Want to create interactive content? It’s easy in Genially!

Get started free

Reto 3 Data Mining

Erick Renteria

Created on March 22, 2024

Desc

Start designing with a free template

Discover more than 1500 professional designs like these:

Transcript

universidad virtual del estado de guanajuato

r.3-data mining

modulo: análisis de datos.

Nombre del estudiante: Erick Mauricio Renteria GallegosMatricula: 21022103Nombre del asesor: Tania Lozano Hernandez Fecha de elaboración: 21/ Marzo/ 2024

17

contenido

1. Introducción

2. Desarrollo

3. ejemplos

4. comparación

5. cierre

6. referencias

Data mining

En esta presentación, vamos a definir lo que es el Data Mining con algunos ejemplos y el uso de un cuadro comparativo.

introducción

que es el data mining?

El data mining, también conocido como minería de datos, es el proceso de descubrir patrones significativos, tendencias o relaciones en conjuntos de datos grandes y complejos para identificar información útil y tomar decisiones informadas.

cuales son los origenes del data mining?

El data mining tiene sus orígenes en la estadística y la inteligencia artificial, con raíces que se remontan a la década de 1960 y 1970. Surgió de la necesidad de procesar grandes cantidades de datos para encontrar patrones ocultos y predecir resultados futuros.

Desarrollo

¿Cuáles son las fuentes que pueden ser integradas en el data mining?

Las fuentes de datos que pueden integrarse en el data mining incluyen bases de datos relacionales, data warehouses, data lakes, archivos planos, feeds de redes sociales, sistemas CRM (Customer Relationship Management), sistemas ERP (Enterprise Resource Planning) y más.

¿Cuáles son las fuentes que pueden ser integradas en el data mining?

Las fuentes de datos que pueden integrarse en el data mining incluyen bases de datos relacionales, data warehouses, data lakes, archivos planos, feeds de redes sociales, sistemas CRM (Customer Relationship Management), sistemas ERP (Enterprise Resource Planning) y más.

¿Cómo son aplicados los métodos científicos en el data mining?

En el data mining, los métodos científicos se aplican mediante el uso de algoritmos y técnicas estadísticas para analizar los datos, identificar patrones y tendencias, y construir modelos predictivos. Estos métodos incluyen la exploración de datos, la limpieza de datos, la selección de variables, el modelado y la evaluación.

Desarrollo

Investiga y describe al menos 3 herramientas para visualizar datos de resultados del data mining según la arquitectura.

  1. Tableau: Es una herramienta de visualización de datos que permite crear gráficos interactivos, tableros y paneles de control a partir de datos de minería de datos. Proporciona una interfaz intuitiva y fácil de usar para explorar y comunicar los resultados del data mining.
  2. Power BI: Desarrollado por Microsoft, Power BI es otra herramienta popular para visualizar datos de minería. Permite crear informes interactivos y paneles de control que pueden integrarse con una variedad de fuentes de datos, incluidos los resultados de la minería de datos.
  3. KNIME: es una plataforma de análisis de datos de código abierto que también ofrece capacidades de visualización. Permite a los usuarios crear flujos de trabajo visuales para el procesamiento de datos y la visualización de resultados, incluidos los resultados del data mining.

Desarrollo

Investiga y describe al menos 3 herramientas para visualizar datos de resultados del data mining según la arquitectura.

Cliente A: Una empresa de comercio electrónico desea analizar el comportamiento de compra de sus clientes para mejorar la personalización de sus ofertas y aumentar las ventas.

a. Fuentes de datos:

  • Historial de compras de clientes
  • Información de productos y categorías
  • Datos de navegación en el sitio web
b. Servidor para el depósito de datos:
  • Data warehouse o data lake
c. Motor de minería de datos:
  • Algoritmos de análisis de patrones de compra y recomendación
d. Módulo de evaluación de patrones:
  • Comparación de patrones de compra entre diferentes segmentos de clientes
  • Identificación de productos relacionados para recomendaciones personalizadas
e. Interfaz gráfica de usuario:
  • Dashboard con visualizaciones interactivas de patrones de compra
  • Herramientas de análisis de segmentación de clientes y recomendaciones de productos
f. Base de conocimiento:
  • Base de datos de conocimiento sobre preferencias de compra de clientes y tendencias del mercado

ejemplos

Investiga y describe al menos 3 herramientas para visualizar datos de resultados del data mining según la arquitectura.

