Presentación
EDUCACIÓN SUPERIOR
Universidad: UVEG
Nombre del Módulo: Análisis de datos
Reto 2. Diseño Estadístico
Nombre completo: José Antonio Ramírez Mendoza
Matrícula:
23011031
Nombre del Asesor:
Fecha de
elaboración:
Tania Lozano Hernández
24-jun-2026
Índice
Lista / procesos
8.
Texto + imagen
1.
Frase destacada
Vídeo
9.
2.
Sección
3.
Texto + iconos
10.
Datos relevantes
4.
Timeline
5.
Contenido insertado
12.
Gráfico + texto
6.
Tabla + texto
7.
Escribe un titular genial
Las fuentes que pueden integrarse en el data mining incluyen bases de datos internas, datos transaccionales, registros de sensores e IoT, archivos y documentos (texto y texto no estructurado), datos web y de redes sociales, registros de eventos, datos geoespaciales y fuentes externas vía APIs.
1. ¿Qué es el data mining?El Data Mining (minería de datos) es el proceso analítico y computacional diseñado para explorar y descubrir patrones ocultos, anomalías, correlaciones y tendencias significativas dentro de grandes volúmenes de datos brutos.No es simplemente una consulta a una base de datos; su objetivo es transformar datos no estructurados o dispersos en conocimiento accionable y predictivo utilizando algoritmos matemáticos y estadísticos.
Utiliza una imagen
Y usa este espacio para describirla. Puedes subir una imagen desde tu ordenador o utilizar los recursos disponibles en Genially, en la parte izquierda de la herramienta. ¡Deja a toda la clase con la boca abierta!
Secciones como esta te ayudarána poner orden
Dentro de una arquitectura moderna de datos, el Data Mining puede integrar fuentes de naturaleza muy diversa, las cuales se consolidan típicamente en un Data Lake o Data Warehouse:Bases de datos relacionales (SQL): Tablas estructuradas con historiales de ventas, inventarios (como los lotes de medicamentos) y datos de clientes.Bases de datos NoSQL y Documentales: Datos semiestructurados (JSON, XML) provenientes de aplicaciones web o registros médicos electrónicos.Datos de Sensores e Internet de las Cosas (IoT): Telemetría en tiempo real, como los sensores de temperatura en camiones de distribución o coordenadas GPS.Archivos planos y hojas de cálculo: Archivos CSV, Excel o bitácoras de texto generadas por servidores (logs).Fuentes externas y Web Scraping: Datos del clima, tráfico vehicular en tiempo real o APIs de tendencias de salud pública.
Contextualiza tu tema con un subtítulo
El Data Mining aplica el método científico tradicional de forma sistemática a través de metodologías estándar como CRISP-DM o SEMMA. Su aplicación se observa en los siguientes pasos:
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
Puedes plasmar cifras de esta forma
Datos relevantes
De acuerdo con la arquitectura de datos, la capa final es la de Consumo o Visualización, donde los patrones descubiertos por los algoritmos se transforman en gráficos entendibles para los tomadores de decisiones. Tres herramientas líderes en la industria son:
Gráfico + texto
Es visual
90%
Cliente: "FarmaStock Logística" (Cadena de almacenes farmacéuticos a nivel nacional).Problema planteado por el cliente: "Tenemos pérdidas millonarias anuales porque los medicamentos de alta rotación sufren quiebres de stock (desabasto), mientras que los fármacos especializados se vencen en los estantes debido a una mala estimación de la demanda regional."Solución de Data Mining requerida: Un sistema predictivo de gestión de inventario y alertas tempranas de caducidad.
90% de la información que procesamos nos llega a travésde la vista.
50% de nuestro cerebro está involucrado en el procesamiento de estímulos visuales.
La pasión que provoca el storytelling es nuestra aliada.
Escribe un título genial aquí
Contextualiza tu tema con un subtítulo
Mejora la comunicación sobre cualquier tema.
Tiene un color adecuado a su tema.
Hace 'match' con tu audiencia...
Representa datos con gráficos.
Y les hace formar parte del mensaje.
Utiliza timelines para contar historias.
