Ejemplos de data mining, minería de datos; aplicaciones.La capacidad predictiva de la minería de datos ha cambiado el diseño de las estrategias comerciales. Ahora, puedes entender el presente para anticipar el futuro. Estos son algunos ejemplos de minería de datos en la industria actual.
Marketing
La minería de datos se utiliza para explorar bases de datos cada vez más grandes y para mejorar la segmentación del mercado. Al analizar las relaciones entre parámetros como la edad del cliente, el género, los gustos, etc., es posible adivinar su comportamiento para dirigir campañas de lealtad personalizadas. La minería de datos en marketing también predice qué usuarios pueden darse de baja de un servicio, qué les interesa según sus búsquedas o qué debe incluir una lista de correo para lograr una tasa de respuesta más alta.
Al por menor
Los supermercados, por ejemplo, utilizan patrones de compra conjunta para identificar asociaciones de productos y decidir cómo colocarlos en los pasillos y en los estantes. La minería de datos también detecta qué ofertas son más valoradas por los clientes o aumentan las ventas en la cola de pago.
Bancario
Los bancos utilizan la minería de datos para comprender mejor los riesgos del mercado. Se aplica comúnmente a las calificaciones crediticias y a los sistemas inteligentes contra el fraude para analizar transacciones, transacciones con tarjeta, patrones de compra y datos financieros del cliente. La minería de datos también permite a los bancos obtener más información sobre nuestras preferencias o hábitos en línea para optimizar el rendimiento de sus campañas de marketing, estudiar el rendimiento de los canales de venta o gestionar las obligaciones de cumplimiento normativo.
Medicina
La minería de datos permite diagnósticos más precisos. Tener toda la información del paciente, como registros médicos, exámenes físicos y patrones de tratamiento, permite prescribir tratamientos más efectivos. También permite una gestión más eficaz, eficiente y rentable de los recursos de salud mediante la identificación de riesgos, la predicción de enfermedades en ciertos segmentos de la población o la previsión de la duración del ingreso hospitalario. La detección de fraudes e irregularidades y el fortalecimiento de los lazos con pacientes con un mayor conocimiento de sus necesidades también son ventajas de utilizar la minería de datos en medicina.
Algunos algoritmos de aprendizaje automático se pueden aplicar en el campo de la medicina como herramientas de diagnóstico de segunda opinión y como herramientas para la fase de extracción de conocimiento en el proceso de descubrimiento de conocimiento en bases de datos . Uno de estos clasificadores (llamado Clasificador de aprendizaje ejemplar prototipo ( PEL-C ) es capaz de descubrir síndromes y casos clínicos atípicos).
Un campo médico actual que utiliza el proceso de minería de datos es la metabolómica , que es la investigación y el estudio de moléculas biológicas y cómo se caracteriza su interacción con fluidos corporales, células, tejidos, etc. La metabolómica es un tema muy pesado en datos y, a menudo, implica examinar cantidades masivas de datos irrelevantes antes de encontrar conclusiones. La minería de datos ha permitido que este campo relativamente nuevo de investigación médica crezca considerablemente en la última década, y probablemente será el método por el cual se encontrarán nuevas investigaciones en el tema.
En 2011, el caso de Sorrell v. IMS Health, Inc. , decidido por la Corte Suprema de los Estados Unidos , dictaminó que las farmacias pueden compartir información con compañías externas. Esta práctica fue autorizada bajo la 1ra Enmienda de la Constitución , protegiendo la «libertad de expresión». Sin embargo, la aprobación de la Ley de Tecnología de la Información de Salud para la Salud Económica y Clínica (Ley HITECH) ayudó a iniciar la adopción del registro electrónico de salud (EHR) y la tecnología de apoyo en los Estados Unidos. La Ley HITECH se convirtió en ley el 17 de febrero de 2009 como parte de la Ley de Recuperación y Reinversión de los Estados Unidos (ARRA) y ayudó a abrir la puerta a la extracción de datos médicos.Antes de la firma de esta ley, las estimaciones de solo el 20% de los médicos con sede en los Estados Unidos estaban utilizando registros electrónicos de pacientes. Søren Brunak señala que «el registro del paciente se vuelve tan rico en información como sea posible» y, por lo tanto, «maximiza las oportunidades de extracción de datos». Por lo tanto, los registros electrónicos del paciente amplían aún más las posibilidades con respecto a la extracción de datos médicos, abriendo así la puerta a Una gran fuente de análisis de datos médicos.
