Unidad 2. Base de Datos para la Toma de Decisiones 2.1. Base de Datos Multidimensionales. 2.1.1. Datawarehouse 2.1.2. Data Mart 2.1.3. Sistemas OLTP 2.1.4. Sistemas OLAP 2.1.5. Operaciones Analíticas Básicas de los Sistemas OLAP 2.1.6. Vista de Datos de los sistemas OLAP 2.1.7. Modelo de Datos de los sistemas OLAP. 2.2. Sistemas de Gestión del conocimiento. 2.2.1. Preparación de los Datos. 2.2.2. Minería de Datos. 2.2.3. Patrones. 2.2.4. Evaluación / Interpretación / Visualización.
2.1 BASES DE DATOS MULTIDIMIENCIONALES 2.1 BASE DE DATOS MULTIDIMENSIONAL
Las bases de datos multidimensionales son una variación del modelo relacional que utiliza cubos OLAP para organizar los datos y expresar las relaciones entre ellos. Las principales ventajas de este tipo de bases de datos son la versatilidad para cruzar información y la alta velocidad de respuesta. Esto las convierte en herramientas básicas para soluciones de Business Intelligence o de Big Data, donde el análisis de los datos resulta crucial. Este tipo de base de datos se aplica sobre el sistema OLAP también llamado cubo multidimensional o hipervínculo. Se compone de hechos numéricos llamados medidas que se clasifican por dimensiones. El cubo de metadatos es creado típicamente apartar de un esquema en estrella o copo de nieve y utilizando tablas de una base de datos relacional. Las medidas se obtienen de los registros de una tabla de hechos y las dimensiones de cuadros.
Una base de datos multidimensional, es aquella que almacena sus datos con varias dimensiones, es decir que en vez de un valor, encontramos varios dependiendo de los "ejes" definidos o una base de datos de estructura basada en dimensiones orientada a consultas complejas y alto rendimiento. Puede utilizar un SGBDR en estrella (Base de datos Multidimensional a nivel lógico) o SGBDM (Base de datos Multidimensional a niveles lógico y físico o Base de datos Multidimensional Pura). En una base de datos multidimensional, la información se representa como matrices multidimensionales, cuadros de múltiples entradas o funciones de varias variables sobre conjuntos finitos. Cada una de estas matrices se denomina cubo. OLAP: On-Line Analytical Processing Los sistemas OLAP son bases de datos orientadas al procesamiento analítico. Este análisis suele implicar, generalmente, la lectura de grandes cantidades de datos para
llegar a extraer algún tipo de información útil: tendencias de ventas, patrones de comportamiento de los consumidores, elaboración de informes complejos… etc. Representando la información: los cubos OLAP Un cubo OLAP no es más que un vector de varias dimensiones. Desde un punto de vista relacional, puede verse como una tabla de hechos (fact table) que tiene dos tipos de columnas:
Indicadores: también denominados métricas o ratios, son los valores numéricos con los que se opera. Por ejemplo: nº de clientes, nº de proveedores, importe de las ventas, nº de ventas, importe de las compras, nº de compras… etc.
Dimensiones: son las características por las que se pueden filtrar y cruzar los indicadores. Por ejemplo: tiempo (fijando un determinado día, mes o año), geografía (fijando un determinado país, región o ciudad), proveedor, cliente, modo de pago… etc. Las columnas correspondientes a las dimensiones tienen claves foráneas a tablas de dimensión, que generalmente son tablas de maestros con clave-valor (esquema en estrella) o tablas organizadas en jerarquías (esquema en copo de nieve) como: ciudad – provincia – país. En general suele resultar necesario dimensionar la volumetría de los cubos para conseguir que generen los informes deseados, y monitorizar su tamaño para garantizar que los resultados se obtienen en el tiempo esperado. En este sentido suele resultar fundamental tener en cuenta dos características básicas: la cardinalidad del cubo, posibles combinaciones de todos los valores de todas las dimensiones, y la granularidad del cubo, nivel de detalle máximo de los datos, o lo que es lo mismo, nivel de agregación mínimo de la información. Propiedades de las bases de datos OLAP Así como los sistemas OLTP son típicos para bases de datos convencionales y data warehouses, los sistemas OLAP son propios de los datamarts.
