Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática

Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática

  • Login to see the comments

Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática

  1. 1. BigData en Ibermática. Tecnología I3B Noviembre 2013 G R U P O I B E R M Á T I C A
  2. 2. Áreas de especialización Eco/Energí a Turim o s Sm art t ci y Si s t em as Expert os Noviembre 2013 / 2 H eal t hc ar e y Soc i al As s i s t . Bi o i or át ca nf m i M l i da ovi d y Tráf i c o Servi c i os i nt el i gent es pers onal i zados ori ent ados al c ont ext o Bg D a i at Georef erenc i ac i ón y Cart ograf í a Grandes s i s t em as TIC M 2M ( Int ernet de l as c os as ) Sem i c ánt a y Soc i al M a edi
  3. 3. Áreas de especialización H eal t hc are y Soc i al Ec o- Energí a Turi s m o As s i s t .  Envejecimiento y Dependencia  Teleasistencia  Monitorización  Detección precoz  Acceso avanzado (avatar, etc.)  SmartGrid SmartMetering SmartHome  Edificación Sostenible  Perfil –mejora consumos  Vehículo eléctrico Si s t em as Expert os  Sistemas automáticos de Simulación  Sistemas expertos de autoaprendizaje  Optimización de procesos  Serious games Noviembre 2013 / 3  Guías digitales  Servicios contextuales  Turismo 2.0  Trazabilidad  Accesibilidad patrimonio y museos Bg D a i at  Big Data  Data mining  Sistemas de apoyo a la decisión  Detección de pautas y predicción Grandes M l i dad ovi Sm Ci t y y Tráf i c o art Inf orm i c a i s t em át s as TIC Bo i  Soluciones de Laboratorios  Plataformas de información  Servicios medicina personalizada  Seguridad agroalimentaria  Productividad desarrollo software  Seguridad  Movilización aplicaciones  Conocimiento clientescontexto Georef erenc i ac i ón y Cart ograf í a  Georeferenciación  Sistemas de Información Geográfica-GIS  GeoWeb 2.0  Servicios sociales, Sanidad, Cultura, Seguridad, Medio ambiente, Ocio y turismo, Tráfico  Modelización necesidades recursos públicos M 2M Int ernet de l as Cos as  Sensórica  Dispositivos móviles (in-out)  Sistemas inteligentes  Comunicación M2M, H2M y M2H  Conectividad (Cloud, RFID, ...)  Captación y trazabilidad de flujos  Gestión de incidencias  Predicción  Modelización y optimización de flujos Sem i c a ánt y Soc i al M a edi  Open data  Link data  Ontologías  Buscadores semánticos  Redes Sociales  Sentiment Analisys
  4. 4. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Análisis automático del OEE (Overall Equipment Effectiveness) Noviembre 2013 / 4
  5. 5. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Análisis automático del OEE (Overall Equipment Effectiveness) Noviembre 2013 / 5
  6. 6. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Análisis automático del OEE (Overall Equipment Effectiveness) Noviembre 2013 / 6
  7. 7. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Explicación automática de las reglas que modelan el OEE Noviembre 2013 / 7
  8. 8. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Explicación automática de las reglas que modelan el OEE Noviembre 2013 / 8
  9. 9. Big Data en Industria Mantenimiento Predictivo. Adelantándonos a las incidencias Explicación automática de las reglas que modelan el OEE Noviembre 2013 / 9
  10. 10. Big Data en Tráfico Gestión del Tráfico. Modelado de flujo y predicciones automáticas. -Predicción del flujo futuro del tráfico -Predicción de incidencias (obras, colapsos, densidad, accidentes) Presente Noviembre 2013 / 10 Futuro
  11. 11. Big Data en Tráfico Gestión del Tráfico. Modelado de flujo y predicciones automáticas. -Predicción del flujo futuro del tráfico -Predicción de incidencias (obras, colapsos, densidad, accidentes) Presente Pasado Noviembre 2013 / 11 Futuro
  12. 12. Big Data en Salud Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 12
  13. 13. Big Data en Salud: Analítica Avanzada Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 13
  14. 14. Big Data en Salud: Analítica Avanzada Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 14
  15. 15. Big Data en Salud: Analítica Avanzada Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 15
  16. 16. Big Data en Salud: Analítica Avanzada Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 16
  17. 17. Big Data en Salud: Analítica Avanzada Salud. Ánalítica avanzada en entornos clínicos. Resúmenes automáticos sobre Evolutivos médicos Relaciones entre diagnósticos / tratamientos y efectos sobre la salud. Noviembre 2013 / 17
  18. 18. Big Data en Salud: TeleAsistencia Salud. Teleasistencia Personalizada. Seguimiento de puntos vitales en pacientes en domicilio Alertas personalizadas automáticas en función del paciente Noviembre 2013 / 18
  19. 19. Big Data en Salud: Proteómica Proteómica: descubrimiento de relaciones proteómicas Clasificación automática de péptidos Relaciones no evidentes entre indicadores y secuencias ¿Coverage? ¿PepOccur? Noviembre 2013 / 19
