En la economía de la información, los datos son una moneda floreciente. Todas las empresas intentan recopilar el flujo masivo de materia prima que conforma sus procesos de recopilación y análisis de la información. Sin embargo, las cifras y los hechos descontextualizados están por todas partes sin ton ni son. Aquí es donde entra en juego la minería de datos.

La minería de datos es un conjunto de procesos que permite a las empresas analizar grandes bases de datos para obtener información útil. Aunque las tareas básicas de la minería de datos pueden variar de un departamento a otro, todo este campo es útil para muchos sectores empresariales. Esta tecnología floreciente también ha experimentado un importante crecimiento fuera de las empresas que la aplican para sus usos, con consultores que la ofrecen como servicio.

Como extensión natural de las exigencias de la era de la información, su desarrollo como herramienta se ha ampliado en los últimos años. Ha proliferado fuera del ámbito empresarial, abriendo campos como la minería de datos científicos con fines de investigación. Veamos qué ofrece.

Minería de datos para análisis empresariales

Los procesos de minería de datos pueden ser muy útiles para diversas actividades empresariales. Sin embargo, primero hay que entender que la minería de datos, como concepto, tiene múltiples técnicas dentro de sí. He aquí algunas de las principales categorías y la forma en que las empresas las aplican.

• Clasificación: Como su nombre indica, es el proceso de tomar datos y clasificarlos por categorías para su uso posterior. Por ejemplo, un minorista de moda podría clasificar sus productos en camisas, camisetas, ropa interior, etc. Esto les ayuda a conocer mejor a cada comprador.

• Agrupación: La agrupación es similar a la técnica anterior, pero las categorías son más generales. Las tiendas minoristas podrían agrupar sus datos en ropa de hombre y de mujer, por ejemplo. A continuación se realiza un análisis factorial y un análisis de conglomerados.

• Reglamento de la AsociaciónSeguimiento de patrones basados en variables vinculadas. En el caso de los supermercados, sería como si alguien comprara dos alimentos que van juntos, por ejemplo, macarrones con queso. La tienda sabrá qué hacer con ellos, los pondrá más cerca, los pondrá juntos en oferta, etc.

• Análisis de regresiónEl análisis estadístico: ayuda en el análisis estadístico y en las prácticas de extracción de datos mediante la identificación de variables que se dan conjuntamente. Ayuda a señalar probabilidades, determinando las relaciones entre 2 variables. Ejemplo: si aumenta la demanda del bien A, también aumentará la demanda del bien B.

• Detección de anomalías o valores atípicos: Este investiga el conjunto de datos extraño entre la norma. No basta con identificar una tendencia, sino que también hay que investigar la media de la mayoría de las tendencias. Estudia los valores atípicos y entiende qué los ha causado. Por ejemplo, hay un aumento masivo de hombres que compran dulces que normalmente compran las mujeres. Uno puede deducir erróneamente que se debe a un cambio de tendencia permanente o puede reconocer que estamos en febrero y San Valentín está a la vuelta de la esquina.

Minería de datos frente a análisis de datos

Aunque la minería de datos se utiliza en la analítica de datos, no son términos intercambiables. La minería de datos es un paso previo. Se trata de utilizar un marco para hacer que los datos sean utilizables. Es el proceso de tomar enormes cantidades de datos en bruto y darles una estructura. La analítica de datos tiene reglas y patrones que sigue, mientras que la minería (inicialmente) no tiene tales reglas o patrones preexistentes.

Tomemos como ejemplo la minería de datos de redes sociales frente al análisis de datos de medios sociales. En el primer caso, la recopilación de datos se realiza de forma masiva. Los datos suelen almacenarse o recuperarse a partir de operaciones avanzadas de almacenamiento de datos.

Inteligencia empresarial y análisis predictivo

Aunque la analítica web predictiva está de moda en la actualidad, las empresas pueden superar estos esfuerzos con la minería. Por ejemplo, una empresa podría crear mejores análisis de datos de venta al por menor en línea consultando catálogos de información de compra de diversas tiendas. Esta información puede categorizarse para crear un conjunto de datos predictivos con fines de segmentación de clientes y segmentación en línea.

Utilizar el análisis predictivo de datos para captar clientes no es nada nuevo. Instituciones como la Universidad de Sídney los han empleado para diversos fines. Ha ayudado en los procesos de matriculación e incluso en la identificación de estudiantes con altas posibilidades de aportar dotaciones a la escuela. A la inversa, un análisis puede utilizar investigaciones pre-categorizadas de Google o Facebook o análisis on-page.

Algunas de las características de la minería de datos que la diferencian de la analítica son:

• Cantidades masivas de datos sin categorizar.
• Las estructuras de datos son tan complejas que no es posible realizar análisis estadísticos convencionales
• Los datos suelen ser ruidosos e incompletos.
• Los análisis de minería de datos pueden ser predictivos o descriptivos.

Ejemplos de minería de datos en la empresa

Las aplicaciones de estos procesos son múltiples. Las técnicas de minería de datos y segmentación son empleadas desde hace tiempo por decenas de empresas. Hay estudios que describen sus aplicaciones para la comercialización multisegmento y el comercio minorista. Del mismo modo, el conocimiento de los clientes mediante big data suele basarse en muchos de los métodos enumerados aquí. Empresas como Cambridge Analytica lo utilizaron en polémicas campañas electorales.

El marketing de análisis de conglomerados suele basarse en este tipo de datos y, sin la categorización que proporciona la minería, a menudo puede resultar muy difícil. Juntos, estos procesos conforman una serie de prácticas avanzadas de segmentación del mercado en el lado del consumidor para encontrar más compradores. Incluso puede tener capacidades predictivas en términos de análisis de datos de captación de clientes y búsqueda de comportamientos deseables.

Los procedimientos de minería también pueden ayudar a dar forma a estadísticas no estructuradas a partir de la recuperación rápida de puntos de datos. La recopilación de datos en tiempo real puede poner un montón de cifras en tus manos. Sin embargo, dar sentido a una parte de ellos puede perfeccionar el proceso a medida que se produce.

En la misma línea, la creación de grupos para los datos que recibe a través de las redes sociales puede ayudarle a rastrear más datos similares si es necesario o permitir análisis predictivos. Esto puede ser preferible a recibir datos aleatorios si buscas variables, grupos objetivo o comportamientos específicos.

Las pruebas de inteligencia empresarial son otra forma de utilizar estos métodos. La extracción de datos es el primer paso para probar hipótesis sobre la competencia y establecer "juegos de guerra" para definir las mejores prácticas frente a la actividad de la competencia o crear buyer personas eficaces.

Soluciones de recogida de datos

He aquí algunos programas para el tratamiento de datos y un breve resumen de las áreas en las que destacan:

DataMelt es útil para hacer números. Ofrece programas de matemáticas, estadística, cálculo, análisis de datos y visualización. ELKI framework, por su parte, se centra más en los algoritmos y ofrece grandes sistemas para el análisis de conglomerados. ELKI también es más fácil de usar para investigadores, estudiantes y organizaciones empresariales.

Extracción de datos de Orange ayuda a las organizaciones a realizar análisis de datos sencillos y a utilizar la visualización y los gráficos más avanzados. Ideal para crear mapas de calor, agrupaciones jerárquicas y árboles de decisión. Rattle GUI trabaja con resúmenes estadísticos y visuales de datos, los prepara para su modelización y, a continuación, utiliza operaciones de aprendizaje automático para presentar la información.