Post on 01-Mar-2018
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
1/19
33
Identificacin de tcnicas de minera dedatos para apoyar la toma de decisiones en
la solucin de problemas empresariales*Identification of data mining techniques to
support decision-making in solving businessproblems
Identification de techniques de recueil dedonnes pour la prise de dcisions et la
rsolution de problmes entrepreneuriaux
Identificao de tcnicas de minerao dedados para apoiar na tomada de decises na
soluo de problemas empresariais
Jahir A Gutirrez O **Bernardo Molina***
____________
* Este artculo es producto del proyecto de investigacin: Identicacin deherramientas bsicas para la aplicacin de la minera de datos en la solucin
de problemas empresariales. Financiado por la Direccin de Gestin de
Conocimiento de la Universidad CES en Medelln. Ejecutado por el grupo de
investigacin en Gestin Empresarial de la Facultad de Administracin y Ciencias
Econmicas de la Universidad CES, reconocido en Colciencias en la categora
D, entre el perodo de Septiembre de 2014 a Noviembre de 2014.
** PhD. Administracin Pblica, Atlantic International University (AIU), Honolul,USA. Magster en Desarrollo, Universidad Ponticia Bolivariana, Medelln,
Colombia. Economista, Universidad de Medelln, Colombia. Investigador y
Lder del Grupo de Gestin Empresarial del CES y miembro del Grupo de
Perdurabilidad Empresarial Universidad del Rosario.
*** Docente catedrtico, Universidad CES. Gerente de Bermoz Software.Ingeniero Informtico, Fundacin Universitaria Catlica del Norte,
Medelln, Colombia. Consultor en Anlisis y Diseo Orientado a Objetos
con UML, Rational ROSE. Consultor asesor en tecnologas informticas y
sistematizacin. Auditor Interno de Calidad, ISO-2002.
Fecha de recepcin: 6 de octubre.
Fecha de aprobacin: 28 de octubre.Pp. 33-52
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
2/19
34
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
RESUMEN
La gestin empresarial tradicionalmente ha estado permeada por muchasteoras propias y extraas a su mbito disciplinar, ya que su ejercicio se
circunscribe a la administracin, trmino tan amplio y universal en el cual
caben todo tipo de definiciones sobre qu es administrar y muchas tendencias
disponibles en el mercado. Pero dejando de lado estas discusiones, interesa
en este momento reflexionar acerca de cules son los insumos para la toma
de decisiones empresariales, independizndolas de la jerarquizacin de si
son estratgicas, tcticas u operativas. Se debe hacer la pregunta desde el
mbito instrumental de las ciencias de apoyo para la toma de decisiones
como la informtica y sus diferentes tcnicas para el tratamiento de los
datos: La aplicacin de las tcnicas de minera de datos podra apoyar la
gestin empresarial para generar mejores resultados en la toma de decisiones
empresariales en la micro y pequea empresa? Bajo este mismo escenario,
identificar las herramientas bsicas para la aplicacin de la minera de datos
en la solucin de problemas empresariales, desde las soluciones de Softwarelibre y abierto que se podran emplear para mejorar las capacidades de gestin
que tienen las micro y pequeas empresas en la toma de decisiones, buscando
bosquejar un mapa de estrategias de aplicacin de las tcnicas de minera de
datos a las funciones tpicas de los modelos empresariales para la toma de
decisiones.
PALABRASCLAVE
Algoritmos, anlisis multicriterio, minera de datos y datos simples, medicin
y simulacin de datos, toma de decisiones, herramientas de minera de datos.
ABSTRACT
Business management has traditionally been permeated by many strangetheories in its disciplinary field for the reason that its practice is limited toadministration, broad and universal term in which we can fit all kinds ofdefinitions of what management is, and many trends that are available inthe market. But leaving aside these discussions, we are now interested inreflecting on what the inputs for making business decisions are, making themindependent from the hierarchies of being strategic, tactical or operational.We want to set the question from the instrumental field of the sciencesfor the support of decision-making, such as informatics and its different
data processing techniques; and ask ourselves, could the utilization of data
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
3/19
Jahir A Gutirrez O/ Bernardo Molina
35
mining techniques support business management in order to generatebetter results in making business decisions in the micro and small business?and at the same time try to identify the basic tools to implement data
mining in solving business problems from free and open software solutionsthat could be used to improve management skills that micro and smallcompanies have in decision-making, seeking to sketch a map of strategiesfor the implementation of data mining techniques to the typical functionsof business models for decision-making.
