MINERIA DE DATOS• Consiste en utilizar información para obtener información significante

para la empresa bajo herramientas estadísticas con el fin de ahorrar costos y mejorar la productividad.

• Es la búsqueda de información valiosa en grandes volúmenes de datos . Es decir convertir datos en conocimiento.

• Descubrir patrones, perfiles y tendencias a través del análisis de datos

Aplicaciones• Segmentación de mercado• CRM (Ejemplo: Tendencia de deserción de

clientes)• Perfiles de clientes• Ventas• Mejoramiento de canales de distribución• Recursos humanos(Ejemplo: Atención a clientes)• Predicción de clientes potenciales (Focalización

de clientes y campañas promocionales

FLUJO DE INFORMACIÓNTÉCNICAS• Asociación• Clasificar• Predecir• Distribuir

MODELOS DE MINERIA DE DATOS

• Modelo PredictivoResponde preguntas sobre datos futuros

• Modelo DescriptivoProporciona información sobre las

relaciones entre los datos

ETAPAS EN UN PROYECTO DE MINERIA DE DATOS

• Filtrado de datos: Eliminar valores incorrectos e inválidos

• Selección de variables: Elegir las variables mas influyentes en el problema

• Extracción de conocimiento: Patrones de comportamiento observados en los valores de las variables del sistema

• Interpretación y Evaluación: Validación y comprobación que las conclusiones son satisfactorias

BD. AdventureWorks

Algoritmo Árbol de decisionesEs una técnica utilizada para la toma de decisiones secuenciales basada en el uso de resultados y probabilidades asociadas.Ejemplo: Estimar probabilidades de obtener beneficios. Un árbol de decisión es un conjunto de condicione (reglas) organizadas en una estructura jerárquica, de tal manera que la decisión final se puede determinar siguiendo las condiciones que se cumplen desde la raíz hasta alguna de sus hojas.El algoritmo de árboles de decisión de Microsoft es un algoritmo de clasificación y regresión para el modelado de predicción de atributos discretos y continuos.

Algoritmo Bayes naive de Microsoft

El algoritmo Bayes naive de Microsoft es un algoritmo de clasificación para el modelado de predicción. Resulta útil para generar rápidamente modelos de minería de datos para descubrir relaciones entre columnas de entrada y columnas de predicción. Se puede utilizar este algoritmo para realizar exploraciones iniciales de datos y aplicar los resultados para crear modelos de minería de datos adicionales.

Algoritmo de clústeres de Microsoft

El algoritmo utiliza técnicas iterativas para agrupar los casos de un conjunto de datos dentro de clústeres que contienen características similares. Estas agrupaciones son útiles para la exploración de datos, la identificación de anomalías en los datos y la creación de predicciones.