Minería de Datos: Extrair Informações Valiosas

Vista previa del material en texto

Inteligencia artificial
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Minería de datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Contenido
 Tendencias de crecimiento
 Habilitadores tecnológicos
 ¿Qué es Minería de Datos?
 Datos, información y conocimiento
 Hipótesis de Minería de datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Generación de datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Negocios
Compañía telefónica
Tarjetas Débito/Crédito
Préstamos (Banco)
Correo
Educación
Compras-Ventas
Producción
Generación de datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
El caos de datos
Muchas empresas tienen un gran volumen de datos
acumulado históricamente.
Se estima que el volumen de datos se duplica cada
año.
La rapidez y el volumen en la generación de datos se
incrementa exponencialmente haciendo difícil su uso
racional.
Existen diversas aplicaciones con modelos de datos
propios, pero falta un modelo de datos integrado.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
El caos de datos
Causas:
Las personas no entienden los datos que poseen.
Alta redundancia de datos.
Desarrollo de sistemas de información
independientes para resolver necesidades urgentes.
Datos heterogéneos (SMBD, SO, plataformas HW).
Falta de METADATOS en las empresas.
Ausencia de un modelo de datos común.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
El caos de datos
Adicional a esto se tiene:
Incremento en capacidad de almacenamiento ⇒
registro histórico en línea (de años o meses).
Incremento en capacidad de procesamiento de
computadores ⇒ posibilidad de procesamiento del
registro histórico.
Detener la generación de datos heterogéneos y crear
un recurso de datos integrado que cumpla los
requerimientos actuales y futuros de información de
la empresa.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
El gran reto
Este recurso de datos integrado es denominado
BODEGA DE DATOS o Datawarehouse.
Un Data Warehouse (DW) es un almacén de
información integrada, proveniente de sistemas de
información transaccionales, con el objetivo de
proveer datos para el análisis y la toma de decisiones.
Un DW provee los datos para los Data Marts que
corresponden a divisiones de una empresa.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
El gran reto
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Crecimiento exponencial
Libros en bibliotecas (red): 17 millones
Espacio por libro: 1 Mega
Espacio requerido: 17 terabytes
Tamaño de la base de datos de UPS para
registro de envíos: 17 terabytes
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Crecimiento exponencial
Elemento 1950 2000 % crecim.
Población 16 millones 42 millones 2.8
Velocidad terrerste 100 millas/hr 400 millas/hr 4
Distancia 25000 millas 475000 millas 1,500
Velocidad aérea 200 millas/hr 25,000 millas/hr 12,500
Datos 10s Mega bytes 10s Tera bytes 100,000
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Contenido
 Tendencias de crecimiento
 Habilitadores tecnológicos
 ¿Qué es Minería de Datos?
 Datos, información y conocimiento
 Hipótesis de Minería de Datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Habilitador tecnológico
Costo por megabyte en disco 1995: ≈ $50.00 USD
Costo por megabyte en disco 2005: ≈ $0.07 USD
Costo de un terabyte: $4,000 USD
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Habilitador tecnológico
Velocidad de procesamiento
Computador Alaska a 1.35 Gigaherts a $1,200 USD
Memoria RAM
PC con memoria RAM de 128M a 1 Giga
PC con memoria 10 Giga
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Paradoja
Ahogados en datos.
No se genera conocimiento.
Sufriendo por falta de información.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Contenido
 Tendencias de crecimiento
 Habilitadores tecnológicos
 ¿Qué es Minería de Datos?
 Datos, información y conocimiento
 Hipótesis de Minería de Datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Proceso
Herramientas
Mineros
Resultados
Metas
¿Qué es minería de datos?
Proceso para la extracción
de patrones significativos
en grandes volumenes de
datos.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Minería de datos (MD)
Analogía entre búsqueda de una pepita de oro en
una mina y búsqueda de un dato relevante en una
"mina de datos".
MD es la búsqueda de información valiosa y oculta
en grandes volúmenes de datos.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Minería de datos -Data Mining-
Minería de datos (Data Mining), la extracción de
información oculta y predecible de grandes bases de
datos.
Es una poderosa tecnología nueva con gran potencial
para ayudar a las compañías a concentrarse en la
información más importante de sus bases de datos
(Data Warehouse).