Optimizadas para operaciones de lectura: dado que la acción más común es la consulta, estas bases de datos disponen de valores agregados y resultados
precalculados que les permiten responder en tiempo récord. Evitar las restricciones ACID les da agilidad.
Organizadas según las necesidades analíticas: los datos están estructurados según las áreas de negocio, y los formatos de los datos están integrados de manera uniforme en toda la organización. Se busca evitar islas de datos.
Asíncronas: no siempre se actualizan en tiempo real, sino que se suelen alimentar con información procedente de las bases de datos relacionales mediante un proceso deextracción, transformación y carga (ETL).
Consultas
realizadas
en
MDX:
este
lenguaje, MDX (MultiDimensional
eXpressions) fue desarrollado inicialmente por Microsoft y adoptado posteriormente como estándar para leer cubos OLAP. Un cliente puede manipular el cubo de distintas formas: rotarlo, rebanarlo cortarlo en dados… etc.
Gestión de datos históricos a largo plazo: una de las exigencias analíticas consiste en realizar estudios de evolución a lo largo del tiempo, esto requiere que estas bases de datos mantengan un histórico a largo plazo, normalmente no inferior a cinco años.
TIPOS DE OLAP Tradicionalmente los sistemas OLAP se clasifican en las siguientes categorías: ROLAP La implementación OLAP almacena los datos en un botón relacional llamado ROLAP los datos son detallados evitando las agregaciones y las tablas que se encuentran normalizadas, los esquemas más comunes son de estrella y copo de nieve aunque es posible de trabajar sobre cualquier base de datos relacional. La arquitectura de esta se compone de un servidor de banco de datos relacional y el botón OLAP se encuentra en el servidor dedicado. La principal ventaja de esta arquitectura es que permite el análisis de Una enorme cantidad de datos. La arquitectura ROLAP excede a los datos relacionados para proporcionar los análisis OLAP. La primicia de los sistemas ROLAP es que las capacidades OLAP se ejecutan mejor contra las bases de datos relacionales
Utiliza una arquitectura de tres niveles:
Nivel Base De Datos: Usa base de datos relacionales para el manejo, acceso y
obtención de datos. Nivel de Aplicación: Ejecuta las consultas multidimensionales de los usuarios Motor Rolap: Se integra con niveles de presentación atreves de los cuales los usuarios realizan un análisis OLAP.
MOLAP Esta almacena los datos de una base de datos multidimensional. Para utilizar los tiempos de respuesta, hacer resúmenes de información calculados por adelantado y un sinfín de operaciones utilizadas de forma multidimensional para proporcionar el análisis su principal premisa es que OLAP esta mejor implantado almacenando los datos multidimensionales. El sistema MOLAP utiliza una arquitectura de 2 niveles, la base de datos multidimensional y el motor analítico. MOLAP VS ROLAP Cuando se comparan estas dos estructuras se pueden realizar las siguientes:
ROLAP delega la negociación entre el tiempo de respuesta entre el tiempo de respuesta y procesa en Bach. Mientras que MOLAP requiere que sus bases de datos se compilen para conseguir un rendimiento aceptable.
Los sistemas con alta volatilidad de datos requieren de una arquitectura
que pueda realizar esta consideración. Los sistemas ROLAP soportan esta consolidación dinámica mientras que MOLAP están orientados a una consolidación Bach.
Los ROLAP pueden crecer un gran número de dimensiones mientras que MOLAP generalmente son adecuados para 10 o menos dimensiones. Los ROLAP soportan análisis OLAP contra grandes volúmenes de datos mientras que los MOLAP se comportan relacionalmente en volúmenes más reducidos (-5gb).
