Unidad 1

Inteligencia de Negocios y Software de

Gestión
 ESCUELA DE NEGOCIOS

Director(a): Lorena Baus Piva

ELABORACIÓN

Experto(a) disciplinar: Gabriel Cruzat Contardo

Diseñador(a) instruccional: Ámbar Núñez Palma

Editor(a) instruccional: Lorena Fernández Alfaro

VALIDACIÓN

Experto(a) disciplinar: Daniela Salinas Casas

Jefa de Diseño Instruccional: Alejandra San Juan Reyes

EQUIPO DE DESARROLLO

Didactic

AÑO

2022

5
Tabla de contenidos
Aprendizaje esperado .............................................................................................. 7

Introducción .............................................................................................................. 8

1. Data Mining: definiciones, procesos y aplicaciones ......................................... 9

1.1. Definición de Data Mining ............................................................................. 9

1.2. Herramientas y técnicas .............................................................................. 11

1.3. Proceso del Data Mining.............................................................................. 12

1.4. Ventajas y desventajas ................................................................................ 17

1.5. Aplicaciones generales de la minería de datos ....................................... 18

Cierre ........................................................................................................................ 19

Referencias bibliográficas ...................................................................................... 20

6
Aprendizaje esperado

Relacionan procesos decisionales de una organización según tipo

y características, considerando fundamentos de Big Data y Data
Mining.

7
Introducción

En la actualidad, todo el tiempo nos encontramos con conjuntos de datos e

información, y con softwares ERP a partir de los cuales no podemos tomar
decisiones de manera directa. Por ello debemos recurrir a expertos o a
softwares especializados en la materia. Para evitar estas incomodidades
podemos buscar soluciones a través de una herramienta de análisis de
información conocida como Data Mining, que ayuda a obtener las
condiciones precisas de nuestros requerimientos.

El Data Mining como solución a estos problemas de tomas de decisiones es un

gran aporte en todas las áreas funcionales de la empresa, por ejemplo para
descubrir soluciones a problemas de los procesos actuales de operaciones, o
identificar nuevas tendencias de mercado de clientes de un determinado
producto. Es necesario reconocer este Data Mining como una ampliación a la
forma en que determinamos nuestro proceso de análisis de información, que
ayuda a diversificar nuestras competencias y habilidades no determinísticas.

8
1. Data Mining: definiciones, procesos
y aplicaciones
1.1. Definición de Data Mining

Data Mining o Minería de datos es un proceso que permite extraer o minar el

conocimiento de grandes cantidades de datos, desde diversas fuentes de
información interna o externa de la organización, para uso de ellas en la toma
de decisiones. El término, en concordancia con muchos autores en el ámbito
de procesos empresariales, es un tanto inadecuado, pues lo correcto debiera
ser la extracción de conocimiento a través de datos. El origen de su uso
proviene de la gran cantidad de datos que la empresa almacena en su
Datamart, Datawarehouse o que están disponibles en uso en diferentes
fuentes de información. Se asocia mucho su conceptualización a la forma de
efectuar la extracción en el ámbito minero, que permite encontrar el mineral
deseado bajo un cúmulo de tierra explotada.

Data Mining permite la extracción de información útil y desconocida a través

de un proceso y apoyo tecnológico informático determinado, que tamiza
ciertas variables y datos, lo que da como resultado un conocimiento necesario
para la toma de decisiones.

De acuerdo a Tramullas (1997, p.75):

“Se trataría de un amplio conjunto de técnicas utilizadas mediante una

aproximación informática, cuya finalidad sería explorar y descubrir
relaciones complejas en grandes conjuntos de datos. Estos conjuntos de
datos se estructuran de forma tabular, es decir, han sido objeto de una

9
 organización y estructuración previa, adoptando normalmente la forma
de estructuras relacionales, utilizando para su implementación sistemas
de gestión de bases de datos relaciones, y, como mecanismos de
recuperación, lenguajes estructurados de forma rígida, como QBE
(Query By Example) o SQL (Structured Query Language), principalmente
este último.”

El Data Mining puede entenderse también como la integración de variadas

áreas empresariales con la finalidad de identificar un conocimiento específico
de utilidad, originado a través de las diferentes fuentes de información y de las
bases de datos. Este conocimiento específico debiera permitir a la empresa
obtener una ventaja competitiva en un mercado específico.

Figura 1. Objetivos de Data Mining

Fuente: Emerald insight (s.f.)

10
1.2. Herramientas y técnicas

En un proceso de Data Mining en apoyo a la toma de decisiones, esta se

puede descomponer en herramientas de análisis, en términos de una
arquitectura de solución de niveles de interacción como lo son sus
aplicaciones, sus aproximaciones y el respectivo algoritmo o modelo
(matemático o estadístico) de apoyo. Arquitectura que se sobrepone al
conjunto de datos que se encuentran en alguna base o bases de datos.

