1.9 Adecuando la Inteligencia de negocios a las PyMEs (continuación).

DCC. Dafne Rosso Pelayo

La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.

En el artículo anterior mencionamos los beneficios de aplicar en la empresa análisis avanzados que pertenecen a los sistemas inteligentes. En este artículo mostraremos los beneficios que ofrecen las sutes de inteligencia de negocio. La figura 1 presenta los elementos que integran una suite completa de inteligencia de negocio. Algunas suites sólo contienen un subconjunto  de estos elementos por lo tanto es sumamente importante determinar el objetivo de implementar una herramienta de inteligencia de negocio en su empresa. Para apoyarlo en esta tarea a continuación describiremos las funciones y beneficios que presentan estas suites.

Figura 1. Composición de una suite de Inteligencia de Negocios. [1]

Integración

La integración se refiere a la capacidad de concentrar los datos dentro de repositorios de información.

Figura 2. Interacción de información

Las herramientas de Integración contienen una herramienta ETL (extracción y transformación)  que se conecta con la fuente original de los datos -extrae-, si lo requiere el negocio, la herramienta puede realizar trasformaciones en ellos (cálculos, validaciones, formatos, etc.) -trasforma-  y los deposita en un repositorio de datos el cual puede ser una base de datos relacional o bien una estructura multidimensional.

Las ventajas que obtiene de estas herramientas son:

·         Agregar datos desde numerosas fuentes, y contar con la integración a los repositorios de información.

·         Crear y administrar los almacenes de datos empresariales.

Dependiendo de que tan poderosa sea la herramienta de integración puede contener elementos que le apoyen a la administración, seguimiento y monitoreo de todo el proceso de integración.


Entrega de Información

La entrega de información es una actividad independiente de la integración de la información, sin embargo, la información integrada será de la que usted disponga para poder realizar la entrega. La integración de la información puede efectuarse con el ETL de la misma suite de inteligencia de negocio, con un ETL de otro producto o puede ser que ya cuente con los datos integrados en algún repositorio.

La entrega de información se refiere a la explotación (consulta y presentación) de la información en diversas formas, a continuación enlistamos las herramientas de entrega de información y las ventajas de cada forma de presentación de esta.

Figura 3. Entrega y Análisis de información

Tableros

Las suites de inteligencia de negocios deben de contar con herramientas que permitan la construcción de tableros de una manera ágil y rápida. La función de los tableros es:

·    Presentan la información en forma dinámica, es decir se actualiza al momento de consultarla de acuerdo a los parámetros con que se construyan, pueden variar de acuerdo al tipo, fecha, rubro, área, zona, etc.
·    Presentan la información en forma gráfica y en tablas dinámicas las cuáles reflejan el comportamiento de los datos. Por ejemplo, al cambiar de mes, presentan el comportamiento de las ventas.
·    Utilizan indicadores y/o semáforos que se emplean para medir cómo va el negocio, por ejemplo, si la venta bajo más de lo esperado, presenta un semáforo en rojo, pero si subió lo pone en verde.
·    Dependiendo del nivel de detalle de información se puede clasificar al tablero como operativo, ejecutivo, táctico, estratégico. En otro artículo haremos referencia a este tipo de clasificaciones

Consultas ad –hoc / reportes

Las suites de inteligencia de negocio cuentan con herramientas que permiten consultar directamente los repositorios de información.

·      Las herramientas de consultas al vuelo o consultas ad hoc, son orientadas a los usuarios finales, es decir no se requiere de un experto técnico o informático para operarlas.

·      Permiten la entrega de datos de formas más agiles, dinámicas y dan solución a consultas no planeadas.

·      Algunas herramientas permiten la construcción de gráficos, tablas y elementos de visualización en los reportes.

Análisis

En el artículo anterior 1.8 presentamos una gama de elementos de análisis avanzado. Las suites de inteligencia de negocio contienen la totalidad o bien un subconjunto de los elementos que comentamos y contienen elementos para facilitar la entrega de los resultados.