Existen otros modelos OLAP como son:
WOLAP (basado y orientado para web) DOLAP (Basado en escritorio) RTOLAP (o Real Time, basado en tiempo real) SOLAP (o especial Solap, Basado en OLAP especiales)
BIBLIOGRAFIA:
http://topicos-1.wikispaces.com/1.2+Bases+de+datos+multidimensionales+ (BDM). http://www.buenastareas.com/ensayos/Base-De-DatosMultidimensionales/190823.html http://blog.classora.com/2013/06/25/bases-de-datos-multidimensionales-olap-vsoltp/
2.1.1 DATAWAREHOUSE Tras las dificultades de los sistemas tradicionales en satisfacer las necesidades informacionales, surge el concepto de Data Warehouse, como solución a las necesidades informacionales globales de la empresa. Este término acuñado por Bill Inmon, se traduce literalmente como Almacén de Datos. No obstante si el Data Warehouse fuese exclusivamente un almacén de datos, los problemas seguirían siendo los mismos que en los Centros de Información. La ventaja principal de este tipo de sistemas se basa en su concepto fundamental, la estructura de la información. Este concepto significa el almacenamiento de información homogénea y fiable, en una estructura basada en la consulta y el tratamiento jerarquizado de la misma, y en un entorno diferenciado de los sistemas operacionales. Según definió Bill Inmon, el Data Warehouse se caracteriza por ser: Integrado, Temático, Histórico, No volátil
Las diferencias de un Data Warehouse con un sistema tradicional las podríamos resumir en el siguiente esquema:
Una de las claves del éxito en la construcción de un Data Warehouse es el desarrollo de forma gradual, seleccionando a un departamento usuario como piloto y expandiendo progresivamente el almacén de datos a los demás usuarios. Por ello es importante elegir este usuario inicial o piloto, siendo importante que sea un departamento con pocos usuarios, en el que la necesidad de este tipo de sistemas es muy alta y se pueda obtener y medir resultados a corto plazo. La arquitectura general de un DW es la que se muestra en la figura, este diagrama muestra como primera componente dentro de la arquitectura de DW a las fuentes desde las cuales se extrae la información necesaria para poblar la base de datos. Conectada a cada una de las fuentes se encuentran los siguientes componentes básicos de la arquitectura los wrapper o extractos, los cuales extraen y transforman la información de las fuentes. Posteriormente atraves de un integrador dicha información se carga a la base de datos, la cual constituye el siguiente componente básico de la arquitectura.
Modelo multidimensional Para facilitar el análisis de los datos, un DW representa los datos que contiene usando modelos multidimensionales. De manera general, un modelo multidimensional provee dos conceptos principales: medida y dimensión. Una medida es un valor en un espacio multidimensional definido por dimensiones ortogonales. Así el cubo es el concepto central del modelo de datos multidimensional. Dentro del modelo multidimensional las medidas o atributos numéricos describen un cierto proceso del mundo real el cual va a ser objeto de un análisis. Estos atributos dependen de ciertas dimensiones las cuales proveen el contexto a través del cual van a ser interpretadas las medidas. Dichas dimensiones regularmente se encuentran en orden jerárquico. Las medidas pueden ser agregadas a lo largo de las dimensiones lo cual resulta en un cubo el cual es la base para el uso de las operaciones OLAP.
Bibliografía: http//: www.capitulo2.Datawarehouse.pdf.com
2.1.2 DATA MART Un Data mart es una versión especial de almacén de datos (data warehouse). Son subconjuntos de datos con el propósito de ayudar a que un área específica
dentro del negocio pueda tomar mejores decisiones. Los datos existentes en este contexto pueden ser agrupados, explorados y propagados de múltiples formas para que diversos grupos de usuarios realicen la explotación de los mismos de la forma más conveniente según sus necesidades. El Data mart es un sistema orientado a la consulta, en el que se producen procesos batch de carga de datos (altas) con una frecuencia baja y conocida. Es consultado mediante herramientas OLAP (On line Analytical Processing Procesamiento Analítico en Línea) que ofrecen una visión multidimensional de la información. Sobre estas bases de datos se pueden construir EIS (Executive Information Systems, Sistemas de Información para Directivos) y DSS (Decision Support Systems, Sistemas de Ayuda a la toma de Decisiones). Por otra parte, se conoce como Data Mining al proceso no trivial de análisis de grandes cantidades de datos con el objetivo de extraer información útil, por ejemplo para realizar clasificaciones o predicciones. En síntesis, se puede decir que los data Mart son pequeños data warehouse centrados en un tema o un área de negocio específico dentro de una organización.