La llegada del Data Mining se considera como la
última etapa de la introducción de métodos
cuantitativos, científicos en el mundo del comercio,
industria y negocios.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Minería de datos (MD)
La minería de datos está muy ligada a las bodegas de
datos que proporcionan la información histórica
para poder operar.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
La MD puede ser dividida en:
– Minería de Datos Predictiva (MDP) y Minería
de Datos para Descubrimiento de
Conocimiento (MDDC)
MDP usa primordialmente técnicas estadísticas.
MDDC usa principalmente técnicas de IA.
Minería de datos (MD)
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Estadística y Data Mining conducen al mismo
objetivo, el de efectuar "modelos" compactos y
comprensibles que rindan cuenta de las relaciones
establecidas entre la descripción de una situación y
un resultado (o un juicio) relacionado con dicha
descripción.
Data Mining y Estadística
Los no estadísticos -es decir el 99,5% de nosotros-
pueden construir modelos exactos de algunas de sus
actividades, para estudiarlas mejor, comprenderlas y
mejorarlas.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
La diferencia reside en que las técnicas de Data
Mining construyen el modelo de manera automática
mientras que las técnicas estadísticas "clásicas"
necesitan ser manejadas y orientadas por un
profesional.
Las herramientas de Data Mining pueden responder
a preguntas de negocios que tradicionalmente
consumen demasiado tiempo para poder ser resueltas
y a los cuales los usuarios de esta información casi no
están dispuestos a aceptar.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Análisis prospectivos
Las herramientas exploran las bases de datos en
busca de patrones ocultos, encontrando información
predecible que un experto no puede llegar a
encontrar porque se encuentra fuera de sus
expectativas.
Los análisis prospectivos automatizados ofrecidos por
un producto así van más allá de los eventos pasados
provistos por herramientas retrospectivas típicas de
sistemas de soporte de decisión.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Las herramientas de Data Mining predicen futuras
tendencias y comportamientos, permitiendo en los
negocios tomar decisiones proactivas y conducidas
por un conocimiento acabado de la información
(knowledge-driven).
Data Mining automatiza el proceso de encontrar
información predecible en grandes bases de datos.
Preguntas que tradicionalmente requerían un intenso
análisis manual, ahora pueden ser contestadas
directa y rápidamente desde los datos.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Alcance de Minería de datos
Otros problemas predecibles incluyen pronósticos de
problemas financieros futuros y otras formas de
incumplimiento, e identificar segmentos de población
que probablemente respondan similarmente a
eventos dados.
Data Mining usa datos en mailing promocionales
anteriores para identificar posibles objetivos para
maximizar los resultados de la inversión en futuros
mailing.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
¿Para qué se usa la minería de datos?
tarea
síntesis análisis
especifcar diseñar assemble
planear configurar modificar
predecir identificar controlar
clasificar diagnosticar monitorear
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Tipos de tareas
Predicción y Clasificación
• Identificar (categoría)
• Estimar (variables numéricas)
• Pronosticar (series de tiempo)
• Agrupar (clustering)
• Asociar (reglas de afinidad)
• Visualizar
Inte
lig
en
ci
a 
A
rt
ifi
ci
al
Origen de la minería de datos
Data mining and Knowledge Discovery Data: KDD
Inteligencia Artificial: Machine Learning
Estadística
Arboles de decisión
Inducción de reglas
Redes neuronales
Redes bayesianas
Algoritmos genéticos
Lógica difusa
Análisis de Regresión
Cluster Analysis
Análisis discriminante
Muestreo
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Supuestos de KDD
• El pasado es un buen predictor del futuro.
• Hay datos disponibles.
• Los datos contienen lo que queremos predecir.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Tipos de KDD
Directa o supervisada
Indirecta ó no-supervisada
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Soportada por:
– Recurso de datos integrado
– Sistemas de información
– Mecanismos de explotación de los datos.
Ingeniería de información
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Contenido
 Tendencias de crecimiento
 Habilitadores tecnológicos
 ¿Qué es Minería de Datos?