Televisión y radio
Hay redes que aplican la minería de datos en tiempo real para medir sus audiencias de radio y televisión en línea (IPTV) . Estos sistemas recopilan y analizan, sobre la marcha, información anónima de vistas de canales, transmisiones y programación. La minería de datos permite a las redes hacer recomendaciones personalizadas a los oyentes de radio y televidentes, así como conocer sus intereses y actividades en tiempo real y comprender mejor su comportamiento. Las redes también obtienen un valioso conocimiento para sus anunciantes, que utilizan estos datos para dirigirse a sus clientes potenciales con mayor precisión.
Negocios
En los negocios, la minería de datos es el análisis de actividades comerciales históricas, almacenadas como datos estáticos en bases de datos de almacenamiento de datos. El objetivo es revelar patrones y tendencias ocultos. El software de minería de datos utiliza algoritmos avanzados de reconocimiento de patrones para filtrar grandes cantidades de datos para ayudar a descubrir información comercial estratégica previamente desconocida. Ejemplos de para qué las empresas usan la minería de datos es incluir análisis de mercado para identificar nuevos paquetes de productos, encontrar la causa raíz de los problemas de fabricación, evitar la pérdida de clientes y adquirir nuevos clientes, realizar ventas cruzadas a clientes existentes y perfilar clientes con mayor precisión .
- En el mundo actual, las empresas recopilan datos sin procesar a un ritmo vertiginoso. Por ejemplo, Walmart procesa más de 20 millones de transacciones en puntos de venta todos los días. Esta información se almacena en una base de datos centralizada, pero sería inútil sin algún tipo de software de minería de datos para analizarla. Si Walmart analizara sus datos de punto de venta con técnicas de minería de datos, podrían determinar las tendencias de ventas, desarrollar campañas de marketing y predecir con mayor precisión la lealtad del cliente. Uno de esos ejemplos para Walmart sería el de los pañales y la venta de cerveza, descubiertos a través de la minería de datos.
- La categorización de los artículos disponibles en el sitio de comercio electrónico es un problema fundamental. Un sistema de categorización de elementos correcto es esencial para la experiencia del usuario, ya que ayuda a determinar los elementos relevantes para él para la búsqueda y navegación. La categorización de elementos se puede formular como un problema de clasificación supervisado en la minería de datos, donde las categorías son las clases objetivo y las características son las palabras que componen una descripción textual de los elementos. Uno de los enfoques es encontrar grupos inicialmente que sean similares y colocarlos juntos en un grupo latente. Ahora dado un nuevo elemento, primero clasifíquelo en un grupo latente que se llama clasificación de nivel grueso. Luego, realice una segunda ronda de clasificación para encontrar la categoría a la que pertenece el elemento.
- Cada vez que se utiliza una tarjeta de crédito o una tarjeta de fidelidad de la tienda, o se llena una tarjeta de garantía, se recopilan datos sobre el comportamiento del usuario. Muchas personas encuentran inquietante la cantidad de información almacenada sobre nosotros de compañías como Google, Facebook y Amazon, y les preocupa la privacidad. Aunque existe la posibilidad de que nuestros datos personales se usen de manera nociva o no deseada, también se utilizan para mejorar nuestras vidas. Por ejemplo, Ford y Audi esperan algún día recopilar información sobre los patrones de manejo de los clientes para poder recomendar rutas más seguras y advertir a los conductores sobre las condiciones peligrosas de las carreteras.
