Anda di halaman 1dari 15

LA MINERA DE DATOS COMO HERRAMIENTA DE MARKETING: DELIMITACIN Y MEDIDAS DE EVALUACIN DEL RESULTADO

1. LA MINERA DE DATOS EN LOS NEGOCIOS Y EN EL MARKETING.


La necesidad de informacin surge como consecuencia de dos factores: la incertidumbre y el coste a asumir en caso de errar en la toma de decisiones. En los momentos actuales ambas caractersticas estn presentes en niveles elevados para los negocios, haciendo imprescindible la informacin para el xito en el mercado, hasta el punto de que algunos autores hablan de una economa basada en la informacin y el conocimiento

Razones principales
La minera de datos ofrece la posibilidad de llevar a cabo un proceso de descubrimiento de informacin automtico, es decir, dirigido por el algoritmo. Las herramientas de minera de datos se han diseado para ser empleadas directamente por decisores o personal del negocio, y no necesariamente por tcnicos. Desde el punto de vista de productos, las herramientas de minera de datos estn preparadas para trabajar con grandes volmenes de registros, mientras que, generalmente, los paquetes estadsticos clsicos se saturan cuando se introduce gran cantidad de datos para analizar.

2. DEFINICIN DE MINERA DE DATOS.


Por ltimo la minera de datos se identifica con el proceso de descubrir conocimiento en bases de datos (KDD Knowledge Discovery in Databases), englobando as un conjunto de actividades, entre las que se encuentra el anlisis de los datos.

El surgimiento de la minera de datos es consecuencia de 4 procesos

3. ANLISIS EN MINERA DE DATOS.


En la fase de anlisis, aunque la minera de datos necesita de escasa supervisin por parte del analista, hay que tomar una serie de decisiones que son claves para el resultado final: en primer lugar, hay que decidir el tipo de anlisis (tarea) a realizar y, en segundo lugar, hay que elegir un algoritmo o herramienta para llevarla a cabo.

3.1. Seleccin de la tarea.


En general, la minera de datos permite obtener oro de una montaa de datos. Desde un punto de vista general, la minera de datos permitir completar dos tareas de anlisis: describir y predecir, mientras que si profundizamos en cada una de las tareas encontramos un amplio conjunto de posibilidades de anlisis

3.2. Eleccin

de la herramienta

Se ha construido una tabla indicando usos de las 4 tcnicas de minera de datos ms comnmente citadas, as como la estadstica clsica.

Indicadores
Precisin. Claridad. Utilidad. Generalidad. Adaptabilidad. Facilidad de construccin. Rapidez. Gestin de memoria. Robustez. Validacin. Disponibilidad.

4. EVALUACIN DEL RESULTADO EN MINERA DE DATOS.


Los indicadores tanto objetivos, como subjetivos, organizados en torno a 4 aspectos fundamentales del resultado: la bondad, la relevancia, la novedad y la aplicabilidad del resultado. Vamos a ver detenidamente cada uno de estos grupos de medidas.

Indicadores de la bondad del resultado.

Cuando el resultado se presenta en forma de clasificacin o estimacin utilizaremos el indicador de PRECISIN, medido a travs del porcentaje de predicciones que son correctas. Cuando hablamos de clasificacin se emplear el porcentaje de casos bien clasificados y para la estimacin el porcentaje de registros con una estimacin que el decisor considere correcta.

Indicadores de relevancia del resultado.


El indicador Lift, permite la comparacin entre diferentes resultados producidos por distintos algoritmos, trmino no posible con el resto de medidas. Sin embargo, est especialmente indicado para la evaluacin de tareas de clasificacin. Lift = Porcentaje de objetivo en la clase/Porcentaje de objetivo en la poblacin.

Indicadores de novedad del resultado.


Uno de los problemas que tiene la generacin de reglas es la obtencin de informacin excesivamente abundante y obvia. El COEFICIENTE DE NOVEDAD est exclusivamente creado para indicar si una regla es interesante o no en funcin del nmero de reglas ya generadas para un rea de conocimiento concreta. Se trata de evitar las redundancias en su obtencin.

Indicadores de aplicabilidad del resultado.

Un conjunto de ndices que vamos a comentar, y no menos importantes, es la TIR o tasa de retorno, el VAN o Valor Actual Neto y el BENEFICIO. En definitiva, tratamos de medir una nica cosa, el valor que aporta la informacin aplicada al negocio. Hemos de comparar, por tanto, los costes e ingresos que supone la aplicacin del modelo o resultados obtenidos, con la situacin en que decidimos sin contar con la informacin suministrada por la minera de datos.

CONCLUSIONES.
La minera de datos es una problemtica de reciente incursin en los negocios o no menos incipiente preocupacin en el marketing. Ello es un factor determinante del escaso, y en ocasiones errneo, conocimiento de la minera de datos y de su reducido desarrollo, manifiesto en la medicin de la eficiencia del resultado.