![\"Tecniche](\"https:\/\/www.egon.com\/wp-content\/uploads\/2017\/07\/596f6ca805abb_correzione-indirizzi-scorretti.jpg\" "\\"Tecniche")
Valorizar la informaci\u00f3n de empresa incluida en grandes dep\u00f3sitos de datos es uno de los objetivos m\u00e1s conocidos del data mining<\/span>. Pero las potencialidades de las t\u00e9cnicas, de las metodolog\u00edas y de los ejemplos que forman parte de la definici\u00f3n de data mining van mucho m\u00e1s all\u00e1 de la simple valorizaci\u00f3n de datos. En este art\u00edculo nos concentraremos en el marketing y en lo que puedes hacer t\u00fa mismo para promover tu empresa o tu negocio, incluso online, gracias al data mining.\u00a0En la lista de las 10 t\u00e9cnicas y ejemplos pr\u00e1cticos<\/span>\u00a0seleccionados hemos dado voz a recursos y enlaces de profundizaci\u00f3n de forma que todos puedan conocer mejor este \u00e1mbito vasto y en continua evoluci\u00f3n. Aprovechando las t\u00e9cnicas e inspir\u00e1ndote en los ejemplos que te mostraremos dentro de poco, ser\u00e1s capaz de potenciar y refinar tu estrategia de marketing y destacar de la competencia. \u00a1Empecemos!<\/p>\n1) CLUSTERING ANALYSIS PARA IDENTIFICAR GRUPOS OBJETIVO<\/p>\n
El an\u00e1lisis cluster permite identificar dentro de un archivo un determinado grupo de usuarios seg\u00fan caracter\u00edsticas comunes. Estas caracter\u00edsticas pueden ser la edad, la procedencia geogr\u00e1fica, el t\u00edtulo de estudio, etc. Se trata de una t\u00e9cnica de data mining que en el marketing es \u00fatil para segmentar la base de datos y enviar, por ejemplo, una cierta promoci\u00f3n al objetivo apropiado para ese producto o servicio (j\u00f3venes, madres, jubilados, etc.). Las combinaciones de variables son infinitas y hacen que el an\u00e1lisis cluster sea m\u00e1s o menos selectivo seg\u00fan las exigencias de b\u00fasqueda.<\/p>\n
Recursos importantes:<\/p>\n
\u2013\u00a0Cluster Analysis by Jmp \u2013\u00a0La Cluster Analysis<\/a>\u00a0[PDF ITA]\n \u2013\u00a0Tutorial Cluster Analysis by Origine Lab<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining \u2013 Cluster Analysis by Tutorials Point<\/a><\/p>\n \u2013\u00a0Cluster Analysis for Market Segmentation<\/a>\u00a0 [SLIDE ENG]\n Prever el futuro es el sue\u00f1o de cualquier profesional de marketing. Sin sacar la bola de cristal tenemos de nuestra parte el an\u00e1lisis de regresi\u00f3n, una t\u00e9cnica de data mining gracias a la cual estudiar cambios, costumbres, nivel de satisfacci\u00f3n de los clientes y otros factores relacionados con par\u00e1metros como el presupuesto de una campa\u00f1a publicitaria o similares. Cuando modifiques uno de estos par\u00e1metros tendr\u00e1s una idea bastante veros\u00edmil de lo que le ocurrir\u00e1 a tu p\u00fablico de usuarios.<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Regression Analysis \u2013 predicting the future by Michael Pawlicki<\/a>\u00a0 [ENG]\n \u2013\u00a0Regression Analysis \u2013 by b2binternational<\/a>\u00a0 [ENG]\n \u2013\u00a0TECHNIQUE #9: Regression Analysis by Marketing Profs<\/a>\u00a0 [ENG]\n \u2013\u00a0The Use Of Regression Analysis In Marketing Research by IDEAS<\/a>\u00a0 [ENG]\n \u00bfC\u00f3mo clasificar un e-mail de respuesta de un cliente? Y \u00bfc\u00f3mo identificar posibles correspondencias entre compradores potenciales de tus productos antes y despu\u00e9s de una campa\u00f1a publicitaria? La respuesta es una: an\u00e1lisis clasificatorio, la t\u00e9cnica de data mining que permite reconocer los llamados pattern (esquemas que se repiten) dentro de una base de datos. Una soluci\u00f3n eficaz para que rinda m\u00e1s tu estrategia de marketing, eliminar lo superfluo y crear subarchivos optimizados. \u2013\u00a0Classification Analysis by Berkley<\/a>\u00a0 [ENG]\n \u2013\u00a0Principal Components & Classification Analysis by Statistica<\/a>\u00a0 [ENG]\n \u2013\u00a0Data mining: classification and analysis<\/a>\u00a0 [ENG]\n Cada negocio, por grande o peque\u00f1o que sea, tiene que afrontar a diario