Fuente de información: http://es.wikipedia.org/wiki/Data_mart
2.1.3 SISTEMAS OLTP OLTP - On-Line Transactional Processing
Los sistemas OLTP son bases de datos orientadas al procesamiento de transacciones. Una transacción genera un proceso atómico (que debe ser validado con un commit, o invalidado con un rollback), y que puede involucrar operaciones de inserción, modificación y borrado de datos. El proceso transaccional es típico de las bases de datos operacionales. El acceso a los datos está optimizado para tareas frecuentes de lectura y escritura. (Por ejemplo, la enorme cantidad de transacciones que tienen que soportar las BD de bancos o hipermercados diariamente). Los datos se estructuran según el nivel aplicación (programa de gestión a medida, ERP o CRM implantado, sistema de información departamental...). Los formatos de los datos no son necesariamente uniformes en los diferentes departamentos (es común la falta de compatibilidad y la existencia de islas de datos). El historial de datos suele limitarse a los datos actuales o recientes.
Fuente de información: http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx
2.1.4 SISTEMAS OLAP OLAP - On-Line Analytical Processing
Los sistemas OLAP son bases de datos orientadas al procesamiento analítico. Este análisis suele implicar, generalmente, la lectura de grandes cantidades de datos para llegar a extraer algún tipo de información útil: tendencias de ventas, patrones de comportamiento de los consumidores, elaboración de informes complejos… etc. Este sistema es típico de los datamarts. El acceso a los datos suele ser de sólo lectura. La acción más común es la consulta, con muy pocas inserciones, actualizaciones o eliminaciones. Los datos se estructuran según las áreas de negocio, y los formatos de los datos están integrados de manera uniforme en toda la organización. El historial de datos es a largo plazo, normalmente de dos a cinco años. Las bases de datos OLAP se suelen alimentar de información procedente de los sistemas operacionales existentes, mediante un proceso de extracción, transformación y carga (ETL).
Fuente de información: http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx
2.1.5 OPERACIONES ANALÍTICAS BÁSICAS DE SISTEMAS OLAP
Los sistemas OLAP soportan las siguientes operaciones
Consolidación: este comprende el conjunto de datos. Esto puede involucrar acumulaciones simples o agrupaciones complejas que incluyen datos interrelacionados.
Drill-Down: OLAP puede moverse en la dirección contraria y presentar automáticamente datos detallados que abarcan datos consolidados.
Slicing and Dicing: se refiere a la capacidad de visualizar a la BD desde diferentes puntos de vista. También se la conoce como operación de Pivotaje.
Vistas de Datos La vista de datos como cubos es una extensión de la manera normal en que los usuarios de negocios interactúan con los datos. Por Ejemplo: la mayoría de los usuarios desearía ver cómo se desarrollan las ventas a lo largo del tiempo. Para ello se necesitaría ver varías planillas de cálculo. Debido a su representación pueden ser tomadas rebanadas de datos de las mismas, para responder diversas preguntas. Herramientas de Mineo de Datos Mineo de datos es el proceso de descubrir nuevas correlaciones significativas, patrones y tendencias por medio del mineo de grandes cantidades de datos almacenados en un Datawarehouse o en un data mart, usando técnicas estadísticas, reconocimiento de patrones y algoritmos de aprendizaje para identificar relaciones entre los elementos de datos.