Scorecards

Algunas suites de inteligencia de negocio contemplan la incorporación de productos del mismo proveedor las cuáles construyen scorecards pre-definidos, o bien contiene elementos que facilitan la construcción de los tableros que integren el scorecard.

Los scorecards o tableros de mando, presentan una visión completa del negocio  mostrando los indicadores o cifras más representativas de diferentes áreas del negocio. De acuerdo a Kaplan y Norton las perspectivas que debe de contener un scorecard son [2]:

1)    Financiera

Retorno de inversión y valor económico añadido

2)    clientes

Satisfacción, retención, mercado y manejo de cuentas

3)    Al interior del negocio

Calidad, tiempo de respuesta, costos e introducción de nuevos productos

 4) Aprendizaje y crecimiento

Satisfacción de los empleados y disponibilidad de los sistemas de información.

Los scorecards son elementos de inteligencia de negocio sumamente útiles para poder visualizar al momento cuál es la situación de la empresa y a ellos dedicaremos más adelante varios artículos.

OLAP

·      Repositorio multidimensional de información que permite la consulta de la información combinando diferentes perspectivas

·      Mejorar el tratamiento de grandes volúmenes de información.

Modelos predictivos y minería de datos

·         Realizar predicciones con la información histórica y presente.

·         Verificar el comportamiento y obtener las tendencias observadas en la información.

Elementos de visualización interactiva

Son elementos que permiten construir reportes a fin de transmitir rápidamente el mensaje que contiene la información a través de elementos visuales.

·         Mapas

·         Objetos varios

·         Diagramas

Observaciones

Las suites son herramientas que facilitan el trabajo, los puntos iniciales que tratamos como factores de éxito en el artículo 1.7 son indispensables e independientes de la herramienta que seleccione para el desarrollo de soluciones de inteligencia de negocios.

Si la información no está integrada correctamente, no será posible que realice una correcta entrega de información, ni será posible que se realice un análisis avanzado sobre los datos.

La información puede estar integrada en un archivo Excel, en una base de datos, en un cubo, lo verdaderamente importante es que la información sea  correcta, completa y suficiente para contestar las preguntas que se plante su organización.

En el siguiente articulo trataremos con mayor detalle los análisis que realizan clasificación de datos, algunas herramientas que realizan este tipo de análisis y como se puede presentar la información resultante.

 [1] Gartner 2010. Cuadrante mágico de inteligencia de negocio realizado por Gartner en 2010.

[2] The Balanced Scorecard. Robert S. Kaplan, David P. Norton. HBS Press. 1996.

Copyright © 2011 Dafne Rosso Pelayo. Todos los derechos reservados.

1.8 Adecuando la Inteligencia de negocios a las PyMEs.

DCC. Dafne Rosso Pelayo

La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.

Beneficios de la Inteligencia de Negocios

En los artículos iniciales presentamos un panorama de los beneficios que se obtienen de la implementación de la inteligencia de negocios y sistemas inteligentes, para citar nuevamente algunos de estos beneficios tenemos:

·         Incrementar utilidades.

·         Disminuir costos.

·         Mejorar la planeación de inventarios.

·         Segmentar los clientes.

·         Implementar nuevas estrategias de venta de acuerdo a que se consume y quien lo consume.

·         Generar promociones relacionadas a lo que se vende más o promociones sobre lo que se vende menos, según sea la estrategia más adecuada para su empresa.

·         Mejorar la distribución de la mercancía apegándose a los productos que se consumen, adquieren o venden, o bien a los clientes que los adquieren.

·         Priorizar sus estrategias de venta, mercadotecnia, presupuesto, etc.

·         Contratar personal adecuado y con mayor afinidad a las características de sus clientes.

·         Modificar y planificar su inventario y su publicidad, de acuerdo a los patrones de consumo de su empresa.