- La minería de datos en las aplicaciones de gestión de relaciones con el cliente puede contribuir de manera significativa al resultado final. En lugar de contactar al azar a un cliente potencial o cliente a través de un centro de atención telefónica o enviar un correo, una empresa puede concentrar sus esfuerzos en los clientes potenciales que tienen una alta probabilidad de responder a una oferta. Se pueden utilizar métodos más sofisticados para optimizar los recursos en todas las campañas, de modo que se pueda predecir a qué canal y a qué oferta es más probable que responda un individuo (en todas las ofertas potenciales). Además, se podrían utilizar aplicaciones sofisticadas para automatizar el envío de correos. Una vez que se determinan los resultados de la extracción de datos (posible cliente / cliente potencial y canal / oferta), esta «aplicación sofisticada» puede enviar automáticamente un correo electrónico o un correo ordinario. Finalmente, en los casos en que muchas personas tomarán una acción sin una oferta, » modelado de elevación»se puede utilizar para determinar qué personas tienen el mayor aumento en la respuesta si se les ofrece una oferta. El modelado de Uplift permite a los especialistas en marketing enfocar los correos y las ofertas en personas persuadibles, y no enviar ofertas a las personas que comprarán el producto sin una oferta. Datos La agrupación también se puede utilizar para descubrir automáticamente los segmentos o grupos dentro de un conjunto de datos del cliente.
- Las empresas que emplean la minería de datos pueden ver un retorno de la inversión, pero también reconocen que la cantidad de modelos predictivos puede volverse muy grande rápidamente. Por ejemplo, en lugar de utilizar un modelo para predecir cuántos clientes abandonarán , una empresa puede optar por construir un modelo separado para cada región y tipo de cliente. En situaciones donde se necesita mantener una gran cantidad de modelos, algunas empresas recurren a metodologías de minería de datos más automatizadas.
- La minería de datos puede ser útil para los departamentos de recursos humanos (RR. HH.) Al identificar las características de sus empleados más exitosos. La información obtenida, como las universidades a las que asisten empleados altamente exitosos, puede ayudar a los recursos humanos a enfocar los esfuerzos de reclutamiento en consecuencia. Además, las aplicaciones de Gestión Empresarial Estratégica ayudan a una empresa a traducir los objetivos a nivel corporativo, como los objetivos de participación en los márgenes y las ganancias, en decisiones operativas, como los planes de producción y los niveles de fuerza laboral.
- El análisis de la cesta de la compra se ha utilizado para identificar los patrones de compra de Alpha Consumer . El análisis de los datos recopilados sobre este tipo de usuario ha permitido a las compañías predecir tendencias de compra futuras y pronosticar las demandas de oferta.
La minería de datos es una herramienta muy efectiva en la industria del marketing por catálogo. Los catalogadores tienen una rica base de datos de la historia de las transacciones de sus clientes para millones de clientes que datan de varios años. Las herramientas de minería de datos pueden identificar patrones entre los clientes y ayudar a identificar a los clientes más probables para responder a las próximas campañas de correo. - La minería de datos para aplicaciones comerciales puede integrarse en un proceso complejo de modelado y toma de decisiones. Lion solver utiliza la inteligencia empresarial reactiva (RBI) para abogar por un enfoque «holístico» que integre la minería de datos, el modelado y la visualización interactiva en un proceso de descubrimiento continuo e innovación continua impulsado por el aprendizaje humano y automatizado.
En el área de la toma de decisiones , el enfoque RBI se ha utilizado para extraer el conocimiento que se adquiere progresivamente del tomador de decisiones, y luego autoajustar el método de decisión en consecuencia. La relación entre la calidad de un sistema de minería de datos y la cantidad de inversión que el tomador de decisiones está dispuesto a hacer se formalizó al proporcionar una perspectiva económica sobre el valor del «conocimiento extraído» en términos de su rentabilidad para la organización. Este marco de clasificación teórico de decisión se aplicó a una línea de fabricación de obleas de semiconductores del mundo real, donde se desarrollaron reglas de decisión para monitorear y controlar efectivamente la línea de fabricación de obleas de semiconductores. - En el documento «Datos de prueba de minería de circuitos integrados para optimizar las pruebas de VLSI» se describe un ejemplo de minería de datos relacionada con una línea de producción de circuito integrado (IC). En este documento, se describe la aplicación de la minería de datos y el análisis de decisiones al problema de las pruebas funcionales a nivel de matriz. Los experimentos mencionados demuestran la capacidad de aplicar un sistema de extracción de datos históricos de pruebas de troquel para crear un modelo probabilístico de patrones de falla de troquel. Estos patrones se utilizan para decidir, en tiempo real, qué morir para probar a continuación y cuándo detener la prueba. Se ha demostrado que este sistema, basado en experimentos con datos de pruebas históricas, tiene el potencial de mejorar las ganancias en productos de CI maduros. Otros ejemplos.La aplicación de metodologías de minería de datos en entornos de fabricación de semiconductores sugiere que las metodologías de minería de datos pueden ser particularmente útiles cuando los datos son escasos, y los diversos parámetros físicos y químicos que afectan el proceso exhiben interacciones altamente complejas. Otra implicación es que el monitoreo en línea del proceso de fabricación de semiconductores utilizando la minería de datos puede ser altamente efectivo.