Las aplicaciones: corresponderán a los softwares de gestión o informáticos que

entregan solución a un problema a resolver, que puede relacionarse a
diferentes dominios o almacenamientos de datos o información. Estas
aplicaciones deberán parametrizar los campos de interacción o extracción
necesaria de información conforme a un modelo de trabajo y un dominio de
respaldo.

Las aproximaciones: corresponderá a las características de cada aplicación

en términos de uso de modelos y algoritmos necesarios para la extracción de
datos e información. Es posible aplicar modelos preexistentes de algoritmos,
donde podemos encontrar los de naturaleza asociativa o relacional; los de
secuenciamiento o de tendencias; los de agrupamiento de factores o análisis
por clúster, y por último de conjunto clasificatorio escalable dimensional y al
mismo tiempo de uso estimativo de estadísticos.

Los algoritmos o modelos: representan la forma en que, a través de las

aplicaciones, lograremos nuestros resultados, en base a soluciones plausibles o
rutas críticas de escalamiento de información. Se utilizan en este escenario las
redes neuronales, que permiten determinar los nodos y rutas críticas en un
proceso decisional; por otra parte usamos los árboles decisionales, que
incorporan en el modelo una probabilidad de ocurrencia o valor posible del

11
estado de una variable; usaremos también la inducción de reglas que
determinan dentro de un proceso decisional cuál es la jerarquía de aplicación
de una acción en un proceso; y por último los modelos de visualización de
datos, que muestran el resumen de todos los resultados esperados dentro de
un proceso de extracción de datos.

Figura 2. Etapas del proceso de Data Mining

Fuente: Gestiopolis (2001)

1.3. Proceso del Data Mining

En general no existe un consenso informático para poder llevar a cabo un

proceso de Data Mining. Ante ello, debemos tener presente que los siguientes
pasos son los necesarios para efectuar esta extracción de datos:

1. Determinación de Objetivos:

12
Orientada a determinar cuáles son los objetivos o metas que el cliente o usuario
necesita satisfacer en uso de Data Mining. Muchas veces estos objetivos son
ideas acerca de algún escenario posible de información, una relación
intervariables, una condición de causa efecto, etc. Es necesario plasmar esta
determinación de objetivos por escrito para reconocer cuál será la
herramienta, el modelo y el algoritmo necesario para la extracción de datos a
posterior.

2. Análisis de las propiedades de los datos:

Corresponde a la tarea de determinar sobre qué datos se efectuará la

respectiva extracción de datos o minado, que irá en coherencia con los
objetivos y el tipo de organización que se requiere aplicar. Se trabaja sobre
información concerniente a las decisiones no visible a primera vista; hay que
identificar datos o información oculta, el conjunto de datos debe reflejar la
concepción holística de la visión organizacional. En ellos se deberán aplicar el
respectivo proceso de minado y sus resultados los encontraremos
ordenadamente estructurados en informes que resultarán necesarios para la
toma de decisiones de mayor complejidad.

En el proceso de Data Mining podemos identificar dos subetapas:

Subetapa 1. Pre procesamiento de los datos: identificada como la selección,

el filtro o limpieza previa al proceso de minado, que determina la reducción
de la esfera de aplicación del proceso y posterior transformación.

Subetapa 2. Selección de datos o del conjunto de datos: determina la

selección del tipo de dato a utilizar, posterior al pre procesamiento. Ello porque
en una organización contamos con datos e información que no genera
incidencia en posibles acciones, que pueden estar almacenados en diferentes

13
bases de datos. Este uso de información específica otorga la agilidad
necesaria para la eficiencia de la extracción de datos, evitando sesgos
innecesarios de análisis.

3. Transformación del conjunto de datos de entrada:

Nos muestra el conjunto de acciones necesarias para extraer la información

que será usada en la toma de decisiones, por lo que es relevante tener
presentes los siguientes elementos:

Modelo a aplicar: esta secuencia determina qué algoritmo será el

representativo de la información que deseamos encontrar, pudiendo estar a
la base el uso de análisis estadísticos de todos los datos seleccionados u otra
condición específica de análisis requerida en el respectivo minado.

Extracción de conocimiento. Data Mining o minado: corresponde al proceso

de extracción de datos propiamente tal, conforma a las diferentes técnicas
de los modelos prestablecidos que deseamos aplicar al conjunto de datos
seleccionado. Este proceso en algunos casos requerirá ajustes, lo que significa
que debe ajustarse el modelo o algoritmo de programación para ser
procesado nuevamente.

Esta extracción de datos requerirá de operaciones altamente relacionadas

para alcanzar sus objetivos, dentro de las que podemos mencionar:

Análisis de un modelado predictivo: explica cómo los datos en su minería se

encuentran organizados bajo un patrón determinado de comportamiento,
pudiendo ser de naturaleza predictiva o inductiva.

14
Segmentación de datos o de las bases de datos: identifica y clasifica los
registros bajo parámetros de comportamiento en similitud, que permite
relacionarlos y generar conclusiones para su análisis en la toma de decisiones.

