01 Data Mining

8/12/2019 01 Data Mining

1/27

Torturando a los datos para que nos

digan la verdad

Curso Taller Minera de Datos

Aplicaciones en Marketing

1


2/27

www.dataminingperu.com

Esquema del Curso TallerData Mining

2

Herramientas:- SPSS

- Excel

- SQL Server

- Rapid Miner
http://www.dataminingperu.com/http://www.dataminingperu.com/


3/27


Introduccin

Jonny Chambi Canahuire. MBA por la Universidad Peruana de Ciencias

Aplicadas. Master en Marketing y Gestin Comercial. Bachiller en Ingeniera

Estadstica por la Universidad Nacional de Ingeniera. Con experiencia en

ms de 8 aos en la construccin de modelos analticos para la gestin

Comercial.

Wilson Arias Huamani. Bachiller de Ingeniera Estadstica por la UniversidadNacional de Ingeniera. Con experiencia en el desarrollo de modelos de

riesgo crediticio para entidades bancarias. Ha desarrollado su trabajo en

entidades como Banco Falabella, Banco Interbank y BBVA Banco

Continental.

3


4/27

I - Introduccin

Curso Taller Minera de Datos

Aplicaciones en Marketing

4


5/27


Introduccin

5


6/27

Qu es Business Intelligence?

Conjunto de estrategias y herramientas enfocadas a la administracin y

creacin de conocimiento mediante el anlisis de datos exi stentes en laorganizacin o empresa.

6


7/27

Que es la Minera de Datos?

Consiste en la extraccin no trivial de inform acin que reside de manera implcita en

los datos.

La minera de datos prepara, son dea y explora los datos para extraer la informacin

oculta en ellos. Data mining is a multi-disciplinary field which combines statistics, machine learning,

artificial intelligence and database technology.

7


8/27

Que es Big Data?

8


9/27

Reportes

Estndar

Reportes

Ad Hoc

Query

Drill Down

Alertas

Anlisis

Estadstico

Pronostico

Modelado

Predictivo

Optimizacin

Grado de Inteligencia

ValoralNegocio

Que paso?

Por qu Paso?

Qu va a pasar?

Cmo me preparo?

Niveles de Anlisis

9


10/27

Tipos de Anlisis

Para Explicar

el Pasado

Univariado

Bivariado

Categrico

Numrico

- Totales y Porcentajes

- Grficos: Barra y Pie

- Min, Max, Media, Mediana, Moda

- Rangos Intercuartilicos, Varianza,Desviacin Estndar, Coeficiente de

Variacin

- Kurtosis y Asimetria

- Grficos: Histograma y Cajas (Boxplot)

Categrico Vs

Categrico

Numrico Vs

Numrico

Categrico Vs

Numrico

- Chi Cuadrado

- Grficos: Barras y de dos Ejes

- Correlacin

- Scatter Plot (Dispersin)

- Z Test, T Test, ANOVA

- Grficos: Barras y Lneas

10


11/27

Anlisis de Variables Nmericas

11

Univariate Analysis - Numerical

Estadstico Visualizacin Ecuacin Descripcin

Total Histograma N Nmero de observaciones de la variable

Mnimo Box Plot Min El menor valor de la variable

Mximo Box Plot Max El mximo valor de la variable

Media Box Plot La suma de todos los valores de la variable dividida entre la suma

Mediana Box PlotEl valor central. La mediana divide a la variable en dos partes iguales

por debajo y arriba de este valor.

Moda Histograma El valor ms frecuente de la variable. Puede ser no nico.

Cuantiles Box PlotConjunto de puntos de corte que dividen a la muestra en partes iguales

(Cuartiles, Quintiles, Percentiles)

Rango Box Plot Max-Min La diferencia entre el mximo y el mnimo

Varianza Histograma El indicador de la dispersin de la variable.

Desviacin Estandar Histograma La raz cuadrada de la Varianza. Se expresa en las mismas unidades .

Coeficiente de Variacin Histograma La dispersin expresada en funcin a la media.

Coef. de Asimtra HistogramaSirve para identificar si una distribucin es asimetrca o no, con

respecto a la media.

Kurtosis HistogramaEstadstico que sirve para medir cuanto se asemeja a una distribucin

normal.


12/27

Tipos de Anlisis

Para Predecir

el Futuro

Clasificacin

Segmentacin

Arboles de

Decisin

Regresin

Logstica

Reglas de

Asociacin

SVM

Redes

Neuronales

Naive Baues

Aglomerativa

Divisiva

K-means

EstimacinRegresin

Mltiple

12


13/27

Funciones o Tareas del DM

Clasificacin

Clasificar si un cliente desea adquirir una tarjeta de crdito o un producto especifico.

Se pueden clasificar en ms de dos niveles.

Estimacin

Predecir un valor no conocido y que sea de carcter continuo.

Ejemplo: Un estimador de Ingresos.

Prediccin

Estrictamente es la tarea de identificar un valor en el futuro.

Demanda de un producto, Estimacin de precios. Estimacin del valor de una accin en el mercado.