KEYWORDS
Algorithms, multi criteria analysis, data mining and simple data, data
measurement and simulation, decision making, data mining tools.
RSUM
La gestion entrepreneuriale a traditionnellement t permable denombreuses thories provenant de diffrents domaines de la connaissance.Lexercice de la gestion ne se limite pas ladministration, mais repose surdiffrentes dfinitions de celle-ci et sur de nombreuses tendances disponibles
sur le march. Laissant de ct ces discussions, il nous semble intressant derflchir sur les facteurs de premire importance pour la prise de dcisionsentrepreneuriales, en les hirarchisant pour savoir sil sagit de dcisions
stratgiques, tactiques ou oprationnelles. partir du domaine instrumentaldes sciences daide la prise de dcisions que sont linformatique et sesdiffrentes techniques pour le traitement des donnes, nous souhaitonsdans ce travail rpondre la question suivante: lapplication des techniquesdanalyse de donnes pourrait-elle aider les grants dentreprises amliorerles rsultats de leurs prises de dcisions? Il sagira galement ici dessayerdidentifier les outils de base pour lapplication de lanalyse des donnes
pour la rsolution des problmes entrepreneuriaux grce aux solutions
offertes par les logiciels libres pouvant tre employs pour amliorer lescapacits de gestion des PME dans leur prise de dcisions.
MOTSCLEFS
Algorithmes, analyse multicritre, analyse de donnes, donnessimples, mesure et simulation de donnes, prise de dcisions, outilsdanalyse de donnes
Co-traitement
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
4/19
36
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
RESUMO
A Gesto de negcios tem sido tradicionalmente permeada por muitasteorias prprias e alheias ao seu campo disciplinar, j que seu exerccio selimita ao campo da administrao e sua terminologia to ampla e universalna qual cabem todos os tipos de definies sobre o que significa administrar,alm de muitas tendncias disponveis no mercado. Mas, alm dessasdiscusses, nos interessa neste momento refletir sobre quais so os insumosusados para a tomada de decises a nvel empresarial, independentementede uma posio estratgica, ttica ou operativa. A questo que surgedesde o campo instrumental da cincia para apoiar a tomada de decisesde como a informtica e suas diferentes tcnicas para o processamento dedados : Ser que a aplicao de tcnicas de minerao de dados poder
apoiar a gesto de negcios para gerar melhor resultados na tomada dedecises empresariais em micro e pequenas empresas? Ao mesmo tempo, importante identificar as ferramentas bsicas para implementar a mineraode dados para resolver problemas de negcios, desde solues de Softwaresgratuitos e abertos que poderiam ser usados para melhorar as capacidadesde gesto que tem as micro e pequenas empresas na tomada de decises.
A inteno esboar um mapa de estratgias de implementao das tcnicasde minerao de dados para as funes tpicas dos modelos empresariais
para a tomada de decises.
.
PALAVRAS-CHAVE
Algoritmos, anlise mulcritrio, minerao de dados e dados simples, medio
e simulao de dados, tomada de decises, ferramentas de minerao de dados.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
5/19
Jahir A Gutirrez O/ Bernardo Molina
37
1. Introduccin
Dada la explosin de disponibilidad de las herramientas
informticas de Hardware y Software para el apoyode los procesos empresariales, hoy da es tpico que
la micro y pequea empresa genere grandes cantidades de
informacin, hecho que unido al aumento de las capacidades
de almacenamiento de datos, hacen que las organizaciones
puedan disponer de una gran cantidad y variedad de datos
relativos a su actividad diaria.
