no estructurados (texto, páginas de Internet, etc.)
    • La necesidad de integrar los algoritmos y resultados obtenidos en sistemas operacionales, portales de Internet, etc.
    • La exigencia de que los procesos funcionen prácticamente en línea (por ejemplo, que frente a un fraude con una tarjeta de crédito).
    • Los tiempos de respuesta. El gran volumen de datos que hay que procesar en muchos casos para obtener un modelo válido es un inconveniente; esto implica grandes cantidades de tiempo de proceso y hay problemas que requieren una respuesta en tiempo real.
  • 32.  
  • 33. CRM
    • CRM es básicamente la respuesta de la tecnología a la creciente necesidad de las empresas de fortalecer las relaciones con sus clientes.
    • Las herramientas de gestión de relaciones con los clientes (Customer Relationship Management CRM) son las soluciones tecnológicas para conseguir desarrollar la "teoría" del marketing relacional.
    • El marketing relacional se puede definir como "la estrategia de negocio centrada en anticipar, conocer y satisfacer las necesidades y los deseos presentes y previsibles de los clientes".
  • 34.
    • Se ha venido haciendo durante siglos un ejemplo de ello puede ser un vendedor de una quincalla, cuando le va a comprar le reconoce y saluda por su nombre le es posible realizar ofertas personalizadas en función a sus ultimas compras.
    • El reto actual es conseguir conocer a los clientes y actuar en consonancia cuando en lugar de tener 50 clientes como tiene el quincallero, se tienen 1.000, 5.000, 50.000 o 500.000.000. Esta posibilidad la ofrece la tecnología. Hasta que no han existido las soluciones de CRM y las bases de datos, era inviable conocer y personalizar mensajes a 50.000 clientes.
  • 35. Los objetivos del CRM
    • Incrementar las ventas tanto por incremento de ventas a clientes actuales como por ventas cruzadas.
    • Maximizar la información del cliente.
    • Identificar nuevas oportunidades de negocio.
    • Mejora del servicio al cliente.
    • Procesos optimizados y personalizados.
  • 36.
    • Mejora de ofertas y reducción de costes.
    • Identificar los clientes potenciales que mayor beneficio generen para la empresa.
    • Fidelizar al cliente, aumentando las tasas de retención de clientes.
    • Aumentar la cuota de gasto de los clientes
  • 37. Contribución de Internet al CRM
    • Importante disminución de los costes de interacción.
    • Bidireccionalidad de la comunicación.
    • Mayor eficacia y eficiencia de las acciones de comunicación.
    • Inteligencia de clientes
  • 38.
    • Públicos muy segmentados.
    • Personalización y marketing 1 to 1
    • Capacidad de comunicar con cualquier sitio desde cualquier lugar.
    • Mejora de la atención al cliente. Funcionamiento 24 horas, 365 días.
    • Mejora de los procesos comerciales
    Contribución de Internet al CRM
  • 39. Aspectos importantes al aplicar un CRM
    • ¿Quiénes son nuestros clientes?
    • ¿Dónde se encuentran nuestros clientes?
    • ¿Cómo se comunican nuestros clientes con nosotros y nosotros con ellos?
    • ¿Cuántos clientes tenemos?
    • ¿Cuántos tipos diferentes de clientes tenemos?
  • 40.
    • ¿Dónde está la información que necesitamos para encontrar lo que tienen de diferente nuestros clientes?
    • ¿Cuales son nuestros mejores clientes? ¿Qué les convierte en mejores clientes?
    • ¿Qué percepción tienen de nosotros nuestros clientes en general?
    • ¿Qué percepción tienen de nosotros los mejores clientes?
    • ¿Como quiero que me perciban mis clientes dentro de 1 año, 2 años, 3 años?
    Aspectos importantes al aplicar un CRM
  • 41. Data Mining y CRM Fuentes: http://manuelgross.bligoo.com/content/view/613670/Introduccion-a-la-mineria-de-datos-o-data-mining.html http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos http://www.slideshare.net/ http://www.monografias.com/trabajos55/mineria-de-datos/mineria-de-datos.shtml http://www.sinnexus.com/business_intelligence/datamining.aspx Molina Felix, L (2002). Data mining: torturando a los datos hasta que confiesen. Consultado en: http://www.uoc.edu/web/esp/art/uoc/molina1102/molina1102.html
  • 42. La Gerencia moderna se construye bajo los principios del conocimiento y su aprovechamiento, según la teoría de:
  • 43. Forma parte del Diamante de la Gerencia del Conocimiento: La negociación Aprender y desaprender Las organizaciones y empresas La burocracia
  • 44. Uno de los siguientes, no es un modelo de gestión del conocimiento: Modelo de KPMG Consulting Modelo en Función del Tipo de Trabajo Modelo de Arthur Andersen Balanced Scorecard Business
  • 45. ¿Cuál es el orden de un protocolo de Data Mining? Comprensión del problema, validación de modelos y comunicación Análisis del negocio, generar modelos matemáticos y difundir la información Comprensión del negocio, obtención de data, limpieza y generar modelos matemáticos Generación de modelos matemáticos, validación y obtención de data
  • 46. Uno de los objetivos del Customer Relationship Management es: Elevar los costos operativos del área de mercadeo Generar modelos de gestión de nuevos negocios Maximizar la información vital del cliente Desarrollar las tecnologías de la información y la comunicación
  • 47. ¡Gracias!