Fuente de información: http://www.adictosaltrabajo.com/tutoriales/tutoriales.php?pagina=datawarehouse3
2.1.6. VISTA DE DATOS DE LOS SISTEMAS OLAP
Las herramientas OLAP proporcionan a las compañías un sistema confiable para procesar datos que luego serán utilizados para llevar a cabo análisis e informes que permitan mejorar las operaciones productivas, tomar decisiones inteligentes y optimizar la competitividad en el mercado. Para funcionar, las aplicaciones OLAP utilizan un tipo de base de datos que posee la peculiaridad de ser multidimensional, denominada comúnmente Cubo OLAP. Básicamente, el Cubo OLAP, es una base de datos que posee diversas dimensiones, ampliando las posibilidades que hasta el momento ofrecían las conocidas hojas de cálculo. Mediante la incorporación de estos vectores o cubos, se han ampliado las posibilidades de las bases de datos relacionales, permitiendo el procesamiento de importantes volúmenes de información, que de lo contrario sería imposible realizar. Cada una de las dimensiones que posee la base de datos incorpora un campo determinado para un tipo de dato específico, que luego podrá ser comparado con la información contenida en el resto de dimensiones, para hacer posible la evaluación y posteriores informes de la información realmente relevante para una compañía. Una base de datos multidimensional puede contener varios cubos o vectores que extenderán las posibilidades del sistema OLAP con el cual se trabaja. Por ello, si bien en general los sistemas OLAP suelen estar compuestos por tres dimensiones, lo cierto es que existe la posibilidad de que el sistema OLAP albergue más de tres dimensiones mediante la utilización de estos Cubos OLAP. Para tener una idea más simple de la función de los Cubos OLAP dentro de una base de datos multidimensional, cabe destacar que cada una de las dimensiones o escalas del cubo corresponde básicamente a una jerarquía de datos. Características
En este modelo los datos son vistos como cubos los cuales consisten en categoría descriptivas (dimensiones) y valores cuantitativos (medidas).
Es un modelo multidimensional de datos, que simplifica a los usuarios
realizar consultas complejas, arreglar datos en un reporte, cambiar de datos resumidos a datos detallados, etc. Los Cubos OLAP son vectores en los cuales se dispone la información, y gracias
a esta ordenada jerarquía es posible llevar a cabo un análisis rápido de los datos.
Existen tres tipos de modelos OLAP ellos son: MOLAP: en estos sistemas se encuentran almacenados los datos en una estructura de datos multidimensional (OLAP Multidimensional) ROLAP: son sistemas en los cuales los datos se encuentran almacenados en una base de datos relacional (OLAP Relacional) HOLAP: estos sistemas mantienen los registros detallados en la base de datos relacional, mientras que los datos resumidos o agregados se almacenan en una base de datos multidimensional separada.
BIBLIOGRAFIA: http://www.ecured.cu/index.php/Cubos_OLAP
2.1.7 MODELO DE DATOS DE LOS SISTEMAS OLAP Los sistemas OLAP son bases de datos orientadas al procesamiento analítico. Este análisis suele implicar, generalmente, la lectura de grandes cantidades de datos para llegar a extraer algún tipo de información útil: tendencias de ventas, patrones de comportamiento de los consumidores, elaboración de informes complejos, etc.. Este sistema es típico de los datamarts. Los sistemas de ayuda a la toma de decisiones se presentan en varios formatos, incluidos los sistemas OLAP
y
los
sistemas
de
recopilación
de
datos.