Sus procesos organizacionales son permeados por
herramientas deSoftwareque generan datos en todo momento,tales como datos contables financieros, administrativos de la
gestin operativa de produccin, mercadeo o ventas, y otros
procesos, que en muchos escenarios son tan voluminosos y
dispendiosos de analizar, que las organizaciones no cuentan
con personal y tiempo para realizar estas tareas; ms an, una
gestin ideal de los datos como informacin para una gestin
del conocimiento que ofrezca a la empresa una visin de qu
se est haciendo, cmo se est haciendo -perspectiva- y cmo
puede esta evolucionar en un futuro a corto mediano plazo
prospectiva-. Es por esto, que el anlisis de los datos toma
cada vez una funcin vital en el proceso de toma de decisiones
(Drucker, 1999, pp. 176-177).
Segn la visin de la teora organizacional, se puededefinir el conocimiento como la informacin que posee valor
para ella (Stewart, 1999), es decir, aquella informacin que
permite generar acciones asociadas a satisfacer las demandas
del mercado (Porter & Millar, 1986) y apoyar las nuevas
oportunidades a travs de las competencias centrales de la
organizacin. De all que las organizaciones deben tomar
control de sus datos para analizarlos.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
6/19
38
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
Pensar sobre la incapacidad de analizar los datos, pasa
por muchos estadios, desde las capacidades de sistematizacin
de la informacin, los procesos y medios para acceder a lainformacin, hasta la formacin del talento humano con
capacidades analticas especializadas para el modelo de nego-
cios de la organizacin en la que se encuentra.
En las tendencias del mercado de servicios informticos,
se presenta, para las empresas, la minera de datos como la
panacea para la analtica de datos; sin embargo, la mayora
de ellas no estn preparadas internamente desde el punto
operativo y tecnolgico para afrontar este tipo de herramientas.Si se mira cual sera la aplicacin de la minera de datos en la
solucin de problemas empresariales en la micro y pequea
empresa en los sectores de minera, salud y transporte, se
encuentra que a pesar de que estos tipos de organizaciones
estn en la bsqueda de su fortalecimiento empresarial y de
aplicar tcnicas y tecnologas de avanzada, ven paradigmas
que al parecer suenan difciles y costosos para sus empresas,
bien porque no cuentan an con una madurez en su desarrolloy modelo de negocio, porque simplemente la toma decisiones
empresariales se viene haciendo por simple intuicin de forma
emprica, o la informtica no es vista como un proveedor de
herramientas para posibilitar y facilitar la toma de decisiones
(Riquelme, Ruiz & Gilbert, 2006, pp. 11-18).
Surgen aqu varias inquietudes acerca de cmo elaborar
un mapa de estrategias de aplicacin de las tcnicas de minera
de datos a las funciones tpicas de los modelos empresariales;
asi mismo, qu ventajas tendra realizar y aplicar el anlisis
multicriterio para orientar la analtica de datos con respecto a
los frentes cualitativos y cuantitativos que deben considerarse,
a la par, con las cifras, datos e informacin para la toma de
decisiones en las empresas. Se podra generar una gua
metodolgica que al ser acompaada de tcnicas como la
minera de datos (datamining), provea los mecanismos para
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
7/19
Jahir A Gutirrez O/ Bernardo Molina
39
generar herramientas para el manejo de la informacin y de
esta manera orientar a las empresas para cumplir las directrices
del gobierno y polticas empresariales.
Tambin surge la pregunta de cmo caracterizar, en el
marco de las tcnicas de minera de datos, la identificacin de
herramientas tecnolgicas de Software, bien sean propietariasde licenciamiento, o soluciones de Softwarelibre y abierto parael modelamiento de soluciones de analtica de datos orientadas
por la minera de datos y dirigidas por el anlisis multicriterio.
As, proponer un posible catlogo de herramientas bsicas para
su aplicacin, en la solucin de problemas empresariales enlos segmentos de las empresas de minera, salud y transporte
que mejoren las capacidades de gestin que tienen las micro y
pequeas empresas en la toma de decisiones.