las consecuencias de posibles errores cometidos por empleados, proveedores o clientes. Un insignificante descuido durante la fase de introducci\u00f3n de datos o en la adquisici\u00f3n de un producto tiene el mismo efecto que una piedra en el zapato. Nada del otro mundo pero que de todas formas molesta. Para eliminar radicalmente incongruencias y anomal\u00edas de la base de datos se recurre a una t\u00e9cnica de data mining especial que se llama anomaly detection. Tambi\u00e9n en este caso gestionar\u00e1 la b\u00fasqueda nuestro software, programado para realizar operaciones complejas en bases de datos que contienen hasta cientos de millones de registros (direcciones, nombres, etc.).<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Machine Learning Anomaly Detection Service by Microsoft<\/a>\u00a0 [ENG]\n \u2013\u00a0Survey on Anomaly Detection using Data Mining Technique by ScienceDirect<\/a>\u00a0 [ENG]\n \u2013\u00a0Anomaly Detection by Oracle<\/a><\/p>\n \u2013\u00a0Outlier and Anomaly Detection by KDD Topics<\/a><\/p>\n \u2013\u00a06 Benefits Of Anomaly Detection Software For IT Ops\/APM by Prelert<\/a><\/p>\n Marketing y seguridad son dos aspectos que parece que no tengan ninguna relaci\u00f3n y que sin embargo van (o deber\u00edan ir) a la par. Imagina qu\u00e9 efectos delet\u00e9reos podr\u00eda tener una campa\u00f1a DEM (Direct Email Marketing) realizada en una base de datos contaminada. Para obviar la utilizaci\u00f3n de archivos infectados por intrusos (valores a\u00f1adidos por saboteadores o aut\u00e9nticos virus que duplican los datos), solo hay que buscar a los intrusos, una t\u00e9cnica de data mining que sanea la base de datos y garantiza una mayor seguridad de todo el sistema.<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Data mining for network security and intrusion detection by R-bloggers<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining Approaches for Intrusion Detection by Wenke Lee and Salvatore J. Stolfo<\/a>\u00a0 [ENG]\n \u2013\u00a0Effective approach toward Intrusion Detection System using data mining technique by Science Direct<\/a>\u00a0 [ENG]\n La utilizaci\u00f3n com\u00fan del association rule learning concierne a las actividades de venta de productos, en especial para grandes vol\u00famenes. Tanto si es online a trav\u00e9s de un e-commerce o en persona en una tienda (o un centro comercial), se crean relaciones interesantes entre los datos que posees. Relaciones que no sospechabas o que ni siquiera te imaginabas. \u00bfUn ejemplo? El 90% de los clientes que compran online un producto tambi\u00e9n compran otro, siempre lo mismo. Detalles que nos permiten crear ofertas de marketing espec\u00edficas, promociones especiales y f\u00f3rmulas exitosas.<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Association Rule Learning \u2013 Wikipedia<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Mining \u2013 Not Your Typical Data Science Algorithm<\/a>\u00a0 [ENG]\n \u2013\u00a0Association rules (in data mining) by Search Business<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Learning and the Apriori Algorithm by R-Bloggers<\/a>\u00a0 [ENG]\n Cada vez que tomas una decisi\u00f3n est\u00e1s en una encrucijada. Cuando hay muchas opciones en vez de la encrucijada tienes un \u00e1rbol de decisi\u00f3n. En principio tener que ver con un \u00e1rbol de este tipo confunde las ideas, pero si tenemos una herramienta inform\u00e1tica que organiza el \u00e1rbol y nos somete a elecciones definitivas, incluidos costes\/beneficios, la cosa cambia y el mismo \u00e1rbol se convierte en una valiosa herramienta para el Project Risk Management. Tambi\u00e9n en este caso la profundidad de an\u00e1lisis depende en gran medida de la tecnolog\u00eda disponible: cuanto m\u00e1s avanzado es el software, m\u00e1s sabr\u00e1 indicarte el \u00e1rbol cu\u00e1l es el mejor camino a seguir.