Datawarehousing y datamining

Podemos considerar que las herramienta Datawarehousing y datamining son un gran almacén de datos, en el que se integran datos procedentes de varias fuentes.

Al hablar de «Datamining» (minería de datos) se hace referencia a técnicas avanzadas que permiten detectar y modelizar relaciones entre los datos y obtener información evidente.

Para saber los patrones de consumo, predicción del comportamiento de los clientes, asociaciones de productos, etc.

Un sistema de Datawarehouse consta de tres elementos esenciales:

Recogida y gestión de grandes volúmenes de datos:

Para un buen funcionamiento, Usaremos la Tecnología de Datawarehousing.

Análisis de los datos:

Para ecnología OLAP y herramientas de Datamining.

Las herramientas de explotación del Datawarehousing y datamining facilitan el análisis de los datos acumulados para generar informes y gráficos.

En este apartado Podemos distinguir tres grandes grupos de herramientas disponibles para la explotación del Datawarehouse:

Datawarehousing y datamining
Datamining

Herramientas Datawarehousing y datamining

Herramientas «Queries and Reporting»:

Estas son las típicas herramientas de generación de consultas e informes de los sistemas de bases de datos relacionales, que nos permiten generar informes predefinidos , así como preparar consultas «ad-hoc».

Análisis Multidimensional (OLAP: On une Analytical Processing):

Los Anásilis OLAP son herramientas que facilitan el análisis de los datos a través de dimensiones y de jerarquías), y que utilizan consultas rápidas predefinidas y subtotales previamente calculados.

Herramientas de «Datamining»

Entonces diremos qué las herramientas de «Datamining» son técnicas avanzadas que permiten detectar y modelizar relaciones entre los datos y poder obtener información no evidente

Análisis de la cesta de la compra y de asociaciones de productos.

La información obtenida se suele utilizar en el diseño de catálogos de productos; (se trataría en este caso de distanciar los productos que se suelen comprar conjuntamente.

Con lo que se incrementa la posibilidad de que incorpore más productos a su cesta de la compra.

Clasificación de clientes:

Sirven para la identificación del grupo al que pertenece un determinado cliente.

Segmentación y agrupamiento de clientes (clustering):

En este caso, la clasificación nos resulta de interés, por ejemplo, para el análisis de riesgos en operaciones a crédito.

Esta herramienta, (clustering), por lo tanto, nos sirve para la identificación de grupos con patrones de comportamiento similares.

Con esta información es posible llegar a predecir el comportamiento de los clientes.

Integración con los principales proveedores y clientes:

A los que se pueden facilitar accesos a la red privada virtual, para fortalecer y mejorar la relación.

Y , Para que así podamos centrar sus esfuerzos en el análisis de la información obtenida.

Con estas herramientas se profundiza en el conocimiento del comportamiento de los clientes.

Porqué permite personalizar la oferta y conseguir una mayor eficacia.

Y tambien dado que la información se encuentra disponible en series temporales, a partir de la acumulación de los datos del negocio y de la experiencia de la organización.

Entonces, es posible detectar, entonces, tendencias, y realizar previsiones de cara al futuro.

Ejemplos minería de datos

La minería de datos es el proceso que sirve para hallar anomalías, patrones y correlaciones en grandes conjuntos de datos para predecir resultados.

Con los Sistemas de Datawarehousing/Datamining los directivos pueden disponer de la información necesaria en muy poco tiempo y con el mínimo esfuerzo. Aquí puedes informarte

Deja un comentario