2. Comprendiendo la minerade datos: una visin desdela informtica hacia lagestin empresarial y latoma de decisiones
Con la utilizacin de las bases de datos en los sistemas
informticos que apoyan los procesos empresariales,
han surgido grandes volmenes de datos como el
resultado obtenido en las gestin ordinaria de las empresas;
estos, en la mayora de los casos, no son correlacionados para
la toma de decisiones, situacin que hace que los datos sean
una cantera en bruto para diagnosticar e identificar variables
que expliquen situaciones anmalas o tpicas empresariales.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
8/19
40
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
Surge entonces la minera de datos como una tecnologa
y estrategia de modelado matemtico que intenta ayudar a
comprender el contenido de una base de datos. De formageneral, los datos son la materia prima bruta, en el momento
que el usuario les atribuye algn significado especial pasan a
convertirse en informacin. Cuando los especialistas elaboran
o encuentran un modelo, haciendo que la interpretacin
del confronto entre la informacin y ese modelo represente
un valor agregado, entonces es cuando hay que referirse al
conocimiento (Molina, 2002).
El proceso de extraccin de patrones a partir de datos,
se llama minera de datos (datamining). Es reconocidacomo una herramienta esencial de los negocios modernos,
ya que es capaz de convertir los datos en inteligencia de
negocios -Business Intelligent (BI)- dando as una ventaja
de informacin. Actualmente, es ampliamente utilizado en
las prcticas de perfil, como vigilancia, comercializacin,
descubrimientos cientficos y deteccin de fraudes.
Hay cuatro tipos de tareas que normalmente se involucran
en la minera de datos (Figura 1):
Clasificacin: la tarea de generalizar una estructura fami-
liar para utilizarla en los nuevos datos.
Agrupamiento: la tarea de encontrar grupos y estructuras
en los datos que son de alguna manera u otra lo mismo,
sin necesidad de utilizar las estructuras observadas en losdatos.
Aprendizaje de reglas de asociacin: busca relaciones
entre las variables.
Regresin: su objetivo es encontrar una funcin que
modele los datos con el menor error.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
9/19
Jahir A Gutirrez O/ Bernardo Molina
41
Figura 1. Tipos de tareas.
Fuente. Elaboracin propia de los autores.
Aunque estas tcnicas y procesos de extraccin de
patrones estn disponibles en los servicios informticos
desde hace ya un largo rato, es poco conocida y aplicada en
las micro y pequeas empresas.
Es sorprendente que la minera de datos no haya
despegado todava en Colombia como una herramienta
de apoyo a la toma de decisiones en nuestras compaas.
Encontramos que todava organizaciones en mercados
altamente competidos como telecomunicaciones, retail,
automotriz, financiera, consumo masivo y otras, siguen
tomando decisiones a ciegas sobre procesos de fidelizacin declientes,up-selling, cross-selling, performance management,yretencin de clientes infieles. Siguen preguntndose por qu
sus procesos de pronstico de la demanda peridicamente
tienen una confiabilidad baja. La tecnologa de minera
datos est madura (Canney, 2006).
A pesar de que todas las empresas en su crecimiento y
modelo tienen proyectado mejorar y ser siempre mejores,es as que los datos de la gestin empresarial son el primer
punto de partida para tipificar modelos de comportamiento
sustentados en el anlisis de los datos, o para generar
hiptesis a partir de la proyeccin de los mismos.
Las tcnicas de la minera de datos (datamining) permitendisear estrategias de manejo para explorar grandes bases
de datos, de manera automtica o semiautomtica, con el
Tipos de tareas
Clasificacin AgrupamientoAprendizaje
de reglas de
asociacin
Regresin
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
10/19
42
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
objetivo de encontrar patrones repetitivos, tendencias o
reglas que expliquen el comportamiento de los datos en un
determinado contexto para intentar ayudar a comprender elcontenido de un repositorio de datos.
Otra definicin que se puede dar de minera de datos
y que es muy comn encontrar, dice: una actividad de
extraccin cuyo objetivo es el de descubrir hechos contenidos
en las bases de datos (Hernndez, Ramrez & Feri, 2004). En
la mayora de los casos se refiere a un trabajo automatizado.
Si hay alguna intervencin humana a lo largo del proceso,
este no es considerado como minera de datos por parte de
algunas personas.