Tabla + Texto
Cliente: "MediExpress Distribuidores" (Operador logístico de transporte farmacéutico de alta complejidad).Problema planteado por el cliente: "Transportamos vacunas y tratamientos oncológicos que requieren una estricta cadena de frío. Frecuentemente sufrimos pérdidas de carga completas debido a retrasos imprevistos en rutas de tráfico o fallas mecánicas en los sistemas de refrigeración de los camiones, enterándonos del problema cuando el medicamento ya llegó dañado al hospital."Solución de Data Mining requerida: Un sistema predictivo en tiempo real para optimización de rutas críticas y monitoreo de la cadena de frío.
Escribe un título genial aquí
Objetivo Arquitectónico: Garantizar la cadena de frío y optimizar tiempos de entrega logística en rutas críticas de transporte.
Mejora la comunicación sobre cualquier tema.
Tiene un color adecuado a su tema.
Hace 'match' con tu audiencia...
Representa datos con gráficos.
Y les hace formar parte del mensaje.
Utiliza timelines para contar historias.
Síntesis y organización, los dos pilares para presentar
Necesitamos interactuar unos con otros. Aprendemos de forma colaborativa.
Contamos miles y miles de historias. ⅔ de nuestras conversaciones son historias.
Somos capaces de entender imágenes de hace millones de años, incluso de otras culturas.
¿Cuál será tu mejor diseño ante competidores feroces?
Para ganar la licitación frente a mis competidores y ofrecer la mejor solución a clientes con alto poder económico, mi diseño arquitectónico implementará una Estrategia Omnicanal de Datos Unificada, y no solo un sistema logístico aislado.
Para FarmaStock (Almacenamiento): Aprovechando que ya disponen de un Data Warehouse y ERPs, conectaré el motor de minería de datos con sus redes sociales mediante APIs de análisis de sentimiento de texto y reacciones (Me gusta, Enojo, Me divierte). Si un nuevo medicamento estacional se vuelve viral o genera comentarios negativos/positivos, el algoritmo reajustará la predicción de almacenamiento antes de que el ERP registre la orden de compra física.Para MediExpress (Distribución): Conectaré el sistema de distribución con el CRM de la empresa. Al detectar en tiempo real una anomalía de temperatura o un retraso en la ruta mediante los sensores IoT, la arquitectura enviará un mensaje automatizado y proactivo al CRM del cliente final (el hospital). Esto le avisará sobre el estatus exacto de sus vacunas.Mi factor diferenciador: Ofrecer una solución que no solo analice números en un almacén, sino que conecte la satisfacción del cliente (CRM/Redes sociales) con la operación dura de la empresa en un solo ecosistema integrado.
Mantienen al cerebro despierto
Una presentación genial…
¿Cómo te sentiste al realizar esta actividad?Me sentí muy motivado e involucrado en el rol de un consultor experto en datos. Es sumamente enriquecedor dejar atrás los conceptos abstractos de los libros y enfrentarse al reto de diseñar soluciones para problemas del mundo real, como garantizar que las vacunas o medicamentos de alta prioridad no se echen a perder.¿Qué te parecieron los estándares de la industria vistos en la arquitectura de data mining?Me parecieron fundamentales e indispensables. Intentar hacer minería de datos sin un estándar como CRISP-DM o sin respetar los 6 componentes de la arquitectura sería como construir un edificio sin planos. Estos estándares garantizan que el proyecto esté alineado con el negocio y que los datos se traduzcan en dinero ahorrado o vidas salvadas, evitando perderse en la complejidad técnica de los algoritmos.¿Consideras que realizar el cuadro comparativo enriqueció tus perspectivas respecto al data mining?Sí, totalmente. El cuadro comparativo me permitió ver con claridad que el Data Mining no es una receta única. Aunque ambos ejemplos pertenecen a la industria farmacéutica, las necesidades de almacenamiento exigen datos históricos y análisis de tendencias a largo plazo, mientras que la distribución exige datos en streaming y respuestas en fracciones de segundo. El cuadro me enseñó que un buen analista debe flexibilizar la arquitectura según el problema del cliente.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. researchgate.net
Conclusiones
Kargupta, H., Joshi, A., Sivakumar, K., & Yesha, Y. (2009). Scientific Data Mining: A Practical Perspective. ResearchGate. https://www.researchgate.net/publication/220691114_Scientific_Data_Mining_-_A_Practical_Perspective
Shearer, C. (2000). The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing, 5(4), 13-22. https://mineracaodedados.wordpress.com/wp-content/uploads/2012/04/the-crisp-dm-model-the-new-blueprint-for-data-mining-shearer-colin.pdf
Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Introduction to Data Mining (2nd ed.). Pearson. https://pzs.dstu.dp.ua/DataMining/assoc/bibl/IntroductiontoDataMing.pdf
Bases de datos SQL con registros de inventario actuales y fechas de caducidad por lote.Historial de entradas y salidas del Sistema de Gestión de Almacenes (WMS).Datos externos de la Secretaría de Salud sobre picos epidemiológicos de enfermedades estacionales.