Ciencia e ingeniería
En los últimos años, la minería de datos se ha utilizado ampliamente en las áreas de ciencia e ingeniería, como bioinformática , genética , medicina , educación e ingeniería de energía eléctrica .
- En el estudio de la genética humana, la minería de secuencias ayuda a abordar el objetivo importante de comprender la relación de mapeo entre las variaciones interindividuales en la secuencia de ADN humano y la variabilidad en la susceptibilidad a la enfermedad. En términos simples, su objetivo es descubrir cómo los cambios en la secuencia de ADN de un individuo afectan los riesgos de desarrollar enfermedades comunes como el cáncer , que es de gran importancia para mejorar los métodos de diagnóstico, prevención y tratamiento de estas enfermedades. Un método de minería de datos que se utiliza para realizar esta tarea se conoce como reducción de dimensionalidad multifactorial .
- En el área de la ingeniería de energía eléctrica, los métodos de minería de datos se han utilizado ampliamente para el monitoreo del estado de equipos eléctricos de alto voltaje. El propósito del monitoreo de la condición es obtener información valiosa sobre, por ejemplo, el estado del aislamiento (u otros parámetros importantes relacionados con la seguridad). Técnicas de agrupación de datos , como el mapa autoorganizado(SOM), se han aplicado al monitoreo y análisis de vibraciones de los cambiadores de tomas bajo carga del transformador (OLTCS). Mediante el monitoreo de la vibración, se puede observar que cada operación de cambio de toma genera una señal que contiene información sobre la condición de los contactos del cambiador de tomas y los mecanismos de accionamiento. Obviamente, diferentes posiciones de tap generarán diferentes señales. Sin embargo, hubo una considerable variabilidad entre las señales de condición normal para exactamente la misma posición de tap. SOM se ha aplicado para detectar condiciones anormales y para formular hipótesis sobre la naturaleza de las anomalías.
- Los métodos de minería de datos se han aplicado al análisis de gas disuelto (DGA) en transformadores de potencia . DGA, como diagnóstico para transformadores de potencia, ha estado disponible durante muchos años. Se han aplicado métodos como SOM para analizar los datos generados y para determinar tendencias que no son obvias para los métodos estándar de relación DGA (como el triángulo de Duval).
- En la investigación educativa, donde la minería de datos se ha utilizado para estudiar los factores que llevan a los estudiantes a elegir comportamientos que reducen su aprendizaje, y a comprender los factores que influyen en la retención de los estudiantes universitarios. Un ejemplo similar de aplicación social de la minería de datos es su uso en sistemas de búsqueda de experiencia , mediante el cual se extraen, normalizan y clasifican descriptores de experiencia humana para facilitar la búsqueda de expertos, particularmente en los campos científicos y técnicos. De esta manera, la minería de datos puede facilitar la memoria institucional .
- Métodos de minería de datos de datos biomédicos facilitados por ontologías de dominio , minería de datos de ensayos clínicos, y análisis de tráfico utilizando SOM.
En la vigilancia de reacciones adversas a los medicamentos, el Centro de Monitoreo de Uppsala , desde 1998, ha utilizado métodos de minería de datos para evaluar rutinariamente los patrones de informes indicativos de problemas emergentes de seguridad de los medicamentos en la base de datos global de la OMS de 4,6 millones de presuntos incidentes adversos de reacciones a los medicamentos . Recientemente, se ha desarrollado una metodología similar para extraer grandes colecciones de registros de salud electrónicos para patrones temporales que asocian recetas de medicamentos a diagnósticos médicos.
La minería de datos se ha aplicado a artefactos de software en el ámbito de la ingeniería de software : repositorios de software de minería
Leer también: ¿Que hace el software de análisis de texto, minería de texto o analísis de texto; ¿Qué es el análisis de texto, extracción de textos o minería de textos?
This post is also available in:
Español