La palabra descubrimiento est relacionada con el hecho
de que mucha de la informacin valiosa es desconocida con
anterioridad. En todo caso, estas tcnicas pueden ayudar a
confirmar cualquier sospecha sobre el comportamiento del
sistema en un contexto particular. En cuanto a los hechos
escondidos, estos estarn principalmente bajo la forma dereglas, las cuales ayudarn a entender el modelo del sistema
relacionado con los datos observados. Por otra parte, las
reglas tambin pueden ser usadas en la prediccin de ciertos
estados, del sistema -lo que se busca-. Desde un punto de
vista acadmico, el trmino minera de datos es una etapa
dentro de un proceso mayor llamado Knowledge Discoveryin Databases(KDD) (Figura 2).
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
11/19
Jahir A Gutirrez O/ Bernardo Molina
43
Figura 2. Procesos de extraccin de conocimiento (KDD).
Fuente. Elaboracin propia de los autores.
La extraccin de conocimiento est principalmente
relacionado con el proceso de descubrimiento conocido
como Knowledge Discovery in Databases (KDD), que serefiere al proceso no-trivial de descubrir conocimiento
e informacin potencialmente til dentro de los datos
contenidos en algn repositorio de informacin (Han &
Kamber, 2001). No es un proceso automtico, es un proceso
iterativo que exhaustivamente explora volmenes muygrandes de datos para determinar relaciones. Es un proceso
que extrae informacin de calidad que puede usarse para
dibujar conclusiones basadas en relaciones o modelos
dentro de los datos.
Lo que realmente hace la minera de datos es reunir las
ventajas de varias reas como la estadstica, la inteligencia
artificial, la computacin grfica, las bases de datos y el
procesamiento masivo, principalmente usando como materia
prima, las bases de datos.
Sistemas de Informacin
Contabilidad
ERP
Preparacin de
los datos
Minera
de datos
Evaluacin
Interprestacin
Visualizacin
Patrones
Respuesta al
interrogante.
CRM
Knowledge Discovery in
Database (KDD)
Conocimiento
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
12/19
44
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
3. Tcnicas de minera dedatos (datamining)
La clasificacin inicial de las tcnicas de minera de datos
distingue entre: tcnicas predictivas, en las que las
variables pueden clasificarse en dependientes e inde-
pendientes; tcnicas descriptivas, en las que todas las variables
tienen el mismo estatus; y tcnicas auxiliares, en las que se
realiza un anlisis multidimensional de datos (Figura 3).
Figura 3. Clasificacin de las tcnicas de minera de datos.
Fuente. Elaboracin propia de los autores.
Segn Prez & Santn (2008), las predictivas y descriptivas
se emplean para el descubrimiento, mientras que las tcnicas
auxiliares se emplean para la verificacin (Figura 4).
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
13/19
Jahir A Gutirrez O/ Bernardo Molina
45
Figura 4. Clasificacin de las tcnicas de data mining.
Fuente. Prez & Santn, (2008).
Todas estas tcnicas se aplican mediante algoritmosprobados e implementados en soluciones de minera de
datos, algunos de estos algoritmos son:
Arboles de decisin: los algoritmos de rbol de decisin
consisten en organizar los datos en elecciones que
compiten formando ramas de influencia despus de una
decisin inicial. El tronco del rbol representa la decisin
inicial, y empieza con una pregunta de s o no, como tomaro no desayuno. Tomar desayuno y no tomar desayuno
seran las dos ramas divergentes del rbol, y cada eleccin
posterior, tendra sus propias ramas divergentes que llevan
a un punto final.
El algoritmo K-means: se basa en el anlisis de grupos.
Trata de dividir los datos recogidos en bloques -clsters-
separados y agrupados por caractersticas comunes.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
14/19
46
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
Mquinas de vectores de soporte:toman datos de entrada
y predicen cul de las dos posibles categoras incluye los
datos de entrada. Un ejemplo sera recoger los cdigospostales de un grupo de votantes e intentar predecir si un
votante es demcrata o republicano.
El algoritmo Apriori: normalmente controla los datos de
transacciones. Por ejemplo, en una tienda de ropa, el
algoritmo podra controlar qu camisas suelen comprar
juntas los clientes.