b. Servidor para el depósito de datos
Un Almacén de Datos (Data Warehouse) corporativo que consolida los datos limpios y unifica los formatos de lote y fechas.
Motor de minería de datos
Módulo de Regresión (Algoritmo Prophet/ARIMA) para modelar series temporales y estimar la demanda futura.Módulo de Clasificación (Árboles de decisión) para categorizar lotes en niveles de riesgo de caducidad.
d. Módulo de evaluación de patrones
Filtro estadístico encargado de evaluar si las variaciones predichas superan los umbrales de seguridad. Redunda en descartar falsas alarmas de desabasto debidas a compras atípicas aisladas.
e. Interfaz gráfica de usuario
Dashboard analítico construido en Power BI para los jefes de almacén. Muestra indicadores clave de rendimiento (KPIs) con códigos de color para reordenamiento de stock inmediato
f. Base de conocimiento
Repositorio que almacena las reglas de negocio fijas. Incluye los tiempos promedio que tarda un proveedor en surtir cada medicamento y el stock mínimo regulatorio exigido por las leyes sanitarias.
Bases de datos SQL con registros de inventario actuales y fechas de caducidad por lote.Historial de entradas y salidas del Sistema de Gestión de Almacenes (WMS).Datos externos de la Secretaría de Salud sobre picos epidemiológicos de enfermedades estacionales.
b. Servidor para el depósito de datos
Un Almacén de Datos (Data Warehouse) corporativo que consolida los datos limpios y unifica los formatos de lote y fechas.
Motor de minería de datos
Módulo de Regresión (Algoritmo Prophet/ARIMA) para modelar series temporales y estimar la demanda futura.Módulo de Clasificación (Árboles de decisión) para categorizar lotes en niveles de riesgo de caducidad.
d. Módulo de evaluación de patrones
Filtro estadístico encargado de evaluar si las variaciones predichas superan los umbrales de seguridad. Redunda en descartar falsas alarmas de desabasto debidas a compras atípicas aisladas.
e. Interfaz gráfica de usuario
Dashboard analítico construido en Power BI para los jefes de almacén. Muestra indicadores clave de rendimiento (KPIs) con códigos de color para reordenamiento de stock inmediato
f. Base de conocimiento
Repositorio que almacena las reglas de negocio fijas. Incluye los tiempos promedio que tarda un proveedor en surtir cada medicamento y el stock mínimo regulatorio exigido por las leyes sanitarias.
Me sentí muy motivado e involucrado en el rol de un consultor experto en datos. Es sumamente enriquecedor dejar atrás los conceptos abstractos de los libros y enfrentarse al reto de diseñar soluciones para problemas del mundo real, como garantizar que las vacunas o medicamentos de alta prioridad no se echen a perder.
Me parecieron fundamentales e indispensables. Intentar hacer minería de datos sin un estándar como CRISP-DM o sin respetar los 6 componentes de la arquitectura sería como construir un edificio sin planos. Estos estándares garantizan que el proyecto esté alineado con el negocio y que los datos se traduzcan en dinero ahorrado o vidas salvadas, evitando perderse en la complejidad técnica de los algoritmos.
Sí, totalmente. El cuadro comparativo me permitió ver con claridad que el Data Mining no es una receta única. Aunque ambos ejemplos pertenecen a la industria farmacéutica, las necesidades de almacenamiento exigen datos históricos y análisis de tendencias a largo plazo, mientras que la distribución exige datos en streaming y respuestas en fracciones de segundo. El cuadro me enseñó que un buen analista debe flexibilizar la arquitectura según el problema del cliente.