Planeando el tipo de análisis

Para introducir el tipo de resultados que se obtiene ejemplificamos en 1.3 y 1.6 algunas técnicas de minería de datos basadas en asociaciones.

En nuestro artículo anterior 1.7 introdujimos dos factores de éxito en el desarrollo de soluciones de inteligencia de negocio, estos son:

·         La preparación de los datos

·         Objetivo del análisis o de la solución de inteligencia de negocios

El tipo de técnica que se implementa en una solución de Inteligencia de Negocio, está completamente relacionado con el Objetivo del análisis o de la solución de inteligencia de negocios, es decir, depende del segundo factor de éxito.

Objetivo del análisis o de la solución de inteligencia de negocios.

Para determinar el objetivo, se debe de preguntar ¿qué persigue al desarrollar una solución de inteligencia de negocio?, ¿qué es lo que quiere alcanzar?  supongamos:

¿Quiere aumentar la satisfacción del cliente? ¿Quiere ofrecer a sus clientes productos y servicios de acuerdo al perfil del cliente?

Entonces es necesario a) clasificar o agrupar a sus diversos tipos de clientes, b) verificar el patrón de consumo de cada grupo de clientes c) asociar los productos y/o servicios con los grupos de clientes.

¿Quiere aumentar sus ventas?

Entonces podría por ejemplo, a) asociar productos más vendidos y crear nuevas promociones o lanzar nuevas líneas de productos basadas en, b) las características de los productos más vendidos.

¿Quiere planificar su presupuesto o inventario?

Entonces podría hacer una predicción basada en el comportamiento de meses o temporadas anteriores

La lista es muy grande. Lo que debemos resaltar de este punto es la importancia de conocer lo que quiere alcanzar porque de eso depende el tipo de técnica a implementar.  Las técnicas de análisis no son excluyentes, se pueden aplicar varias técnicas de análisis avanzado al mismo conjunto de datos para satisfacer varios objetivos.

Como comentábamos anteriormente en otro artículo, independientemente de la plataforma de Inteligencia de Negocio que utilice ya sea: Excel con un add-in de minería de datos; software libre;  una solución parcial de Inteligencia de Negocio; o una suite completa de Inteligencia de negocio, este paso no se lo  puede saltar.

Que ofrecen  los análisis avanzados

Para mostrar con mayor claridad que es lo que se puede obtener de los análisis avanzados voy a segmentar los beneficios puede encontrar en dos enfoques: (1) los beneficios de las suites de inteligencia de negocios y (2) los beneficios de los tipos de análisis avanzado. La siguiente figura muestra como se clasifican y dividen estos grupos.

Figura 1. Algunos elementos de Inteligencia de negocios

Ahora planteemos que es lo que ofrece cada uno de estos elementos al negocio. Comencemos con los elementos de cómputo inteligente.

Sistemas Inteligentes

Soft computing o computación inteligente la constituye una gama de técnicas que permiten construir soluciones que se adaptan de mejor manera a la naturaleza intrínseca de los problemas y permiten la construcción de soluciones o sistemas que se conocen como sistemas inteligentes.

Los sistemas inteligentes pueden lidiar con la incertidumbre y la imprecisión de la información, permitiendo librar obstáculos como datos incompletos, ruido en la información, ambigüedad e información no estructurada entre otros.

Dentro de los sistemas inteligentes encontramos a la minería de datos, así como diversas técnicas de aprendizaje y optimización. La siguiente figura muestra algunos de los elementos que integran este bloque.

Figura 2. Análisis avanzados

Clasificación

Su objetivo es determinar el comportamiento de un atributo en término del resto de los atributos, esto es, cual es el valor que se obtendría de un atributo (ej. tipo de coche) en consecuencia del valor de los otros atributos (ej. edad, sexo, precio, dirección, etc.).