En un modelo de datos OLAP, la información es vista como cubos, los cuales consisten de categorías descriptivas (dimensiones) y valores cuantitativos (medidas). El modelo de datos multidimensional simplifica a los usuarios formular
consultas complejas, arreglar datos en un reporte, cambiar de datos resumidos a datos detallados y filtrar o rebanar los datos en subconjuntos significativos. Visualización de los datos. Las herramientas de procesamiento analítico en línea (online analytical processing, OLAP) ayudan a los analistas a ver los datos resumidos de diferentes maneras, de manera que puedan obtener una perspectiva del funcionamiento de la organización .Se ve a un problema de negocios en términos de un cierto número de componentes (dimensiones) tales como productos, tiempo, regiones, fabricantes, o artículos. Los usuarios de negocios desean poder analizar un conjunto de números usando cualquier par de estos componentes, como así también poder intercambiarlos para lograr distintas vistas. Implementación de OLAP. Los primeros sistemas de OLAP utilizaban arrays de memoria multidimensionales para almacenar los cubos de datos y se denominaban sistemas OLAP multidimensionales (Multidimensional OLAP, MOLAP). Posteriormente, los servicios OLAP se integraron en los sistemas relacionales y los datos se almacenaron en las bases de datos relacionales. Estos sistemas se denominan sistemas OLAP relacionales (Relational OLAP, ROLAP). Los sistemas híbridos, que almacenan algunos resúmenes en la memoria y los datos básicos y otros resúmenes en bases de datos relacionales, se denominan sistemas OLAP híbridos (Hybrid OLAP, HOLAP). Fuente de información: http://tallerbd.wikispaces.com/OLAP
2.2 SISTEMAS DE GESTIÓN DEL CONOCIMIETO Se define como herramientas para llevar a cabo la gestión del conocimiento. La gestión del conocimiento: Es el proceso que continuamente asegura el desarrollo y la aplicación de todo tipo de conocimientos pertinentes de una empresa con objeto de mejorar su capacidad de resolución de problemas y así contribuir a la sostenibilidad de sus ventajas competitivas Están manifestados en una variedad de implementaciones (por ejemplo):
Repositorios de documentos Bases de datos de experticia Listas de discusión Sistemas de recuperación específicos del contexto
Objetivos: EN GENERAL Apoyar los procesos de creación, almacenamiento, transferencia y aplicación del conocimiento.
recuperación,
EN LA ORGANIZACIÓN
Hacer visible el conocimiento y mostrar a las personas el rol del conocimiento en la organización usando herramientas tales como mapas de conocimiento, páginas amarillas e hipertextos. Desarrollar una cultura intensiva en conocimiento, fomentando conductas que propicien el compartirlo y sean proactivas a pedirlo y ofrecerlo. Construir una infraestructura de conocimiento. No solo un sistema técnico, sino toda una red de conexiones entre personas, facilitándoles espacio, tiempo y herramientas para que interactúen y colaboren.
BIBLIOGRAFIA: http://es.slideshare.net/difagram/sistemas-de-gestion-del-conocimiento
2.2.1 PREPARACIÓN DE DATOS
El propósito fundamental de la preparación de los datos es la manipulación y transformación de los datos sin refinar para que la información contenida en el conjunto de datos pueda ser Descubierta o estar accesible de forma más fácil.” Los datos reales pueden ser impuros, pueden conducir a la extracción de patrones/reglas poco útiles.
Esto se puede deber a: Datos Incompletos: falta de valores de atributos, Datos con Ruido. Datos inconsistentes (incluyendo discrepancias).
Pre procesamiento de Datos Importancia de la preparación de datos 2. La preparación de datos puede generar un conjunto de Datos más pequeño que el original, lo cual puede proceso de Minería de Datos.
mejorar la eficiencia del
Esta actuación incluye:
Selección relevante de datos: eliminando registros Duplicados, eliminando anomalías, … Reducción de Datos: Selección de características, Muestreo o selección de instancias, desratización.
3. La preparación de datos genera “datos de calidad”, los cuales pueden conducir a patrones/reglas de calidad. Por ejemplo, se puede:
Recuperar información incompleta. Eliminar outliers Resolver conflictos, … Datos de baja calidad puede llevar a modelos de minería de datos de baja calidad. Decisiones de calidad deben ser basadas en datos de calidad.