Analizar los enlaces de los datos: establece relaciones transaccionales de

manera directa o indirecta, en base al comportamiento de los datos que se
encuentran en análisis.

Análisis de desviaciones: determina o explica por qué un registro se excluye

de una segmentación de datos. En particular este fenómeno genera
incidencia de análisis de aquello que no posee significancia estadística en el
modelo predictivo.

Determinar el software de gestión para el debido minado: determina mediante

qué aplicación o solución informática se llevará a cabo el proceso de Data
Mining, en donde de manera recurrente encontramos aplicaciones de
Business Intelligence tales como los DSS y cubos OLAP.

4. Análisis e interpretación de los resultados:

Su finalidad es validar si los resultados presentan coherencia con los resultados

obtenidos del minado, junto con elaborar el informe gráfico de visualización.
En base a ello cada usuario o cliente determinará mediante un proceso de
valoración si la nueva información obtenida es precisa para aplicar en la toma
de decisiones. Para esta información final debe verificarse si hay coherencia
con respecto al objetivo planteado y si permite, según sea el caso, el desarrollo
de una ventaja competitiva decisional.

Esta interpretación determinará los cursos de acción que debe enfrentar la

empresa en adelante.

15
 Figura 3. Proceso de Data Mining
Fuente: Chunga, J. (2013)

En general el proceso de Data Mining como técnica, ayuda a la toma de

decisiones de las diversas acciones o tareas que debe enfrentar una empresa;
ello también considera el cúmulo de datos organización en términos del
tamaño de la empresa, o del análisis histórico de los datos que requiere ser
analizado. El resultado de la extracción de datos o minería de datos permitirá
a la organización desarrollar, en algunos casos, estrategias con consecuentes
beneficios en el caso de ser aplicada correctamente, otorgando un factor
diferenciador respecto a su competencia.

Su principal uso deriva de la rapidez que debe enfrentar una empresa en un

entorno altamente competitivo, donde la información, o más bien dicho el
análisis de esta, es vital para su desarrollo futuro. Esta metodología innovadora
es de aplicación general, cada empresa puede empezar analizando sus

16
propios datos para luego integrar los del mercado si fuese necesario,
aumentando su esfera de acción de minado. La capacidad de
procesamiento de los datos dependerá de la respectiva inversión en la
materia, los datos pueden presentarse de manera estructura o no, en apoyo a
la toma de decisiones.

1.4. Ventajas y desventajas

Hay que tener presente que la minería de datos puede presentar ventajas o
desventajas, dependiendo de los objetivos y del tipo de empresa que
debamos analizar.

Ventajas:

• Facilidad de uso.

• Aplicable en diferentes modelos o algoritmos y con mismos resultados.

• Elimina datos e información innecesaria.

• Aumento de eficiencia decisional.

• Apoya trasversalmente su proceso en un Datamart o Data warehouse.

• Fortalece el desarrollo de nuevas estrategias organizacionales.

• Nuevas soluciones con orientación al cliente o usuario.

Desventajas:

17
 • Tiempo destinado a la valoración de medidas de evaluación, producto
de la extracción de datos.

• No todos los datos son apropiados para la minería de datos.

• Límite de operación en tiempo real.

• Subjetividad de los indicadores.

1.5. Aplicaciones generales de la minería de datos

• Planificación económica y financiera de la empresa.

• Análisis de mercado.

• Análisis de segmentación y perfiles de clientes.

• Fidelización de clientes.

• Determinante en decisiones de almacenaje los datos e información.

• Creación de base de datos documentales.

• Identificación de fraudes bancarios o condiciones crediticias del sector

bancario.

• Diagnósticos médicos.

• Comportamiento accionario y especulación monetaria.

18
Cierre
Por medio del siguiente organizador gráfico, se destacan las ideas clave de
esta semana:

Todo proceso de toma de decisiones es relevante para una organización, la

cual debe operar bajo ciertas metodologías de análisis de datos e
información, que deben ser relevantes y oportunos en determinada acción.
Para mejorar este proceso de toma de decisiones las empresas pueden
apoyarse en el Data Mining, el que ayudará a desarrollar estrategias nuevas
que permitirán obtener ventajas competitivas para ellas y sus clientes. Este
proceso de Data Mining no es sencillo de llevar a cabo; la empresa debe

19
efectuar actividades de manera estructurada a fin de alcanzar ciertos
objetivos predefinidos. El Data Mining ayudará a la empresa a encontrar
nuevas soluciones y quizá innovaciones para sus procesos y para sus productos
o servicios.

Referencias bibliográficas
CESUMA (s.f.) Características del proceso de toma de decisiones en una
organización. Disponible en https://www.cesuma.mx/blog/caracteristicas-del-
proceso-de-toma-de-decisiones-en-una-organizacion.html

Tramullas, J. (1997) Perspectivas en recuperación y explotación de información

electrónica: el “Data Mining”. Universidad de Zaragoza.

20