DCC. Dafne Rosso Pelayo
La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.
RESUMEN
Antes de iniciar con los ejercicios de aplicación, comenzaremos con un poco de conceptos a fin de que el lector se encuentre familiarizado con el tema. Recordemos que el propósito principal de este blog se centra en mostrar como las técnicas de computación inteligente pueden ser implementadas en la pequeña y mediana empresa, para el descubrimiento de información que aporte valor a los procesos de negocio; por ejemplo, para incrementar niveles de venta, aumentar la diversificación de mercado, o mejorar la satisfacción del cliente, entre otros.
Esté artículo expone las aportaciones que este tipo de tecnología puede hacer en las empresas, se describirán los beneficios de la minería, tales como: la capacidad de identificar patrones, comportamientos, reglas; relaciones en los datos; su utilización para realizar previsiones y encontrar nuevas soluciones ó rutas de acción. Resaltamos la importancia de la minería de texto dado que se estima que sólo un 20% de la información de las empresas se encuentra en bases de datos, mientras que el 80% restante es información no estructurada, que reside en textos, fotografías, correos electrónicos, etc.
INTRODUCCIÓN
El propósito de cualquier solución de inteligencia de negocio es proporcionar la habilidad de derivar conocimiento de los datos. La inteligencia de negocio pretende transformar los datos en conocimiento, para que este conocimiento sea transformado en acción y las acciones en sucesos exitosos. La inteligencia de negocios pretende transformar los datos en conocimiento, para que este pueda ser usado oportunamente en la toma de decisiones, propiciando acciones que resulten en una ventaja competitiva sobre otras empresas [1].
Desde hace una década, las empresas alrededor del mundo han realizado cuantiosas inversiones en tecnología relacionada con inteligencia de negocio, para mejorara sus procesos primarios, ayudar oportunamente a la toma de decisiones y generar así ventajas competitivas sobre otras empresas.
Por medio de esquemas de Inteligencia de Negocios, las empresas han progresado en la obtención y generación de conocimiento acerca de su organización [2], gracias a ésta, la toma de decisiones ha reducido sus tiempos y mejorado su eficacia. Sin embargo, la mayoría de estas soluciones de negocio se basan en datos cuantitativos y cualitativos que se encuentran dentro de sus repositorios de información (bases de datos, data warehouse) y no toda la información de los procesos se encuentra en estos repositorios. Es común en las empresas, que una gran variedad de información resultante de sus actividades, sea almacenada en documentos de texto no estructurado (documentos, presentaciones, hojas de cálculo, correos electrónicos, etc.).
Para obtener el valor máximo de las soluciones de minería de inteligencia de negocio, es necesario contar con tecnología que pueda llevar a cabo el proceso en tiempos satisfactorios al negocio y pueda permitir a los tomadores de decisiones en cada nivel de su organización a analizar y actuar en la información con base a los resultados obtenidos.
Se calcula que alrededor de un 20% de la información de la mayoría de las empresas e instituciones se encuentra en bases de datos mientras que el 80% es información no estructurada [3].
El alcance de este artículo es presentar las capacidades de la minería de datos y textos, las cuales pueden ser implementadas en las empresas, para el descubrimiento de información que aporte valor a los procesos de negocio, por ejemplo, incrementando: niveles de venta, diversificación de mercado, satisfacción del cliente, entre otros, y además apoyen a la toma de decisiones.
Minería de Datos
Las técnicas de Minería de datos aportan la capacidad de identificar patrones, comportamientos, reglas y relaciones en los datos. Éstas permiten realizar previsiones y encontrar nuevas soluciones ó rutas de acción. Los volúmenes de información tienden a ser muy grandes, esto hace prácticamente imposible un análisis manual, aún con herramientas tradicionales de escritorio. (Sin embargo, en este blog, emplearemos algoritmos que pueden ser implementados en Excel, los cuales pueden ser automatizados posteriormente para manejar mayores volúmenes de información)
Las técnicas empleadas en la minería de datos dependen del tipo de conocimiento que se desee obtener de estos. Los métodos de minería de datos aprenden de ejemplos de experiencias pasadas. Si se habla de predicción en minería de datos, se esta hablando de datos en forma numérica, mientras que el minado de texto se realiza en documentos que carecen de estructura (información no estructurada) y se encuentran en lenguaje natural.
