Escolar Documentos
Profissional Documentos
Cultura Documentos
Y DATAWAREHOUSE] 1
La minera de datos suele describirse como "el proceso de extraer informacin vlida, autntica y que se pueda procesar de las bases de datos de gran tamao." En otras palabras, la minera de datos deriva patrones y tendencias que existen en los datos. Estos patrones y tendencias se pueden recopilar y definir como un modelo de minera de datos
La informacin oculta es aquella informacin no evidente, desconocida a priori y potencialmente util, que puede recuperarse mediante tcnicas de minera de datos, como reconocimiento de regularidades o algoritmos de aprendizaje automtico, esta informacin es de gran valor, puesto que no se conoca y se trata de un descubrimiento real de nuevo conocimiento, del que antes no se tena idea y que abre la posibilidad de descubrir una nueva visin del problema. Un ejemplo de este tipo de informacin sera Qu tipos de clientes tenemos? Cul es el perfil tpico de cada clase de usuario?. By Gimena Mariaca V
- Modelando el comportamiento humano Data Mining provee un conjunto de diferentes modelos como son la regresin, clasificacin, agrupamiento, importancia de atributos, asociacin entre los mas comunes que tratan de modelar estos comportamientos mediante estos modelos para encontrar patrones que no saltan a primera vista ni con mtodos de anlisis convencionales.
[BI Y DATAWAREHOUSE] 3 6. Despliegue funcional-comercial: una vez se tiene automatizada la captura y tratamiento de datos para obtener unos resultados, se desarrollan herramientas, normalmente en forma de aplicaciones informticas que permiten generar alertas, informes, estadsticas, etc. que tienen una utilidad directa para la toma de decisiones y sistema de informacin del cliente. CRISP-DM es una metodologa estndar que ha sido desarrollada para la construccin de proyectos de minera de datos que propone un ciclo de vida cuya primer fase es comprensin del negocio. Esta fase comprende las siguientes subfases: determinar los objetivos del negocio, evaluacin de la situacin, determinar objetivos del proceso de explotacin de datos y realizar el plan del proyecto. En este trabajo se correlacionan algunos objetivos del negocio detectables en la subfase de determinacin los objetivos del negocio con algunas tcnicas identificables en la subfase de realizacin del plan del proyecto. En orden a esto, se se enumeran los procesos de minera de datos: prediccin, construccin de modelos, descubrimiento de grupos, identificacin de factores y deteccin de perfiles; se identifican tcnicas de sistemas inteligentes de utilidad para ejecutar dichos procesos, se asocia dichos procesos con objetivos de negocio y se propone una abstraccin del proceso involucrado.
Lo cual debemos tener en cuenta que estas caractersticas o atractivos no deben ser tomados de forma arbitraria.
Nivel conceptual (Meta): Se establece un objetivo para cada elemento de medicin, considerando el producto, proceso y los recursos, desde diferentes puntos de vista. Nivel operativo (Pregunta): Con base en las metas definidas se establece un conjunto de preguntas que permiten caracterizar la evaluacin / logro de un objetivo especfico. Nivel cuantitativo (Mtrica): A cada pregunta se le asocian datos que permitan dar respuesta cuantitativa a los objetivos, de manera objetiva o subjetiva.
[BI Y DATAWAREHOUSE] 5 Un modelo GQM puede compartir las mismas preguntas y mtricas para diferentes objetivos, aunque se obtienen valores diferentes segn el punto de vista. El modelo obtenido requiere ser aplicado, recolectados los datos, interpretados y evaluados para determinar el cumplimiento de los objetivos iniciales. Con esto se complementan todos los pasos para cubrir el enfoque de GQM.
-
Modelizacin
Causal
Esta
mdoelizacin
tiene
que
ver
con
las
reglas
de
asociacin
en
donde
la
Causalidad
es
una
Interpretacin
no
intuitiva
Posible
causa
->
Consecuencia
Consecuencia
->
nica
causa
Confianza causal ConfCausal(X
Y)=
conf(X
Y)+conf(X
Y)/
2
-
Gestin
de
Rendimiento
Posee dos componentes importantes de trabajo: El mapa de la estrategia y el tablero balanceado donde se representan visualmente las perspectivas que el modelo busca atacar y llevan a la empresa a alcanzar las ventajas estratgicas en conjunto con las operaciones de la empresa. Ese mapa incluye indicadores que miden el valor de xito o fracaso de un objetivo, las metas, los compromisos y planes de accin. - Systems-Thinking approach, un captulo aparte. Es un conjunto de componentes interrelacionados dinmico y complejo trabajar juntos con el propsito de lograr un objetivo comn, dentro de un entorno que lo limita y agentes externos que le afectan. Se pueden distinguir 2 tipos de pensamiento de sistemas: La perspectiva financiera indica si la estrategia, puesta en prctica y ejecucin, contribuye con los objetivos (Generar Valor) La perspectiva de formacin, aprendizaje y crecimiento identifica la infraestructura necesaria para generar el valor que genere rentabilidad de corto y largo plazo. La perspectiva del cliente permite identificar los segmentos de los clientes y de mercado que proporcionan rendimientos financieros
[BI Y DATAWAREHOUSE] 7 REFERENCIAS Villena J, Crespo R., Garcia J. J., Mineria de datos , Inteligencia en redes de comunicaciones , universidad Carlos III. http://asprotech.blogspot.com/2010/09/goal-question-metric.html http://msdn.microsoft.com/es-es/library/ms174949%28v=sql.90%29.aspx http://www.masquecodificar.es/2012/11/mineria-de-datos-data-mining-i.html http://asprotech.blogspot.com/2010/09/goal-question-metric.html http://ingsoftwarezm.blogspot.com/2013/01/metricas-de-producto.html
By Gimena Mariaca V