Cliente B: Una cadena de supermercados busca optimizar su inventario mediante el análisis de patrones de compra de los clientes y la predicción de la demanda de productos.

a. Fuentes de datos:

  • Datos de ventas y transacciones de clientes
  • Información de inventario y proveedores
  • Datos de programas de fidelización de clientes
b. Servidor para el depósito de datos:
  • Data warehouse centralizado para consolidar datos de múltiples ubicaciones de tiendas
c. Motor de minería de datos:
  • Algoritmos de predicción de demanda y optimización de inventario
d. Módulo de evaluación de patrones:
  • Análisis de patrones de compra por ubicación de tienda y período de tiempo
  • Predicción de la demanda de productos basada en datos históricos y tendencias del mercado
e. Interfaz gráfica de usuario:
  • Panel de control con visualizaciones en tiempo real de niveles de inventario y pronósticos de ventas
  • Herramientas de simulación de escenarios para la gestión de inventario
f. Base de conocimiento:
  • Base de datos de conocimiento sobre hábitos de compra de clientes, preferencias de productos y comportamientos estacionales

ejemplos

resumen comparativo

Cliente b

Cliente a

86% Animation

54% Interactivity

  • You keep the attention ofyour audience.
  • Everyone assimilates the information you have shared.
  • You hear the applause from your audience.
  • Interactivity and animation areyour allies.
  • The drowsiness begins to take over your audience.
  • No one has understood anything you have said.
  • You can hear the snores of your audience.
  • There is so much text that there is no room for images, even.

vs

principales diferencias

86% Animation

54% Interactivity

  • You keep the attention ofyour audience.
  • Everyone assimilates the information you have shared.
  • You hear the applause from your audience.
  • Interactivity and animation areyour allies.
  • The drowsiness begins to take over your audience.
  • No one has understood anything you have said.
  • You can hear the snores of your audience.
  • There is so much text that there is no room for images, even.

cierre

Enfrentar el reto de diseñar soluciones de minería de datos para clientes con necesidades y recursos diversos es un desafío emocionante. Al considerar la posibilidad de que los clientes utilicen ERP's, CRM's, Content Management, y que tengan presencia en redes sociales, se abre un abanico de posibilidades para ofrecer soluciones integradas y personalizadas. Para ambos clientes, mi mejor diseño sería una arquitectura flexible y escalable que pueda integrarse con sus sistemas existentes, como ERP's y CRM's, así como con sus datos de redes sociales y sistemas de gestión de contenidos. Esto permitiría una visión holística de sus operaciones y una comprensión profunda de sus clientes y su comportamiento. Al realizar esta actividad, me sentí desafiado pero también entusiasmado por la oportunidad de aplicar mis conocimientos en un contexto práctico y relevante. Me permitió explorar diferentes enfoques y considerar diversos factores para diseñar soluciones efectivas de minería de datos. Los estándares de la industria en la arquitectura de data mining son fundamentales para garantizar la calidad y eficiencia de los procesos. Considero que estos estándares ofrecen una guía valiosa para diseñar soluciones robustas y efectivas que cumplan con las necesidades de los clientes y los requisitos de la industria. Realizar el cuadro comparativo definitivamente enriqueció mis perspectivas respecto al data mining. Me permitió profundizar en las diferencias entre las soluciones para clientes diversos y comprender mejor cómo diseñar arquitecturas de minería de datos adaptadas a las necesidades específicas de cada cliente.

referencias

Bello, E. (2023, 31 octubre). ¿Qué es el minado de Datos o Data Mininig? Técnicas y pasos a seguir. Thinking For Innovation. https://www.iebschool.com/blog/data-mining-mineria-datos-big-data/ Corporativa, I. (s. f.). Descubre cómo el «data mining» predecirá nuestro comportamiento. Iberdrola. https://www.iberdrola.com/innovacion/data-mining-definicion-ejemplos-y-aplicaciones ¿Qué es el data mining o la minería de datos? (2023, 15 diciembre). Santander Open Academy. https://www.santanderopenacademy.com/es/blog/data-mining-que-es.html ¿Qué es la minería de datos? | IBM. (s. f.). https://www.ibm.com/mx-es/topics/data-mining