¿Qué tareas podemos hacer con la minería de datos en nuestra empresa?

Por Sebastian Russinyol,
Director de Producto Softland Argentina

—————————-

La minería de datos no es un concepto o herramienta para verla de lejos. Justamente quisiera exponer sus ventajas y transmitirte que está más cerca de nosotros de lo que normalmente pensamos.

En nuestro día a día, nos topamos regularmente con conceptos que nos parecen complejos a simple vista, y que, por lo tanto, no aplicarían a nuestra estrategia empresarial. Lo que quisiera con este artículo es tratar de acerca el concepto, alejándome de lo técnico, para que al fin puedas aventurarte a explorar esta herramienta que, a lo mejor sin saberlo, ya está disponible en tu empresa.

¿Qué es la minería de datos o Data Mining? Básicamente, son un conjunto de técnicas y tecnologías para explorar datos y encontrar patrones. Estos pueden encontrarse utilizando estadísticas o algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.

Si bien esto es muy complejo, hoy en día, Microsoft en su motor de base de datos SQL Server ya tiene incluidas estas herramientas, y seguramente en tu organización, ya existe este motor, por consiguiente, ya tenemos licenciada la herramienta.

Ahora bien, para terminar de despertar tu interés sobre el tema, y adelantándome al proceso que deberíamos seguir, te enumero algunos escenarios que se pueden explorar con la minería de datos:

• De Pronóstico: cálculo de las ventas
• De Riesgo y probabilidad: elección de los mejores clientes para la distribución de correo directo, determinación del punto de equilibrio probable para los escenarios de riesgo, y asignación de probabilidades a diagnósticos y otros resultados.
• De Recomendaciones: determinación de los productos que se pueden vender juntos y generación de recomendaciones.
• De Búsqueda de Secuencias: análisis de los artículos que los clientes han introducido en el carrito de la compra y predicción de posibles eventos.
• De Agrupación: distribución de clientes o eventos en grupos de elementos relacionados, y análisis y predicción de afinidades.

Ya viste que el resultado aplica en casi todos los casos a preguntas frecuentes de las empresas, sin embargo, para llegar a un buen modelo deberías definir el problema, preparar los datos, explorar los datos, crear el modelo, explorar, validar y finalmente, implementar.

En este link que te dejo vas a encontrar un tutorial paso a paso de cómo implementar algunos de los ejemplos que se detallaron más arriba.

Es importante destacar, que cualquier modelo se puede validar, si uno toma un subconjunto de datos históricos, por ejemplo, ventas hasta el año 2019 y aplicar el resultado sobre los datos del 2020; de esta forma, puedes validar que el modelo se ajuste a esos datos pasados y tener mas certeza en su aplicación hacia el futuro.

Espero que puedas utilizar la herramienta y en estos tiempos difíciles de pandemia innovar en los procesos y aprovechar al máximo los recursos y la eficacia y eficiencia de estos.