Data Mining
JOSé ANTONIO RAMíREZ MENDOZA
Created on June 28, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Memphis Presentation
View
Higher Education Presentation
View
Psychedelic Presentation
View
Harmony Higher Education Thesis
View
Vaporwave presentation
View
Geniaflix Presentation
View
Vintage Mosaic Presentation
Explore all templates
Transcript
Presentación
EDUCACIÓN SUPERIOR
Universidad: UVEG
Nombre del Módulo: Análisis de datos
Reto 2. Diseño Estadístico
Nombre completo: José Antonio Ramírez Mendoza Matrícula: 23011031 Nombre del Asesor: Fecha de elaboración: Tania Lozano Hernández 24-jun-2026
Índice
Lista / procesos
8.
Texto + imagen
1.
Frase destacada
Vídeo
9.
2.
Sección
3.
Texto + iconos
10.
Datos relevantes
4.
Timeline
5.
Contenido insertado
12.
Gráfico + texto
6.
Tabla + texto
7.
Escribe un titular genial
Las fuentes que pueden integrarse en el data mining incluyen bases de datos internas, datos transaccionales, registros de sensores e IoT, archivos y documentos (texto y texto no estructurado), datos web y de redes sociales, registros de eventos, datos geoespaciales y fuentes externas vía APIs.
1. ¿Qué es el data mining?El Data Mining (minería de datos) es el proceso analítico y computacional diseñado para explorar y descubrir patrones ocultos, anomalías, correlaciones y tendencias significativas dentro de grandes volúmenes de datos brutos.No es simplemente una consulta a una base de datos; su objetivo es transformar datos no estructurados o dispersos en conocimiento accionable y predictivo utilizando algoritmos matemáticos y estadísticos.
Utiliza una imagen
Y usa este espacio para describirla. Puedes subir una imagen desde tu ordenador o utilizar los recursos disponibles en Genially, en la parte izquierda de la herramienta. ¡Deja a toda la clase con la boca abierta!
Secciones como esta te ayudarána poner orden
Dentro de una arquitectura moderna de datos, el Data Mining puede integrar fuentes de naturaleza muy diversa, las cuales se consolidan típicamente en un Data Lake o Data Warehouse:Bases de datos relacionales (SQL): Tablas estructuradas con historiales de ventas, inventarios (como los lotes de medicamentos) y datos de clientes.Bases de datos NoSQL y Documentales: Datos semiestructurados (JSON, XML) provenientes de aplicaciones web o registros médicos electrónicos.Datos de Sensores e Internet de las Cosas (IoT): Telemetría en tiempo real, como los sensores de temperatura en camiones de distribución o coordenadas GPS.Archivos planos y hojas de cálculo: Archivos CSV, Excel o bitácoras de texto generadas por servidores (logs).Fuentes externas y Web Scraping: Datos del clima, tráfico vehicular en tiempo real o APIs de tendencias de salud pública.
Contextualiza tu tema con un subtítulo
El Data Mining aplica el método científico tradicional de forma sistemática a través de metodologías estándar como CRISP-DM o SEMMA. Su aplicación se observa en los siguientes pasos:
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
de la información que asimilamos, nos llega a través de la vista. ¡Usa gráficos en el aula!
Puedes plasmar cifras de esta forma
Datos relevantes
De acuerdo con la arquitectura de datos, la capa final es la de Consumo o Visualización, donde los patrones descubiertos por los algoritmos se transforman en gráficos entendibles para los tomadores de decisiones. Tres herramientas líderes en la industria son:
Gráfico + texto
Es visual
90%
Cliente: "FarmaStock Logística" (Cadena de almacenes farmacéuticos a nivel nacional).Problema planteado por el cliente: "Tenemos pérdidas millonarias anuales porque los medicamentos de alta rotación sufren quiebres de stock (desabasto), mientras que los fármacos especializados se vencen en los estantes debido a una mala estimación de la demanda regional."Solución de Data Mining requerida: Un sistema predictivo de gestión de inventario y alertas tempranas de caducidad.
90% de la información que procesamos nos llega a travésde la vista.
50% de nuestro cerebro está involucrado en el procesamiento de estímulos visuales.
La pasión que provoca el storytelling es nuestra aliada.
Escribe un título genial aquí
Contextualiza tu tema con un subtítulo
Mejora la comunicación sobre cualquier tema.
Tiene un color adecuado a su tema.
Hace 'match' con tu audiencia...
Representa datos con gráficos.
Y les hace formar parte del mensaje.
Utiliza timelines para contar historias.
