- Evolución del soporte a la decisión
- Diversas categorías del análisis del DS
- Consultas simples ….. Técnicas de análisis más avanzadas
- Técnica de análisis más difundida
Pasar de consultas simples a análisis avanzado
- Consulta simple: datos frescos, decisiones estratégicas
- Consultas “enlatadas” o predefinidas
- Consultas sin preparación (ad-hoc)
ANALISIS MULTIDIMENSIONAL:
El poder de dividir
Consulta estándar análisis multidimensional
Técnica de análisis más poderosa
- Hurgar más profundamente
Diferentes perspectivas de los datos mediante el uso de “dimensiones”
Información por una cierta dimensión
Drill down
Herramientas similares (a la consulta estándar)
Mismos datos: diferentes formas
Modelado y Segmentación:
Análisis para trabajadores del conocimiento
Datos voluminosos y detallados
Trabajadores del conocimiento
Modelo. Colección de patrones para una característica dada
Algoritmos de modelado Soporte a la decisión
La segmentación tampoco es una herramienta NUEVA
Ejemplo: Segmentación de CLIENTES
Software especializado
Descubrimiento del Conocimiento
- Marketing buscando los mejores clientes
- KD. Algoritmos poderosos que buscan patrones en grandes DB
- Patrones no especificados de antemano (como en el modelado)
- DW le dice a la empresa dónde están los patrones y relaciones importantes
- “Respuestas desconocidas” para encontrar nuevas formas innovadoras
Algunas observaciones
- Evolución de la infraestructura del DW
- Evolución de la infraestructura del DW
- Los datos en DW evolucionan y maduran
- DW como una necesidad básica
Mayor frecuencia de uso
Ahorros de tiempo o costos
Consolidación de procesos
Consultas Estándares
“Listar los # de préstamos hechos al cliente X y las fechas de pago cuando se ha demorado más de una semana”
La consulta busca confirmar un supuesto parte de una hipótesis muy fuerte
“Listar a todos los clientes para los que el ingreso por uso a la hora pico haya disminuido un 20% o más”Resultado acciones comerciales
“Mostrar a todos los clientes de celulares con llamadas entrantes incompletas en más de un 20% en cada semana”
Resultados útiles:
- Clientes de alto uso que necesiten equipo adicional
- Posibles competidores en el mercado
- Candidatos a ofertas de productos nuevos
- Sospechas de fraudes
- Clientes potencialmente insatisfechos
- En suma, retener y sumar clientes
“Mostrar a todos los clientes de celulares con llamadas entrantes incompletas en más de un 20% en c/semana” Drill-down
“De esos clientes ¿quiénes usan roaming por fuera de la red?
Resultados:
“Mostrar los ingresos trimestrales correspondientes a grandes clientes comerciales en las regiones norte, NO y SO en 1977 y 1978”
“Mostrar los mismos datos por distrito dentro de la región noroeste”
“Mostrar los mismos datos para el distrito B de la región noroeste”
Las herramientas OLAP son únicas para facilitar al usuario pedir los mismos datos en diferentes formas
PROVEEDORES
- Oracle OLAP
- SAP – OLAP
- Microsoft
- Inesoft
- Dundas Chart for .NET OLAP Services
- MicroStrategy OLAP Services
Modelado
- Comportamiento futuro de los clientes
- Su viabilidad a largo plazo
Segmentación
- Clasificar y reclasificar clientes por
- Demografía
- Patrones de compra
- Proclividad a la compra
Ejemplos de Modelado
- Valor de por vida del cliente
- Desgaste del cliente
- Modelado predictivo
Ejemplos de Segmentos
- Clientes que responden a ofertas
- Clientes que responden a descuentos
- Clientes que responden a productos nuevos
- Clientes que responden a promociones
Resultados de la segmentación:
- ¿A qué grupo de clientes enfocar un nuevo servicio?
- ¿Quién es más probable que se interese por este servicio?
- ¿Qué clientes es más probable que cometan fraude?
- ¿Qué clientes es más probable que respondan a descuentos?
- Cero hipótesis
- Encuentra en los datos patrones ocultos:
- Comportamiento del cliente
- Ventas por producto
- Cancelaciones
- Compras futuras
Ejemplos:
- Qué pasa cuando 2 medicamentos se toman juntos
- Patrones desconocidos de afinidad de productos
- Productos disparadores de otros
Más ejemplos:
De los clientes que compran frituras, el 66% también compran golosinas
De los clientes que compran frituras y golosinas, el 75% también compra vino tinto
ACCIONES
- Enviar cupones a compradores frecuentes
- Eliminar descuentos en vino tinto
- Reubicar los productos dentro de la tienda Ejemplos de datos que salen a la luz gracias a KD:
- Ciertos productos disparadores afectan otras compras
- Descubrir la “próxima compra probable”
- Descubrir patrones en la caída de compras
- Aspectos del cliente que afectan el ciclo de vida del producto
- El Data mining comprende la segmentación, el modelado y el descubrimiento del conocimiento
- Es sinónimo de análisis estadístico
- Está soportado por 3 tecnologías
- Recolección masiva de datos
- Potentes computadoras con multiprocesadores
- Algoritmos de Data Mining
Se desarrolla bajo lenguajes de última generación basados en inteligencia artificial y utiliza modelos matemáticos tales como:
- Redes neuronales artificiales
- Arboles de decisión
- Reglas de inducción
- Algoritmos genéticos
Predice futuras tendencias y comportamientos para permitir en los negocios tomar decisiones proactivas
Estas herramientas pueden responder a preguntas de negocios que consumen demasiado tiempo
Exploran las bases de datos en busca de patrones ocultos, encontrando información predecible que un experto no puede llegar a encontrar porque está fuera de sus expectativas
Data Warehouse en la realidad
Los datos residen en la menor cantidad de plataformas distintas, preferentemente en un DW o Data mart
Los gerentes acostumbran acceder directamente al DW cuando requieren información
Los ejecutivos apoyan el soporte a la decisión
El DW puede mejorar la productividad y aumentar la rentabilidad de la organización
Referencia s
E-data. Tranformando los datos en información con Data Warehousing
Capítulo 2. El soporte a la Decisión de abajo hacia arriba Jill Dyché