Asociación

Permite relacionar por dependencias a los atributos, como los ejemplos indicados en 1.3 y 1.6 indica que al suceder el atributo X, entonces sucede el atributo Y (X -> Y). Por ejemplo, para un SPA en particular, indica que a quien le gusta tomar un sauna también le gusta una limpieza facial (sauna -> limpieza facial).

Agrupaciones

Crea grupos de acuerdo a la similitud de los atributos. Por ejemplo, si está buscando segmentar sus clientes de acuerdo las características comunes que poseen, requiere de un análisis de agrupación. Las técnicas de agrupación buscan similitudes entre los datos y forman grupos de aquellos elementos que tienen mayores semejanzas entre ellos.

Predicción

Predice valores futuros en base a valores pasados. Si usted está buscando un estimado de la venta de café, por ejemplo, cuando la temperatura oscila entre el 0 ° C y 10 ° C, un análisis de este tipo crea una aproximación de lo que pudiera ocurrir en la próxima temporada de frío, basado en el comportamiento de los datos pasados, permitiéndole prever el servicio y el inventario.

Minería de datos dirigida y minería de datos no dirigida

Minería de datos dirigida y minería de datos no dirigida son dos tipos de minería de datos en las que se ubican las anteriores técnicas. La minería de datos es dirigida, cuando se sabe el tipo de resultado que se va a obtener, por ejemplo, un análisis de clasificación toma un atributo sobre el cual se va a basar el análisis, los valores de ese atributo ya se conocen. Por ejemplo, el atributo Resultado tiene tres valores posibles (compra, no compra, apartado), el análisis lo que hace es determinar cómo se comportan los otros atributos (que valores toman los otros atributos) de acuerdo al valor del atributo Resultado.

La minería de datos es no dirigida cuando no se conoce los posibles tipos de resultado, por ejemplo si usted va a segmentar un grupo de datos, realmente no se sabe cuántos conjuntos pueda obtener.

En el siguiente artículo trataremos los beneficios que ofrece una suite de inteligencia de negocio e iremos particularizando ejemplos para cada tipo de analítico avanzado.

Copyright © 2011 Dafne Rosso Pelayo. Todos los derechos reservados.

1.7 Pasos previos a un análisis de minería de datos.

DCC. Dafne Rosso Pelayo

La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.

En artículos anteriores hemos presentado un par de ejemplos que permiten encontrar asociaciones entre los atributos del conjunto de datos, asociaciones del tipo “A -> B” que significa que cuando ocurre el evento A entonces ocurre el evento B (ej. articulo tipo 1 -> piel: El articulo tipo 1 se vende en piel).

Este tipo de análisis asociativo permite generar estrategias de venta e incluso ver que es lo que se está vendiendo más. Sin embargo existen muchos otros tipos de análisis y es necesario darse cuenta de cuál es el más conveniente para la empresa y para los datos que posee la empresa.

Factores de Éxito

En este punto podemos encontrarnos con dos factores de éxito primordiales en las soluciones de inteligencia de negocio y estos son:

·         La preparación de los datos

·         Objetivo del análisis o de la solución de inteligencia de negocios

Hasta este momento hemos tratado temas referentes a minería de datos, en este punto es necesario hacer un alto y plantear una diferencia importantísima entre los que es la minería de datos y un sistema de descubrimiento de conocimiento en las bases de datos. Un sistema de descubrimiento de conocimiento en las bases de datos incluye la preparación de los  datos, la extracción de patrones de los datos (minería de datos) y la preparación de los modelos predictivos y/o de aprendizaje, mientras que la minería de datos se refiere sólo a la extracción de patrones en los datos.

 

Figura 1. Sistema de descubrimiento de conocimiento en las bases de datos

Ya que el lector se encuentra familiarizado con lo que es un análisis de minería de datos, ampliaremos un poco nuestro alcance y trataremos en este artículo el tema de uno de los factores de éxito más importantes en este tipo de análisis avanzado: la preparación de los datos. Es sumamente importante cuidar la validez del conjunto de datos y tener una idea clara de lo que quiere obtener, de otra manera, ¿cómo va a reconocer que ya encontró lo que estaba buscando en los datos?, si no sabe que es lo que está buscando.