Tabla + Texto
Cliente: "MediExpress Distribuidores" (Operador logístico de transporte farmacéutico de alta complejidad).Problema planteado por el cliente: "Transportamos vacunas y tratamientos oncológicos que requieren una estricta cadena de frío. Frecuentemente sufrimos pérdidas de carga completas debido a retrasos imprevistos en rutas de tráfico o fallas mecánicas en los sistemas de refrigeración de los camiones, enterándonos del problema cuando el medicamento ya llegó dañado al hospital."Solución de Data Mining requerida: Un sistema predictivo en tiempo real para optimización de rutas críticas y monitoreo de la cadena de frío.
Escribe un título genial aquí
Objetivo Arquitectónico: Garantizar la cadena de frío y optimizar tiempos de entrega logística en rutas críticas de transporte.
Mejora la comunicación sobre cualquier tema.
Tiene un color adecuado a su tema.
Hace 'match' con tu audiencia...
Representa datos con gráficos.
Y les hace formar parte del mensaje.
Utiliza timelines para contar historias.
Síntesis y organización, los dos pilares para presentar
Necesitamos interactuar unos con otros. Aprendemos de forma colaborativa.
Contamos miles y miles de historias. ⅔ de nuestras conversaciones son historias.
Somos capaces de entender imágenes de hace millones de años, incluso de otras culturas.
¿Cuál será tu mejor diseño ante competidores feroces?
Para ganar la licitación frente a mis competidores y ofrecer la mejor solución a clientes con alto poder económico, mi diseño arquitectónico implementará una Estrategia Omnicanal de Datos Unificada, y no solo un sistema logístico aislado.
Para FarmaStock (Almacenamiento): Aprovechando que ya disponen de un Data Warehouse y ERPs, conectaré el motor de minería de datos con sus redes sociales mediante APIs de análisis de sentimiento de texto y reacciones (Me gusta, Enojo, Me divierte). Si un nuevo medicamento estacional se vuelve viral o genera comentarios negativos/positivos, el algoritmo reajustará la predicción de almacenamiento antes de que el ERP registre la orden de compra física.Para MediExpress (Distribución): Conectaré el sistema de distribución con el CRM de la empresa. Al detectar en tiempo real una anomalía de temperatura o un retraso en la ruta mediante los sensores IoT, la arquitectura enviará un mensaje automatizado y proactivo al CRM del cliente final (el hospital). Esto le avisará sobre el estatus exacto de sus vacunas.Mi factor diferenciador: Ofrecer una solución que no solo analice números en un almacén, sino que conecte la satisfacción del cliente (CRM/Redes sociales) con la operación dura de la empresa en un solo ecosistema integrado.
Mantienen al cerebro despierto
Una presentación genial…
¿Cómo te sentiste al realizar esta actividad?Me sentí muy motivado e involucrado en el rol de un consultor experto en datos. Es sumamente enriquecedor dejar atrás los conceptos abstractos de los libros y enfrentarse al reto de diseñar soluciones para problemas del mundo real, como garantizar que las vacunas o medicamentos de alta prioridad no se echen a perder.¿Qué te parecieron los estándares de la industria vistos en la arquitectura de data mining?Me parecieron fundamentales e indispensables. Intentar hacer minería de datos sin un estándar como CRISP-DM o sin respetar los 6 componentes de la arquitectura sería como construir un edificio sin planos. Estos estándares garantizan que el proyecto esté alineado con el negocio y que los datos se traduzcan en dinero ahorrado o vidas salvadas, evitando perderse en la complejidad técnica de los algoritmos.¿Consideras que realizar el cuadro comparativo enriqueció tus perspectivas respecto al data mining?Sí, totalmente. El cuadro comparativo me permitió ver con claridad que el Data Mining no es una receta única. Aunque ambos ejemplos pertenecen a la industria farmacéutica, las necesidades de almacenamiento exigen datos históricos y análisis de tendencias a largo plazo, mientras que la distribución exige datos en streaming y respuestas en fracciones de segundo. El cuadro me enseñó que un buen analista debe flexibilizar la arquitectura según el problema del cliente.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. researchgate.net
Conclusiones
Kargupta, H., Joshi, A., Sivakumar, K., & Yesha, Y. (2009). Scientific Data Mining: A Practical Perspective. ResearchGate. https://www.researchgate.net/publication/220691114_Scientific_Data_Mining_-_A_Practical_Perspective
Shearer, C. (2000). The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing, 5(4), 13-22. https://mineracaodedados.wordpress.com/wp-content/uploads/2012/04/the-crisp-dm-model-the-new-blueprint-for-data-mining-shearer-colin.pdf
Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Introduction to Data Mining (2nd ed.). Pearson. https://pzs.dstu.dp.ua/DataMining/assoc/bibl/IntroductiontoDataMing.pdf
Bases de datos SQL con registros de inventario actuales y fechas de caducidad por lote.Historial de entradas y salidas del Sistema de Gestión de Almacenes (WMS).Datos externos de la Secretaría de Salud sobre picos epidemiológicos de enfermedades estacionales.