El algoritmo EM: define un parmetro analizando los
datos, y predice la posibilidad de una salida futura o evento
aleatorio dentro de los parmetros de datos. Por ejemplo,
el algoritmo EM podra intentar predecir el momento de
una siguiente erupcin de un giser segn los datos de
tiempo de erupciones pasadas.
Algoritmo PageRank: es un algoritmo base para los
motores de bsqueda. Punta y estima la relevancia de untrozo determinado de datos dentro de un gran conjunto,
como un nico sitio webdentro de un conjunto mayor detodos los sitios webde Internet.
Algoritmo AdaBoost:funciona dentro de otros algoritmos
de aprendizaje que anticipan un comportamiento segn
los datos observados para que sean sensibles a extremos
estadsticos. Aunque el algoritmo EM puede sesgarsedebido a un giser que tiene dos erupciones en menos
de un minuto, cuando normalmente tiene erupcin una
vez al da, el algoritmo AdaBoost modificara la salida del
algoritmo EM analizando la relevancia del extremo.
Algoritmo del vecino k ms cercano:reconoce patrones en
la ubicacin de los datos y los asocia con un identificador
mayor. Por ejemplo, si se quiere asignar una oficina
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
15/19
Jahir A Gutirrez O/ Bernardo Molina
47
postal a cada ubicacin geogrfica del hogar y se tiene
un conjunto de datos para cada ubicacin geogrfica del
hogar, el algoritmo del vecino k ms cercano asignar lascasas a la oficina postal ms cercana segn su proximidad.
Naive Bayes: predice la salida de una identidad basndose
en los datos de observaciones conocidas. Por ejemplo, si
una persona tiene una altura de 6 pies y 6 pulgadas (1,97
m) y tiene una talla 14 de zapatos, el algoritmo Naive
Bayes podra predecir con una determinada probabilidad
que la persona es un hombre.
Algoritmo Classification and Regressive Tree (CART): al
igual que los anlisis de rboles de decisin, organiza los
datos segn opciones que compiten, como si una persona
sobrevive a un terremoto. Al contrario de los algoritmos de
rboles de decisin, que slo pueden clasificar una salida
o una salida numrica basada en regresin, el algoritmo
CART puede usar las dos para predecir la probabilidad de
un evento (Conferencia Internacional IEEE, 2006).
Para efectos de los tomadores de decisiones en la
prctica, poco importa qu tcnica se emple para llegar a
una y otra conclusin. Lo relevante para ellos es la veracidad,
probabilidad y calidad de las conclusiones obtenidas en el
anlisis de un escenario o modelo determinado de datos para
una situacin particular. Lo que s es claro es que estas tcnicas
y algoritmos ya estn probados y validados en multitud deescenarios que comprueban y verifican su exactitud. De otra
parte, es importante recalcar que son de vital importancia los
datos y su calidad, y las herramientas informticas Software-que implementan estas tcnicas y algoritmos (Figura 5).
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
16/19
48
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
Figura 5. Fass del proceso de extraccin de conocimiento en basesde datos
Fuente. Elaboracin propia de los autores.
Por otro lado, desde la gestin empresarial y la
toma de decisiones, se percibe un dficit de inteligenciaanaltica. Segn Davenport, quien introduce el concepto deinteligencia analtica, plantea el trmino como sinnimo de informacin, mientras que el trmino se relaciona con el uso de anlisis estadsticosy modelos predictivos sofisticados para vencer a loscompetidores a travs de la seleccin de los mejores clientes,la aceleracin del proceso de innovacin y la optimizacinde la cadena de abastecimiento (Category Management,
2010). Segn Davenport, la inteligencia analtica puede ydebe ser aplicada en las empresas para orientar, tanto lasdecisiones humanas, como las totalmente automatizadas. Setrata de un subsistema de Business Intelligence-Inteligenciade negocios-, es decir, del conjunto de tecnologas y procesosbasados en datos, que sirve para comprender y analizar eldesempeo de una empresa.