 Datos, información y conocimiento
 Hipótesis de Minería de Datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Crisis informática
 Estrategias de negocio
 Tecnologías de información
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
DSS y Tecnologías del
conocimiento
 DSS y KT
 Estrategias de negocio
 Tecnologías de información
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Jerarquía de información
 Símbolos
 Datos
 Información
 Conocimiento
 Expertise
 Competencia
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Elementos de competitividad
Negocios
Inteligencia de Negocios
Aprendizaje organizacional
Minería de datos
RDB, DWH, DM
OLTP
Sentidos
OLAP
Memoria Razonamiento
Aprendizaje
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Edos financ
BD Anunciantes
Demográficos
Perfiles genéricos
Cola de anuncios
Anuncios
Blackboard
Perfil de anunciantes
Tiendas
Minería
De datos
Agentes
Personales
Clien tes
An un cia n te
s
Experto en
M erca d otecn i
a
Gen era d ores d e
con ten id o
Uso de la Minería de datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Metodología de Minería de datos
Definición del problema y 
establecimiento de metas
Obtención y preparación
de datos
Construir modelo
Herramientas
y técnicas
Resultados
Usar modelo
Evaluar resultados
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Metas de negocio concretas
Incrementar en un 5% el volumen de
ventas del producto A en la región 5
en los siguientes 3 meses.
Identificación de problemas
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Metas de negocio concretas
Reducir en un 10% el desperdicio de
materia prima en la producción del
producto Y en la línea de ensamble 3
durante el mes de Octubre.
Identificación de problemas
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Metas de negocio concretas
Encontrar las características demográficas
de la población que comprará el producto Z
en la zona norte durante el próximo año.
Identificación de problemas
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Preparar los datos
Data
marts
Archivo
RDBMS
Data
warehouse
Hoja
Excel
Preparar 
datos
Tabla de datamining
Diversas fuentes de datos
Acces
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Entender datos
Se debe entender no solo el contenido sino el
significado (SEMÁNTICA) de los datos.
Desarrollo de metadatos para soportar el
entendimiento completo de los datos.
Creación de modelo de datos común.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Integración de datos
Transformación de todos los datos importantes y
críticos en un recurso de datos integrado.
Agregar datos
Almacenamiento de los datos operacionales para
permitir el análisis de tendencias, patrones y
proyecciones que permitan aprovechar las
alternativas de negocio actuales y futuras.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Desplegar datos
Desplegado del recurso de datos, en contenido y
semántica en toda la empresa.
El recurso global = Datawarehouse.
El recurso local = Datamart.
Metadatos Global = Clearing House
Principio Guía: ECOLÓGICO: PIENSA
GLOBALMENTE ACTUA LOCALMENTE.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Ingeniería de información
El recurso de datos común puede ser construido
usando la Ingeniería de Información: Disciplina
para identificar necesidades de información en las
organizaciones y ofrecer mecanismos de explotación
racional de información que permitan tomar
decisiones oportunas y eficientes.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
– Los datos sean correctos
– Los reciban las personas correctas
– En el lugar correcto
– En el tiempo correcto
– En la forma correcta
– Al costo correcto
Para tomar las decisiones correctas y las
acciones correctas.
Ingeniería de información
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Modelación
Conjunto
de
prueba
Modelo
probado
Construir
modelo
Modelo
depurado
Conjunto
de
depuración
Datos reales
PrediccionesUsar
modelo
Conjunto
de
entrenamiento
Modelo
inicial
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Modelado de datos
Modelado de procesos (DFD’s, BP’s)
Modelado conceptual (E-R)
Modelado lógico (Normalización, distribución de
datos)
Modelado físico
Modelado multidimensional
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Modelado multidimensional
En el modelado dimensional se necesita la
identificación de tablas de dimensiones y de tablas
de hechos.
Las tablas de dimensiones permiten la ubicación
(temporal, espacial, etc.) de los eventos que son
definidos en las tablas de hechos.
Consideremos una cadena de tiendas de
comodidad.
Con tres dimensiones: Geográfica, Temporal y de
Productos, y la tabla de hechos sería la compra de
un producto.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
La dimensión geográfica permite localizar una
tienda en particular. Los niveles de la geografía
son: Calle, colonia, municipio, estado, país (5
niveles de detalle).
La dimensión temporal permite ubicar un evento
de venta en los niveles: Hora, día, semana,
quincena, mes, año (6 niveles de detalle)
Modelado multidimensional
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
La dimensión Producto, permite identificar el
producto que es vendido, los niveles de producto
son: Producto, subfamilia, familia (3 niveles de
detalle).
