Data Warehousing. Transformando datos electrónicos en informacion

  • Tecnología
  • 3 minutos de lectura

Evolución del soporte a la decisión

Diversas categorías del análisis del DS

Consultas simples            …..          Técnicas de análisis más avanzadas

Técnica de análisis más difundida (75%)

Pasar de consultas simples a análisis avanzado

Consulta simple: datos frescos, decisiones estratégicas

Consultas “enlatadas” o predefinidas

Consultas sin preparación (ad-hoc)

edata-datos-informacion-warehousing

ANALISIS MULTIDIMENSIONAL:

El poder de dividir

Consulta estandar  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

Hazle saber al autor que aprecias su trabajo

1+
Tu opinión vale, comenta aquí

Comentarios

Compártelo con tu mundo

Escrito por:

Cita esta página
Plancarte Sánchez Federico. (2010, mayo 6). Data Warehousing. Transformando datos electrónicos en informacion. Recuperado de https://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/
Plancarte Sánchez, Federico. "Data Warehousing. Transformando datos electrónicos en informacion". GestioPolis. 6 mayo 2010. Web. <https://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/>.
Plancarte Sánchez, Federico. "Data Warehousing. Transformando datos electrónicos en informacion". GestioPolis. mayo 6, 2010. Consultado el 19 de Junio de 2019. https://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/.
Plancarte Sánchez, Federico. Data Warehousing. Transformando datos electrónicos en informacion [en línea]. <https://www.gestiopolis.com/data-warehousing-transformando-datos-electronicos-informacion/> [Citado el 19 de Junio de 2019].
Copiar
Imagen del encabezado cortesía de 81809782@N06 en Flickr