Preparación de los datos

De acuerdo a los temas que intenta analizar usted deberá buscar la información adecuada, presupuesto, ventas, productos, clientes, proveedores, competencia, distribución, finanzas, o bien una mezcla de ellos.

En la mayoría de los casos esta información no se encuentra en un solo lugar, por lo que deberá ubicarla y concentrarla para proceder a la preparación de los datos. Los grandes corporativos, empresas de gobierno, empresas globales e incluso algunas PYMES medianas, ya cuentan con su información almacenada en grandes bases de datos, su trabajo consiste de igual forma en ubicar la información a procesar y crear los repositorios con la información deseada o bien los artefactos que permitan su extracción para procesarla.

En nuestro caso y punto central, si usted es una Pyme es posible que cuente con acceso a una base de datos como SQL Server, Access o MySQL, es más que suficiente, o si no basta con que concentre los datos en Excel en forma tabular.

Este paso es indispensable para generar una solución de inteligencia de negocios que involucre un análisis en los datos. Muchas empresas sub-utilizan las suites de inteligencia de negocios construyendo soluciones que son simples reporteadores de su situación pasada, en estos casos es muy factible que este paso no lo hayan realizado.

Una vez que tenga concentrada su información procedemos a la preparación de los datos la cuál consta de: validación, transformación  y selección.

Figura 2. Preparación de los datos

Validación de los datos.

Este paso se trata de un paso de limpieza y validación de la calidad de los datos, debe de determinar qué hacer en caso de que encuentre instancias que no posean un atributo, o éste se encuentre en blanco o bien que tengan ruido (datos que no se entienden, datos mal puestos). Eliminar los registros duplicados si es que existen.

Transformación de los datos.

En este paso es necesario estandarizar u homogenizar sus datos, por ejemplo si finanzas le llama a un mismo producto o región de una manera y ventas le llama de otra manera, deberá crear un estándar o metadato que ayude a la identificación de los datos de un mismo tipo.

En este paso también se extraen las características de los datos que se requieren para el análisis. Sí el tipo de análisis a efectuar requiere de datos exclusivamente numéricos, será necesario trasformar o asociar un número al dato nominal (textos) para permitir el análisis (ej. para el atributo tipo -> piel se trasforma a tipo -> 1, donde 1 significa piel).

Selección de los datos.

Una vez trasformados los datos, es necesario identificar cuál es el atributo principal o más importante en ellos, este será el principal componente del análisis. Además es necesario identificar y seleccionar  a los atributos que lo caractericen y que tengan una relación con él.

Estos pasos le pueden ayudar a crear políticas y estándares de calidad en sus datos así como mecanismos de control.

Una vez preparados los datos debemos como siguiente paso verificar cuál es el tipo de análisis que debemos efectuar en ellos.

Como se ha ido dando cuenta en este blog vamos paso a paso explicando cómo se efectúa  la construcción de sistemas de inteligencia de negocio, poniendo al alcance de las Pymes las técnicas involucradas sin recurrir a grandes inversiones.

En el siguiente artículo hablaremos del segundo factor de éxito en el desarrollo de soluciones de inteligencia de negocio, donde presentaremos los tipos de análisis que pueden ser aplicados a sus datos y qué tipo de resultados ofrecen.

1.6 Minería de datos aplicada para la Pequeña y Mediana Empresa (2a parte)

DCC. Dafne Rosso Pelayo

La inteligencia de negocio en la empresa, sólo puede lograrse mediante la adopción de medidas para alcanzarla.