Fuente de información http://sci2s.ugr.es/docencia/in/pdf/Tema05-PreparacionDeDatos-v2.pdf
CUESTIONARIO
1. ¿El propósito fundamental de la preparación de los datos es? La manipulación y transformación de los datos 2. ¿La preparación de datos puede generar un conjunto de? Datos más pequeño que el original, lo cual puede mejorar la eficiencia del proceso de Minería de Datos 3. ¿La preparación de datos genera? Datos de calidad 4. ¿Los datos de calidad”, los cuales pueden conducir a patrones/reglas
de calidad se puede? Recuperar información incompleta. Eliminar outliers Resolver conflictos.
1.2.2.
MINERÍA DE DATOS.
El datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto.
Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales. De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento. Vea más diferencias entre datos, información y conocimiento. Aunque en datamining cada caso concreto puede ser radicalmente distinto al anterior, el proceso común a todos ellos se suele componer de cuatro etapas principales: Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data mining. Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data mining. Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial. Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones. Un
proyecto
esencialmente:
de
minería
de
datos
tiene varias
fases
necesarias que
son,
Comprensión: del negocio y del problema que se quiere resolver.
Determinación, obtención y limpieza: de los datos necesarios.
Creación de modelos matemáticos.
Validación, comunicación: de los resultados obtenidos.
Integración: si procede, de los resultados en un sistema transaccional o similar.
La relación entre todas estas fases sólo es lineal sobre el papel. En realidad, es mucho más compleja y esconde toda una jerarquía de subfases. A través de la experiencia acumulada en proyectos de minería de datos se han ido desarrollando metodologías que permiten gestionar esta complejidad de una manera más o menos uniforme.
BIBLIOGRAFIA: http://www.sinnexus.com/business_intelligence/datamining.aspx http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos
2.2.3 PATRONES
La tarea de minería de datos real es el análisis automático o semi-automático de grandes cantidades de datos para extraer patrones interesantes hasta ahora desconocidos, como los grupos de registros de datos (análisis cluster), registros poco usuales (la detección de anomalías) y dependencias (minería por reglas de asociación). Esto generalmente implica el uso de técnicas de bases de datos como los índices espaciales. Estos patrones pueden entonces ser vistos como una especie de resumen de los datos de entrada, y pueden ser utilizados en el análisis adicional o, por ejemplo, en la máquina de aprendizaje y análisis predictivo. Por ejemplo, el paso de minería de datos podría identificar varios grupos en los datos, que luego pueden ser utilizados para obtener resultados más precisos de predicción por un sistema de soporte de decisiones. Ni la recolección de datos, preparación de datos, ni la interpretación de los resultados y la información son parte de la etapa de minería de datos, pero que pertenecen a todo el proceso KDD como pasos adicionales. Los términos relacionados con la obtención de datos, la pesca de datos y espionaje de los datos se refieren a la utilización de métodos de minería de datos a las partes de la muestra de un conjunto de datos de población más grandes establecidas que son (o pueden ser) demasiado pequeñas para las inferencias estadísticas fiables que se hizo acerca de la validez de cualquier patrón descubierto. Estos métodos pueden, sin embargo, ser utilizados en la creación de nuevas hipótesis que se prueban contra poblaciones de datos más grandes. 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 —y en función de su valor— se les podrían hacer ofertas personalizadas, ofrecer promociones especiales, etc., con el objetivo último de retenerlos. La minería de datos ayuda a determinar qué clientes son los más proclives a darse de baja estudiando sus patrones de comportamiento y comparándolos con muestras de clientes que, efectivamente, se dieron de baja en el pasado.
Fuente de información: http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos
Cuestionario 1. ¿La tarea de minería de datos real es el análisis automático o semiautomático de grandes cantidades de datos sirve para extraer? Patrones como los grupos de registro. 2. ¿Estos patrones pueden entonces ser vistos como una especie de? Resumen de los datos de entrada, y pueden ser utilizados en el análisis adicional. 3. ¿En qué forma ayuda a la minería de datos en los patrones de fuga? A Determinar qué clientes son los más proclives a darse de baja estudiando sus patrones de comportamiento y comparándolos con muestras de clientes que, efectivamente, se dieron de baja en el pasado.