Clustering

Segmentacin. Se trata de dividir los registros en grupos heterogneos y que son homogeneos dentro delos mismos.

Segmentacin por estilos de vida.

Asociacin

Conocido tambien como Market Basket Analysis. Consiste en encontrar registros que de forma natural seles puede encontrar juntos. Estos puedes ser productos, transacciones, secuencias de operaciones, etc.

13


14/27

Minera de Datos Tareas: Clasificacin

14

Mtodos que permiten determinar la clase de un objeto previamentedefinido.

Tcnicas

Estadstica,

Arboles de Decisin

Bayes Redes Neuronales

Anlisis de Regresin

...

Como clasificaruna nueva

observacin?X

Y


15/27

Clasificacin: Regresin Lineal

15

La regresin calcula

coeficiente wi para

minimizar el error

cuadrtico en el ajuste de

la ecuacin lineal. No es lo suficientemente

flxible

w0 + w1x + w2y >= 0

X

Y


16/27

Tcnicas de Clasificacin: Arboles de Decisin

16

X

Y

52

3

Si X > 5 Entonces Azul

Sino Y > 3 Entonces Azul Sino X > 2 Entonces Naranja

Sino Azul

Regla de Decisin


17/27

Clasificacin: Redes Neuronales

17

Se pueden elegir regiones ms

complejas.

Pueden ser ms precisas.

Sin embargo, puedesobreajustar la data. Encontrar

patrones en data totalmente

aleatoria.

X

Y


18/27

Tareas del Data Mining: Clustering

18

El Objetivo es encontrar agrupaciones naturales sobre elementos no

clasificados.

X

Y


19/27

Aplicaciones de la Minera de Datos

Banca y Finanzas

Determinacin de Fraude con el uso de Tarjetas de Crdito

Generacin de Score de Riesgos para clientes morosos.

Determinacin del Gasto en Tarjetas de Crdito por Grupos

Retail

Analisis de Canasta

Segmentacin de Clientes

Propensin a la compra de Productos Estrella Estimacin de Stocks

Telecomunicaciones

Establecimiento de Patrones de Llamadas

Modelo de Carga en Redes

Deteccin de Fraude

Seguros y Salud

Prediccin de clientes que contratan nuevas plizas

Identificacin de Comportamiento Fraudulento

Identificacin de patrones de comportamiento para clientes con riesgo.

19


20/27

Mejorar las campaas de marketing

para la venta de Tarjetas de Crdito.

Problema de Negocio

Mejorar la gestin de los clientes en

base al uso del producto.

Identificar los clientes con mayor

valor potencial.

Evitar la cancelacin de los mejores

clientes.

Mejorar los ratios de mora de los

clientes de tarjeta de crdito.

Generar un modelo de propensin

para la compra.

Modelo de segmentacin por uso.

Generar un modelo de Valor de

cliente. Segmentacin por valor.

Generar un modelo de Churn o de

fuga de clientes.

Generar un modelo de riesgo

crediticio.

Problema de Minera de Datos

Ejemplos de Minera de Datos

20


21/27

Herramientas

Comerciales

Open Source

http://www.r-project.org/

http://www.cs.waikato.ac.nz/ml/weka/

http://rapid-i.com/

http://orange.biolab.si/

21
http://www.r-project.org/http://www.cs.waikato.ac.nz/ml/weka/http://rapid-i.com/http://orange.biolab.si/http://orange.biolab.si/http://rapid-i.com/http://rapid-i.com/http://rapid-i.com/http://www.cs.waikato.ac.nz/ml/weka/http://www.r-project.org/http://www.r-project.org/http://www.r-project.org/http://orange.biolab.si/


22/27

Herramientas ms Utilizadas de Data Mining

22

Fuente: 5th Annual Data Miner Survey www.rexeranalytics.com
http://www.rexeranalytics.com/http://www.rexeranalytics.com/


23/27

Diferencias entre las Herramientas

23

Fuente: 5th Annual Data Miner Survey www.rexeranalytics.com

Que se requiere para tener xito en minera de
http://www.rexeranalytics.com/http://www.rexeranalytics.com/


24/27

Que se requiere para tener xito en minera de

Datos?

24

Experiencia en

Tema o negocio

Datos Modelos

Analticos


25/27

Transformar los Datos

Actuar

Medir los resultados

Identificar

En informacin accionable

usando tcnicas de MD

Con la informacin disponible

Sobre los esfuerzos, para

completar el ciclo de

aprendizaje.

Las oportunidades de negocio,

donde el anlisis de los datos

puede proporcionar valor.

El virtuoso ciclo de la Minera de Datos

25


26/27


Consultas

Realiza una Consulta

26
http://www.dataminingperu.com/http://www.dataminingperu.com/Contactenos.htmlhttp://www.dataminingperu.com/Contactenos.htmlhttp://www.dataminingperu.com/Contactenos.htmlhttp://www.dataminingperu.com/


27/27

Contacto

@jonnychambi

facebook/jonny.chambi

linkedin.com/in/jonnychambi

[email protected]

27

01 Data Mining

Documents

Transcript of 01 Data Mining