Desde un punto de vista ms pragmtico y asociadodirectamente a las actividades de negocios, la minerade datos es el conjunto de metodologas, aplicaciones ytecnologas que permiten reunir, depurar y transformar datosde los sistemas transaccionales e informacin no estructurada-interna y externa a la compaa-, en informacin estructuradapara su explotacin directa o para su anlisis y conversin enconocimiento, y as dar soporte a la toma de decisiones sobreel negocio (Marcano & Talavera, 2007, pp. 104-118).
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
17/19
Jahir A Gutirrez O/ Bernardo Molina
49
4. Conclusiones
En conclusin, en beneficio de la comprensin de la mi-
nera de datos desde la visin informtica, se puede
decir que son unas metodologas, tcnicas y tecnologas
maduras con un alto grado de calidad e integracin en
soluciones comerciales de licenciamiento o de Softwarelibrey abierto, que estn disponibles para la gestin empresarial
y la toma de decisiones. Adems, vale aclarar que la minera
de datos solo es un paso dentro de una cadena de fases de los
proceso de extraccin de conocimiento de las bases de datos
empresariales.
A manera de sntesis de este apartado, se puede decir
que la minera de datos es el proceso de analizar los datos
de manera automtica, para de all, extraer conocimiento
para proveer elementos analticos en las tomas de decisin
humanas con el fin de mejorar los procesos y posicionamientoempresarial.
Con minera de datos se puede decir que las organizacio-
nes cuentan con una forma de distinta de ver los datos, con
la promesa de beneficios a la solucin de gran variedad
de problemas como: planeacin econmica, inteligencia
empresarial, finanzas, anlisis de mercado y anlisis de
perfiles de clientes. As mismo, es importante agregar que lasorganizaciones sin implementacin de minera de datos son
ricas en datos pero pobres en informacin.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
18/19
50
Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en
la solucin de problemas empresariales
5. Referencias bibliogrficasCanney, E. (2006). Data mining o minera de datos.Revista
Dinero. Recuperado de: http://www.dinero.com/columna-del-lector/opinion/articulo/data-mining-o-
mineria-datos/37339
Conferencia Internacional IEEE. (2006). Conferencia Inter-nacional 2006 de IEEE Data Mining, clasificacin de los10 mejores algoritmos en el campo.(s.c).
Davenport, T.H. (2010).La inteligencia analtic a de las empresas.Recuperado de: http://blogcategorymanagement.
com/2010/10/06/data-mining-business-intelligence/
Drucker, P. (1999). Los desafos de la gerencia para el sigloXXI.Bogot: Norma, p. 176-177.
Han, J. & Kamber, M. (2001). Data Mining: Concepts andTechniques. USA: Morgan Kaufmann Publishers.
Hernndez, J., Ramrez, M.J. & Ferri, C. (2004). Introduccin ala minera de datos.Madrid: Pearson Educacin.
Marcano, Y.J. & Talavera, R. (2007). Minera de como soporte
a la toma de decisiones empresariales, Universidad delZulia,Revista Opcin, 52(23), pp. 104-118.
Molina, L. C. (2002). Data Mining: torturando a los datoshasta que confiesen. Recuperado de: http://www.lsi.upc.es/~lcmolina/
Prez, C. & Santn, D. (2007). Minera de datos: tcnicas y
herramientas. Madrid: Ediciones Paraninfo, S.A.
7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials
19/19
Jahir A Gutirrez O/ Bernardo Molina
51
Porter, M. & Millar V. (1986). Cmo obtener ventajas
competitivas por medio de la informacin. Hardvard
DEUSTO Business Review, primer trimestre.
Prahalad, C.K. & Hamel, G. (1990). The Core Competence of
the Corporacion. Hardvard Business Review, Mayo-Junio1990, EEUU, pp. 79-91.
Riquelme, J.C., Ruiz, R. & Gilbert, K. (2006). Minera de datos:
conceptos y tendencias, inteligencia artificial. RevistaIberoamericana de Inteligencia Artificial, 29 pp. 11-18.
Stewart, T.A. (1999). Intellectual Capital: The new Wealth ofOrganizations. EEUU: Doubleday.