  20. 20. Big Data en Salud: Proteómica Proteómica: descubrimiento de relaciones proteómicas Clasificación automática de péptidos Relaciones no evidentes entre indicadores y secuencias Noviembre 2013 / 20
  21. 21. Big Data en la Gestión de la Demanda Gestión de la Demanda en Centros de Atención al Cliente Análisis de Series Temporales Optimización de curvas de Demanda en función de Llamadas/Incidencias/Agentes Noviembre 2013 / 21
  22. 22. Big Data en la Gestión de la Demanda Gestión de la Demanda en Centros de Atención al Cliente Análisis de Series Temporales Optimización de curvas de Demanda en función de Llamadas/Incidencias/Agentes Noviembre 2013 / 22
  23. 23. Big Data en la Gestión de la Demanda Gestión de la Demanda en Centros de Atención al Cliente Análisis de Series Temporales Optimización de curvas de Demanda en función de Llamadas/Incidencias/Agentes Noviembre 2013 / 23
  24. 24. Big Data en Comercio Electrónico Segmentación de clientes y comportamientos anómalos Segmentación CRM / ERP Noviembre 2013 / 24 Normalidad / Anomalías
  25. 25. Big Data en Comercio Electrónico Segmentación de clientes y comportamientos anómalos Segmentación CRM / ERP Reglas de Negocio Automáticas Noviembre 2013 / 25
  26. 26. Big Data en entornos Bancarios Segmentación de clientes y comportamientos anómalos Contrato fuera de área Noviembre 2013 / 26
  27. 27. Big Data en Administraciones Gestión de ayudas y control del fraude La tecnología actual permite construir modelos predictivos basados en comparativas estadísticas de patrones de actuación, así como el análisis de redes sociales que muestran, de forma gráfica y geoposicionada, vínculos entre agentes y su posible estado fraudulento. Además, los sistemas tienen una gran capacidad de aprendizaje sobre las actuaciones generadas en base a las alertas detectadas. Los objetivos de GuiDes Fraude son los siguientes:  Toma de decisión en tiempo real.  Ayuda en la instrumentación de reglas para el seguimiento y control de la concesión de prestamos.  Detección de anomalías en las pautas de comportamiento.  Sistema de alertas sobre casos inciertos.  Sistema de representación gráfica de zonas con probabilidad alta de fraude.  Integración de información y seguimiento de la evolución de los clientes.  Aprendizaje automático ante nuevos casos de fraude. Noviembre 2013 / 27
  28. 28. Big Data en Lenguaje Natural: Text Analytics Análisis inteligente de la información no estructurada Vigilancia Tecnológica Medicina Basada en la Evidencia Noviembre 2013 / 28
  29. 29. Herramientas para generar conocimiento del usuario Interrelación con el usuario en base a lenguaje natural por voz Resultado: Interacción con el usuario de forma natural (voz)  Sistema de guiado en base a preguntas-respuesta.  Compresión de intencionalidad del usuario.  Conocimiento del usuario y contexto. Necesidades: o Caso de Uso. o “FAQs” de interés. o Árboles de decisión (si existen) en guiado de productos/servicios. Noviembre 2013 / 29
  30. 30. ICR y catalogación automática de contenidos • Texto Manuscrito a formato digital. • Clasificación automática de documentos. Noviembre 2013 / 30
  31. 31. Herramientas para generar conocimiento del usuario Cuantificador de estados subjetivos en base a comentarios en Redes Sociales Sistema evaluador de "sensaciones" subjetivas: •Baja Laboral •Paro •Buscando Trabajo •Cambios en las relaciones sociales •Imprevistos •Cambios en gustos, preferencias •Descontento con la Entidad / Fiel Resultado: Acciones correctivas preventivas y personalizadas. Necesidades: oRedes sociales oWeb oBlogs oWikis relacionadas con la entidad, etc. Noviembre 2013 / 31
  32. 32. Recomendación personalizada por producto Noviembre 2013 / 32
  33. 33. Big Data en Política: Gis-Geopolítico Análisis inteligente de la intención de voto Agregación de numerosas fuentes por sección censal Reglas y predicción de intención del voto en base a comportamientos pasados Noviembre 2013 / 33
  34. 34. Big Data en Política: Gis-Geopolítico Análisis inteligente de la intención de voto Agregación de numerosas fuentes por sección censal Reglas y predicción de intención del voto en base a comportamientos pasados Noviembre 2013 / 34
  35. 35. Big Data en Política: Gis-Geopolítico Análisis inteligente de la intención de voto Agregación de numerosas fuentes por sección censal Reglas y predicción de intención del voto en base a comportamientos pasados Noviembre 2013 / 35
  36. 36. Big Data en Política: Gis-Geopolítico Análisis inteligente de la intención de voto Agregación de numerosas fuentes por sección censal Reglas y predicción de intención del voto en base a comportamientos pasados Noviembre 2013 / 36
  37. 37. Aitor Moreno Fernández de Leceta Sistemas Inteligentes de Control y Gestión www.ibermatica.com/ai.moreno Blog: rtdibermatica.com Noviembre 2013 / 37

×