Ejemplo de minería de datos

En el art 1.5 comenzamos los preparativos para realizar un análisis avanzado de datos pertenecientes a una PYME dedicada a la venta de juguetes. En este artículo vamos a presentar el uso de una herramienta libre de minería de datos conocida como WEKA. WEKA es un software de minería de datos desarrollado por la Universidad de Waikato y contiene una amplia gama de algoritmos avanzados de aprendizaje para emplearse en análisis de minería de datos.

En este caso de ejemplo de minería de datos usaremos reglas de asociación, también encontrará el término de analíticos avanzados refiriéndose a este tipo de análisis. A continuación muestro un extracto de la tabla que contiene los datos que vamos a analizar:

Tabla 1. Ejemplo de datos tabulares.

Si aún no ha realizado la instalación de la herramienta WEKA, la aplicación la puede encontrar con una búsqueda en la WEB en la página de la Universidad de Waikato.

WEKA es una herramienta muy intuitiva y fácil de usar, lo único que por el momento requiere es seguir los pasos que vamos a ir dando a continuación:

Construyendo el ejemplo paso a paso

Paso número 1: Introducir los datos de nuestro interés.

El primer paso (una vez instalada WEKA) será proporcionar el archivo que contiene los datos a analizar. El formato del archivo que emplearemos en el ejemplo es CSV, basta con grabar el archivo con los datos con este formato. Para introducir el archivo empleamos el botón a la izquierda que dice  Open file (abrir archivo).  Las imágenes podrán variar un poco de acuerdo a la versión del producto que se esté empleando. Una vez proporcionado el archivo la primera pantalla se verá dependiendo de sus datos más o menos así

Figura 1. Pantalla inicial de pre-proceso

Paso número dos: Interpretar la información.

En la pantalla que se muestra en la figura 1, podemos observar: 1) por el lado izquierdo, en forma numerada, el conjunto de atributos o campos que estamos proporcionando en nuestro archivo; 2) un conteo de los elementos pertenecientes a cada atributo y; 3) un gráfico de visualización de los datos que nos permite rápidamente encontrar dependencias a simple vista.

Este gráfico de visualización de datos nos da una asociación o dependencia entre los datos que se encuentran en la tabla y la clase o atributo que se selecciona. En el ejemplo de la figura 2, el atributo que esta seleccionado es Tipo y la clase es: Hora de compra.

Podemos deducir visual y rápidamente cual es la relación que existe entre los tipos de juguetes y la hora de su compra. Las columnas corresponden a las instancias (diferentes valores) del atributo seleccionado, en este caso, tipo de juguete. Los colores corresponden a las instancias de la clase seleccionada, en este caso, Hora de compra.  Para dar un ejemplo de interpretación, la última barra de la gráfica dice: “todos los muñecos de acción se vendieron por la noche”, mientras que la penúltima barra dice “los peluches se venden la mayoría en la tarde y la mañana”.

Paso número tres: generación de reglas de asociación

Para seleccionar un análisis avanzado de tipo asociación de datos la opción correspondiente es “Associate,” que se encuentra en las pestañas en la parte superior de la pantalla (ver Figura 1).

La pantalla que se abrirá será la que muestra la figura 2.  Bajo el botón Choose se encuentran los algoritmos o técnicas que posee WEKA para el tipo de análisis de asociación. El botón Start iniciará el análisis.

Figura 2. Pantalla de técnicas de asociación

Interpretando resultados

El análisis se ejecuta en unos cuantos segundos. A diferencia del ejemplo que dimos en el artículo 1.3, el algoritmo “Apriori” realiza más iteraciones  que las que hubiéramos obtenido de hacer nuestro cálculo manual como en el ejemplo 1.3. (En este caso 11 atributos implica  11 -1 = 10 iteraciones ó conjuntos de datos ó itemsets). Apriori itera hasta que encuentra un grado de confianza adecuado para el número de reglas solicitado. Estos parámetros se encuentran al dado derecho del nombre del algoritmo –N 10 indica 10 reglas que es el default y –C .9 sitúa el mínimo grado aceptado de confianza en .9.  