b. Servidor para el depósito de datos
Un Almacén de Datos (Data Warehouse) corporativo que consolida los datos limpios y unifica los formatos de lote y fechas.
Motor de minería de datos
Módulo de Regresión (Algoritmo Prophet/ARIMA) para modelar series temporales y estimar la demanda futura.Módulo de Clasificación (Árboles de decisión) para categorizar lotes en niveles de riesgo de caducidad.
d. Módulo de evaluación de patrones
Filtro estadístico encargado de evaluar si las variaciones predichas superan los umbrales de seguridad. Redunda en descartar falsas alarmas de desabasto debidas a compras atípicas aisladas.
e. Interfaz gráfica de usuario
Dashboard analítico construido en Power BI para los jefes de almacén. Muestra indicadores clave de rendimiento (KPIs) con códigos de color para reordenamiento de stock inmediato
f. Base de conocimiento
Repositorio que almacena las reglas de negocio fijas. Incluye los tiempos promedio que tarda un proveedor en surtir cada medicamento y el stock mínimo regulatorio exigido por las leyes sanitarias.
Bases de datos SQL con registros de inventario actuales y fechas de caducidad por lote.Historial de entradas y salidas del Sistema de Gestión de Almacenes (WMS).Datos externos de la Secretaría de Salud sobre picos epidemiológicos de enfermedades estacionales.
b. Servidor para el depósito de datos
Un Almacén de Datos (Data Warehouse) corporativo que consolida los datos limpios y unifica los formatos de lote y fechas.
Motor de minería de datos
Módulo de Regresión (Algoritmo Prophet/ARIMA) para modelar series temporales y estimar la demanda futura.Módulo de Clasificación (Árboles de decisión) para categorizar lotes en niveles de riesgo de caducidad.
d. Módulo de evaluación de patrones
Filtro estadístico encargado de evaluar si las variaciones predichas superan los umbrales de seguridad. Redunda en descartar falsas alarmas de desabasto debidas a compras atípicas aisladas.
e. Interfaz gráfica de usuario
Dashboard analítico construido en Power BI para los jefes de almacén. Muestra indicadores clave de rendimiento (KPIs) con códigos de color para reordenamiento de stock inmediato
f. Base de conocimiento
Repositorio que almacena las reglas de negocio fijas. Incluye los tiempos promedio que tarda un proveedor en surtir cada medicamento y el stock mínimo regulatorio exigido por las leyes sanitarias.
Me sentí muy motivado e involucrado en el rol de un consultor experto en datos. Es sumamente enriquecedor dejar atrás los conceptos abstractos de los libros y enfrentarse al reto de diseñar soluciones para problemas del mundo real, como garantizar que las vacunas o medicamentos de alta prioridad no se echen a perder.
Me parecieron fundamentales e indispensables. Intentar hacer minería de datos sin un estándar como CRISP-DM o sin respetar los 6 componentes de la arquitectura sería como construir un edificio sin planos. Estos estándares garantizan que el proyecto esté alineado con el negocio y que los datos se traduzcan en dinero ahorrado o vidas salvadas, evitando perderse en la complejidad técnica de los algoritmos.
Sí, totalmente. El cuadro comparativo me permitió ver con claridad que el Data Mining no es una receta única. Aunque ambos ejemplos pertenecen a la industria farmacéutica, las necesidades de almacenamiento exigen datos históricos y análisis de tendencias a largo plazo, mientras que la distribución exige datos en streaming y respuestas en fracciones de segundo. El cuadro me enseñó que un buen analista debe flexibilizar la arquitectura según el problema del cliente.