En este sentido se tiene un mapa tridimensional,
que ubica una venta de un producto, a una hora
particular y en una tienda específica.
Modelado multidimensional
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Este modelo multidimensional permite la
definición de niveles de detalle en cada dimensión.
Se tiene la posibilidad de definir: 5 x 6 x 3= 90
Combinaciones de Niveles de Detalle.
Adicionalmente es posible dejar FIJO una o las
tres dimensiones (dando un total de 8
combinaciones).
Se tiene entonces 8 x 90= 720 diferentes reportes.
Modelado multidimensional
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Esto da una idea de que el número posible de
reportes a obtener podría ser gigantesco, por lo
que surge el concepto de REPORTES BAJO
DEMANDA.
Es decir, que el usuario configure dinámicamente
el reporte que necesita.
Modelado multidimensional
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Mecanismos de explotación
Lenguajes de consulta (SQL, QBE, etc.)
DSS
OLAP(Bases de datos multidimensionales)
MINERÍA DE DATOS (Agrupamiento, Análisis
estadístico, Redes neuronales, Algoritmos
genéticos, etc.)
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Clementine SPSS
Enterprise Miner SAS
Mine Set SGI
Intelligent Miner IBM
CART Salford Systems
See5
Bonsái
Prospect
Arboles de decisión
Entropía
Gini
Redes Bayesianas
Clasificador Bayesiano
Redes neuronales
Retropropagación
Mapas autoorganizados
Técnicas y herramientas
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Técnicas MD
Algoritmos genéticos
– Inspirados en el principio de la supervivencia
de los más aptos.
– La recombinación de soluciones buenas en
promedio produce mejores soluciones.
– Analogía con la evolución natural.
Sistemas clasificadores.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Programación genética. Se basan en la
evolución de programas de computo que
permitan explicar o predecir con mínimo error
un determinado fenómeno.
Redes bayesianas. Buscan determinarrelaciones causales que expliquen un
fenómeno en base a los datos contenidos
en una base de datos. Se han usado
principalmente para realizar predicción.
Técnicas MD
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Arboles de decisión
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Reg Color Resid EdoCiv Ing Edad Equipo
R1 amar Iba sol $$ jov Tol
R2 rojo Cali cas $ adu Ame
R3 amar Cali sol $$ nin Cali
R4 amar Med cas $$$ adu Env
R5 amar Med sol $$ jov Nac
R6 rojo Nei sol $$ jov Hui
R7 rojo Med cas $$ jov Med
R8 amar Bar sol $ adu Jun
R9 rojo Pas cas $$ jov Pas
R10 rojo Cuc sol $$$ adu Cuc
R11 amar Buc sol $ jov Buc
R12 rojo Per cas $ adu Per
R13 rojo Arm sol $$ jov Qui
Arboles de decisión
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Casos de estudio
 Empresas comerciales
 Bancos
 Televisoras
 Estaciones de radio
 Industrias (del papel, plástico, …)
 Otros casos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Aplicaciones MD
Afinidad de productos.
Segmentación de mercado (Clustering)
Fidelidad de clientes
Determinar montos de crédito
Probabilidad de respuesta satisfactoria a
tratamiento médico
Detección de fraudes en tarjetas de crédito
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Detección de evasión fiscal
Determinación de niveles de audiencia de
programas televisivos.
Normalización automática de BD
Determinación de bonos por desempeño
Determinación de la Estrategia de juego.
Aplicaciones MD
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
TV
Telereport
BD
Pronósticos
Presentación de
resultados
Ratings por
programa por
canal
Aplicación de Minería de datos
Preparación
de datos
Tabla de
DM
Programación
Uso del
Modelo
Construcción
Modelo
KB
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Share por Canal
y
Encendidos
Totales
Share Otros
Canales
Pronósticos
de Ratings
Aplicación de Minería de datos
Calcula
Encendidos
y
Calcula
ratings por canal
y
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Aplicación de Minería de datos
Si se dota el cajero con pocos
fondos, se quedará sin dinero y
dará un mal servicio al cliente.
Si se dota el cajero con mucho
dinero, habrá un costo
financiero asociado con el dinero
improductivo.