WEKA con los parámetros por default que emplea se asegura que el grado de confianza de las reglas sea adecuado, independientemente del algoritmo seleccionado. Al igual de que realizará para cada algoritmo, el número de iteraciones necesarias para alcanzar el grado de confianza adecuado, así que no tenemos en este momento que preocuparnos por conocer todos los parámetros de los algoritmos y podemos manejar los defaults de WEKA.

La siguiente figura muestra el resultado de la ejecución.

Figura 3. Resultados de la técnica de asociación

Regla	Tipo de Juguete	Descripción de la regla	Algoritmo : A priori
Bélico = no aplica  -> Energía = No aplica	Cualquier tipo de juguete	Juguetes no bélicos y que no usen pilas	Grado de confianza de 1
(Edad = 4 a 8 años & Bélico = no aplica )-> Energía No aplica	Cualquier tipo de juguete de 4 a 8 años	Juguetes no bélicos y que no usen pilas
(Bélico = no aplica y capacidad2 = efecto sonoro) -> Energía ->No aplica	Cualquier tipo de juguete	Juguetes no bélicos y que tengan efectos de sonido que no usen pilas
Tipo construcción -> Bélico = no aplica & energía = no pilas & capacidad 3= no se mueve , no suena y no habla	Construcción	Los que buscan juguetes no bélicos y que no usen pilas prefieren los juguetes de construcción
			Algoritmo : PredictiveApriori
Tipo de pago=12 meses   è Capacidad 2=efecto sonoro	Cualquier tipo de juguete	Quien paga a 12 meses normalmente lleva juguetes de efecto sonoro	Grado de confianza de .98
Tipo=construcción Tipo de pago=contado  è Rango Precio=50-100	Construcción	Juguetes de construcción  se pagan de contado si su precio está en 50-100 pesos
Tipo=muñeca/muñeco acción  &  Rango Precio=300-500 & Capacidad 2=efecto sonoro è Tipo de pago=12 meses	muñeca/muñeco acción	Las compras de muñecas de acción en precio de 300-500 pesos y con efectos de sonido se pagan a 12 meses	Grado de confianza de .97
Hora de compra=tarde >12 y <4 19 è Rango Precio=101-300 Energía=n/a	Cualquier tipo de juguete	En la tarde de 12 a 4 se compran la mayoría de juguetes entre 101-300 pesos

Comentarios finales

Recuerde que este blog está orientado a brindarle a las PYMES elementos con los que puedan realizar sus análisis. El alcance de este artículo es mostrar cómo se pueden realizar análisis de minería de datos usando reglas de asociación, al estilo hágalo usted mismo. El análisis y descripción de los algoritmos no está, en esta ocasión, dentro del alcance de este artículo.

El uso de las herramientas libres de análisis avanzados como WEKA, está al alcance de cualquier persona que maneje una computadora y una hoja de cálculo. No es indispensable (como un niño con un control remoto) que conozca y domine los algoritmos que incluyen las herramientas. Pero si es indispensable que sepa qué tipo de análisis requiere y qué tipo de resultados arroja.

En este blog proporcionaremos la información necesaria para que usted se familiarice con este tipo de análisis y pueda implementarlos es su empresa. Si tiene dudas al respecto, con mucho gusto nos ponemos a sus órdenes en el correo daf.rosso@gmail.com para apoyarlo. 

En el siguiente artículo, veremos cómo se integran este tipo de análisis de minería de datos a una solución integral de inteligencia de negocio, adicionalmente empezaremos a platicar otros tipos de analíticos avanzados.

Copyright © 2011 Dafne Rosso Pelayo. Todos los derechos reservados.

A continuación presentamos un extracto de las reglas encontradas con dos diferentes tipos de algoritmos de asociación que maneja WEKA.