<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Using a Decision Trees Example in Project Risk by Bright Hubpm<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Tree (CART) \u2013 Retail Case Study Example (Part 5) by YOU CANanalytics<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees for Decision Making by Harvard Business Review<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees Choosing by Projecting \u201cExpected Outcomes by Mind Tools<\/a>\u00a0 [ENG]\n Complementar el clustering y los \u00e1rboles de decisi\u00f3n es el concepto de red neuronal. Se trata de una de las aplicaciones m\u00e1s recientes del data mining seg\u00fan la cual la m\u00e1quina que utilizas para tus acciones de marketing, y por tanto el ordenador que gestiona tu base de datos, \u201caprende\u201d a identificar un determinado patr\u00f3n en cuyo interior hay elementos con relaciones concretas entre s\u00ed. El resultado de este \u201caprendizaje\u201d es el reconocimiento y la memorizaci\u00f3n de esquemas que pueden volverse \u00fatiles, quiz\u00e1s no en seguida pero s\u00ed en el futuro, para decidir si y c\u00f3mo alcanzar un objetivo. La misma red neuronal puede ayudarte a conocer con mayor exactitud la composici\u00f3n del objetivo de un producto o servicio.<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Neural Network Analysis by Ecommerce Digest<\/a>\u00a0 [ENG]\n \u2013\u00a0Neural networks \u2013 are you ready for the rise of the machines? By Beyond<\/a>\u00a0 [ENG]\n \u2013\u00a0Expert Systems with Applications by Semantic Scholar<\/a>\u00a0 [ENG]\n Si se produce una circunstancia determinada y otra y otra, entonces conseguimos este resultado. M\u00e1s o menos la regla de la inducci\u00f3n funciona as\u00ed. Y no es poco: gracias a esta t\u00e9cnica de data mining puedes realizar sofisticados an\u00e1lisis predictivos pescando dentro de bases de datos con n\u00fameros de miles y miles de registros. Identificar regularidades ocultas quiere decir anticipar los tiempos y actuar con conocimiento de causa, algo que a menudo tus competidores se olvidan de hacer. \u00bfNo es cierto?<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0Rule Induction Method by DMS.IRB<\/a>\u00a0 [ENG]\n \u2013\u00a0Rule Induction by Semantic Scholar<\/a>\u00a0 [ENG]\n \u2013\u00a0An Experimental Study of Using Rule Induction Algorithm in Combiner Multiple Classifier by IJCIR<\/a>\u00a0 [PDF ENG]\n La \u00faltima, t\u00e9cnica esencial de data mining, pero quiz\u00e1s ser\u00eda m\u00e1s correcto llamarla aplicaci\u00f3n, se llama data warehousing. Aqu\u00ed entramos en el \u00e1mbito de la creaci\u00f3n del perfil del cliente (y no solo), en especial respecto al tratamiento de Big Data. Elegir un software como Egon\u00a0para el data warehousing quiere decir simplificar las bases de datos, extrapolar la informaci\u00f3n m\u00e1s interesante sobre tus clientes, facilitar la elaboraci\u00f3n de informes detallados y mucho m\u00e1s. En la migraci\u00f3n de software y sistemas poder contar con software de data warehouse resulta a\u00fan m\u00e1s importante, antes que para el marketing para la evoluci\u00f3n de la empresa en s\u00ed. \u00a1Probar para creer!<\/p>\n Recursos importantes:<\/p>\n \u2013\u00a0A Data Warehouse<\/a>\u00a0 [YOUTUBE ENG]\n \u2013\u00a0What\u2019s the difference between data mining and data warehousin? By Programmer Interview<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Warehousing Concepts by Oracle<\/a>\u00a0 [ENG]\n
\n<\/a>\u00a0[ENG]\n
\n2) REGRESSION ANALYSIS PARA HACER PREVISIONES DE MARKETING<\/h3>\n
3) CLASSIFICATION ANALYSIS PARA IDENTIFICAR SPAM Y M\u00c1S<\/h3>\n
\nRecursos importantes:<\/p>\n4) ANOMALY DETECTION PARA RECONOCER LAS INCONGRUENCIAS<\/h3>\n
5) INTRUSION DETECTION PARA UNA MAYOR SEGURIDAD DEL SISTEMA<\/h3>\n
6) ASSOCIATION RULE LEARNING PARA DESCUBRIR LA RELACI\u00d3N ENTRE DATOS<\/h3>\n
7) DECISION TREES PARA OPTIMIZAR EL PROJECT RISK MANAGEMENT<\/h3>\n
8) NEURAL NETWORKS PARA AUTOMATIZAR EL APRENDIZAJE<\/h3>\n
9) RULE INDUCTION PARA AN\u00c1LISIS PREDICTIVOS BASADOS EN LOS DATOS<\/h3>\n
10) DATA WAREHOUSING PARA EL TRATAMIENTO DE BIG DATA<\/h3>\n