Definición del problema
Pronóstico de efectivo en
cajeros automáticos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Aplicación de Minería de datos
Meta de negocio:
Actualmente: 3 pesos por
cada peso entregado, y
5% de cajeros sin dinero
Meta: 2 pesos por cada
peso entregado y 2.5% de
cajeros sin dinero.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al Presentación de
resultados
Pronóstico por
Cajero y por
día
Pronósticos
Sistema
cajeros
Aplicación de Minería de datos
Tabla de
DM
Preparación
de datosBD
Programación
Uso de la RN
Construcción RN
de Kohonen
KB
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Contenido
 Tendencias de crecimiento
 Habilitadores tecnológicos
 ¿Qué es Minería de Datos?
 Datos, información y conocimiento
 Hipótesis de Minería de Datos
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Múltiples áreas de
oportunidad
Necesidad de recursos
humanos capacitados en el
uso tecnologías
inteligentes
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Matemática
Minería de
Datos
Robótica
Ingeniería del
Conocimiento
Logística y
DSS
Cibernética y
Teoría de
Información
Ciencias de lo artificial:
Inteligencia Artificial
Lógica
HCI
Diseño
Computabilidad
Ingeniero en 
Sistemas 
Inteligentes
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Conclusiones 
Es fundamental la construcción de un recurso de
datos integrado que soporte las necesidades de
información.
Las bodegas de datos proporcionan el recurso de
datos integrado con el cuál los algoritmos de
minería de datos proporcionan información
necesaria para la toma de decisiones.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Se deben construir herramientas y estrategias
para gestionar conocimiento a partir de los datos
existentes.
Hay que eliminar la creación de sistemas de
información particulares en organizaciones.
Crear un modelo global: Metadatos
Deben definirse nuevas herramientas para
procesar los datos en busca de información.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
Bibliografía
Building the Data Warehouse. W.H. Inmon, John
Wiley and Sons, 1996, 2o. Edición.
Data Warehouses Performance. W.H. Inmon, John
Wiley and Sons, 1997.
The Data Model Resource Book. Len Silverson,
W.H. Inmon, Kent Graziano, John Wiley and
Sons.
The Data Warehouse Toolkit: Practical Techniques
for Building Dimensional Data Warehouses. Ralph
Kimball, John Wiley and Sons, 1996.
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
The Data Warehouse Lifecycle. Ralph Kimball, John
Wiley and Sons, 1997.
OLAP Solutions: Building Multidimentional
Information Sysmens. Eric Thompsen, John Wiley
and Sons, 1997.
Data Warehousing, Data Mining and OLAP. Alex
Berson, Stephen J. Smith, McGraw Hill, 1997.
Data Warehousing for Dummies. Alan Simon, IDG
Books, 1997.
90 Days to the Data Marts. Alan Simon, John Wiley
and Sons, 1997.
Bibliografía
In
te
lig
en
ci
a 
A
rt
ifi
ci
al
	Inteligencia artificial
	Contenido
	Generación de datos
	Crecimiento exponencial
	Crecimiento exponencial
	Contenido
	Habilitador tecnológico
	Paradoja
	Contenido
	¿Qué es minería de datos?
	Minería de datos (MD)
	Minería de datos (MD)
	Minería de datos (MD)
	¿Para qué se usa la minería de datos?
	Tipos de tareas
	Origen de la minería de datos
	Supuestos de KDD
	Tipos de KDD
	Ingeniería de información
	Contenido
	Crisis informática
	DSS y Tecnologías del conocimiento
	Elementos de competitividad
	Uso de la Minería de datos
	Metodología de Minería de datos
	Identificación de problemas
	Preparar los datos
	Entender datos
	Integración de datos
	Desplegar datos
	Ingeniería de información
	Ingeniería de información
	Modelación
	Modelado de datos
	Modelado multidimensional
	Modelado multidimensional
	Modelado multidimensional
	Modelado multidimensional
	Modelado multidimensional
	Mecanismos de explotación
	Técnicas y herramientas
	Técnicas MD
	Técnicas MD
	Arboles de decisión
	Arboles de decisión
	Casos de estudio
	Aplicaciones MD
	Aplicaciones MD
	Aplicación de Minería de datos
	Aplicación de Minería de datos
	Aplicación de Minería de datos
	Aplicación de Minería de datos
	Aplicación de Minería de datos
	Conclusiones
	Bibliografía