Uno de los principios de la minería de datos es la recuperación de información no conocida que puede ser extraída de los datos de una manera entendible.
Existen dos clasificaciones que agrupan a los algoritmos de minería, estas son: minería dirigida y no dirigida, para el primer caso se encuentran los algoritmos de clasificación y en el segundo los algoritmos de asociación [4].
Las entradas son de tipo numérico o bien de tipo nominal. Los datos numéricos presentan valores tal que las comparaciones en rangos tengan sentido, mientras que los datos nominales tienen un significado específico, el dato nominal más común es algo que puede ser clasificado como cierto o falso [4].
Es importante hacer la diferencia entre dato y texto, dato se refiere a un valor categórico o numérico, mientras que los textos son expresados en lenguaje natural conteniendo cualquier significado.
Minería de textos
La minería de textos se enfoca al tratamiento de la información no estructurada, en general se aplican los mismos principios y algunos de los algoritmos que se emplean en la minería de datos. A la fecha existen numerosas herramienta que se emplean para la recuperación de información y la clasificación automática de la misma, la minería de textos trata de encontrar patrones y las relaciones entre los textos previamente procesados
La mayoría de las soluciones de minería de texto se enfocan en la determinación del tema principal de un documento, y algunas de ellas permiten encontrar patrones de comportamiento [5]. Froelich et al, presentan en su investigación una minería de texto relacionada con los informes de incidentes aéreos [6].
El minado de textos, se refiere al proceso de generar conocimiento por medio del reconocimiento de patrones en los textos, pero empleando largos volúmenes de textos, a diferencia de los sistemas tradicionales de recuperación de información que tratan a los documentos como entidades individuales.
Estos textos pueden contener información de muy diversos tipos, por ejemplo, de una serie de reportes levantados en lenguaje natural que narran la ocurrencia de incidencias, a través de la minería de texto, sería factible: [1]
· Determinar los conceptos términos de mayor ocurrencia o más importantes.
· Extracción de patrones de las incidencias.
· Encontrar relaciones y dependencias de las incidencias.
· Efectuar categorizaciones.
Algunas de las aplicaciones y problemas que son resueltos con minería de texto son los siguientes:
· Recuperación de Información.
o Indexación y recuperación de documentos.
· Extracción de información.
o Extracción de conocimiento parcial en el texto. El objetivo es tomar aquellos datos numéricos de los textos y construir una matriz estructurada como se tendría en minería de datos.
· Minera en Web.
o Recuperación e indexación de documentos de texto y extracción de conocimiento parcial empleando el Web.
· Agrupamiento.
o Generación de colecciones de textos con similitudes.
· Predicción
o Predicción basándose en los ejemplos de casos anteriores.
Hoy en día se puede encontrar una diversidad de herramientas para soportar el proceso de recuperación de información, minería Web, agrupaciones y predicciones en temas específicos donde no existe una dispersión grande de los textos se encuentran disponibles en el mercado.
BIBLIOGRAFÍA
1. Sholom m. Weiss, Nitin Indurkhya,Tong Zhang,fred J. Damerau. Text Mining Predictive Methods for Analyzing Unstructured Information, Springer. 2005.
2. D. A. D Skyrme, Creating the Knowledge-based Business. 1997.
3. Ah-Hwee Tan. Text Mining: The state of the art and the challenges. 1999.
4. Ian H. Witten, Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques, Second Edition. 2005.
5. Sushmita Mitra. Data Mining in Soft Computing Framework: A Survey. 2002.
6. J. Froelich, S. Ananyan, and D. L. Olson., Decision support via text mining. 2005.
No hay comentarios:
Publicar un comentario