De hecho, identificó un aumento del fraude del 76% en Córdoba entre el 2014 y 2015, aunque la cifra ha aumentado en 2016 dado que la empresa ha intensificado el trabajo de identificación de fraude.

Las herramientas de Data Mining están diseñadas para realizar análisis de grandes volúmenes de datos y tienen capacidad para integrar bases de datos de disitntas fuentes. Esto facilitó la tarea a Endesa a la hora de detectar el fraude. Fueron capaces de cruzar datos de consumo eléctricos, zonas y el propietario del inmueble. Los datos detectaron casi  83.522 casos de fraude en 2015, casi un 25% más que en 2014.

Además, pudo identificar los culpables del fraude, donde un 80% eran PYMEs y empresas de diversos sectores industriales, mientras que el 20% correspondía a particulares con grandes consumos en la capital cordobesa.

Herramientas de Data Mining

KNIME: Capacidad de pre-procesamiento de datos con tres componentes principales: la extracción, la transformación y la carga de datos. Dispone de una interfaz gráfica que permite el montaje de nodos de procesamiento de datos. Se trata de una plataforma de análisis de datos de origen, con la posibilidad de presentar informes e integración abierta. KNIME también integra diversos componentes para el aprendizaje automático y minería de datos a través de su concepto de segmentación de datos modular, características que han llamado la atención del Business Intelligence y el análisis de datos financieros.

Por otro lado, destacar que esta herramienta está escrita en Java y basado en Eclipse.  KNIME tiene la facilidad de añadir plugins y funcionalidades adicionales en cualquier momento.

WEKA: La versión original de esta herramienta se destina al análisis de datos del sector agrícola. Pero fue evolucionando y desarrollo una herramienta superior basada en Java. Esta versión permite analizar datos y establecer modelos predictivos.

Igual que RapidMiner, Weka realiza trabajos de data mining estándar, incluyendo pre-procesamiento de datos, clustering, clasificación, regresión, visualización y selección de características.

La entrada Endesa detecta el fraude a través de Data Minig aparece primero en CulturaCRM.

Ventajas de Data Mining en ecommerce

Por norma general, a partir de analizar la cesta de la compra se puede segmentar mejor a los consumidores, con el fin de ofrecer productos que se adaptan a sus necesidades y preferencias. Esto aumentará la captación y la retención de los clientes. Al final queremos fidelizar.

Del mismo modo, podemos optimizar precios. Analizar los patrones de conducta de nuestros consumidores en determinados periodos festivos o en fechas señaladas, a partir de aquí optimizar los precios, realizar ofertas específicas y, con campañas de email marketing segmentar aquellos clientes que estarán más interesados.

Algunos ecommerce cuentan con un stock de productos, mientras otros realizan compra-venta a partir de pedidos de clientes. En ambos casos, el Data Mining ayudará al comercio a tener una vista de la planificación de ventas, así como mejorar los procesos de compras con el proveedor.

Análisis de la cesta de la compra

Como hemos dicho anteriormente, la cesta de la compra aporta mucha información. Con la minería de datos se puede determinar cuales son los productos más demandados, aquellos que se compran de forma simultánea o en qué medida la compra de un artículo provoca la compra de un segundo.

A partir de aquí y con estos datos, podemos desarrollar estrategias para realizar venta cruzada, así como campañas email marketing para aquellos clientes que han comprado determinado producto y pueden estar interesados en la compra de un segundo. También, se pueden enviar consejos de uso, recomendaciones o catálogos de productos de interés.

La cesta de la compra es muy útil para determinar las tendencias del mercado en un momento concreto, además gracias a data mining podemos actuar casi en tiempo real, mejorando las ofertas. Del mismo modo, esta estrategia de análisis de datos nos ayudará a mejorar los procesos de producción y ajustar las necesidades de stock.

La entrada Ecommerce: análisis de la cesta de la compra con Data Mining aparece primero en CulturaCRM.

La analítica predictiva trata de predecir el comportamiento de los usuarios a partir del análisis de sus movimientos por la red, sus compras, preferencias y aspectos de su vida. Hoy en día, gracias a las nuevas tecnologías tenemos mucho más acceso a los datos, tanto propios, generados por nuestros clientes en nuestra red social y CRM; como externos, proporcionados por centros de estadística.

Esta cantidad de datos permite a través de data mining analizar el comportamiento de los usuarios, segmentar mejor los posibles clientes y llevar a cabo estrategias de mercado. De hecho, bancos, empresas, partidos políticos y organizaciones recurren a estrategias de data mining para vender a los ciudadanos que son necesarios. De antemano, saben cómo reacciona la población a determinadas acciones, ya sean de marketing o comportamientos en redes sociales.

Soluciones de análisis predictivo

IBM, SAS, SAP, Oracle, Microsoft, Alteryx o KNIME están a la cabeza en el ranking de soluciones de análisis predictivo. Analizamos cómo funcionan IBM y SAS, los líderes en análisis predictivo

IBM, soluciones para todos

Podemos encontrar múltiples soluciones en tecnología de la mano de IBM, incluidas aquellas que se basan en el análisis predictivo. La empresa ofrece analítica de clientes. Una herramienta que permite anticiparse al comportamiento de los clientes, si una acción les provocará satisfacción o enfado. No sólo sirve para retener y fidelizar a los clientes, sino para generar engagement con ellos. Al final la idea es ganar dinero, con esta herramienta es posible ya que permite satisfacer a los clientes indirectamente.

Por otro lado, tiene capacidad para analizar datos propios de la empresa como costes reales ante una acción, inversiones no hipotéticas o costes operativos de transacciones. De esta forma, se reducen los riesgos en inversión y las posibles pérdidas económicas

Destacar que IBM tiene capacidad para detectar las amenazas y posibles fraudes a través de modelos predictivos. En realidad, detectar patrones inusuales en los usuarios y que están relacionados con acciones de fraude.

SAS Visual Statistics, almacenes en Hadoop

SAS Visual Statistics analiza de forma rápida y sencilla grandes volúmenes de datos almacenados en Hadoop. Lo mejor es que su interfaz es muy sencilla y cualquier directivo puede trabajar con ella, sin necesidad de tener conocimientos en programación o avanzados en informática. El cuadro de mando es perfecto para cualquier tipo de empresa.

Con SAS las empresas pueden introducir múltiples variables y generar gráficos que les ayudarán a tomar decisiones, ya que predicen la tendencia del sector.

La entrada Análisis predictivo a través de Data Mining aparece primero en CulturaCRM.

El data mining se centra en el análisis de grandes volúmenes de datos para establecer patrones de conducta comunes. Qué mejor momento para saber que estará en alza en la moda en la próxima temporada que analizando el histórico de ventas de productos en las tiendas y durante el periodo de rebajas.

¿Quién marca la tendencia en moda?

Los diseñadores son los que tienen la principal inspiración, pasean por las calles, observan los looks de la gente con la que se cruzan, piensan y recuperan tendencias vintage… Incluso un libro o una película, tal vez un viaje, puede marcar la línea de una nueva colección. Pero la moda y la tendencia no es una competencia exclusiva de los diseñadores. Fotógrafos, editores de revista de moda, personajes famosos o cenas donde se ponen de manifiesto el estilo de los invitados pueden marcar la tendencia en alta costura o en las pasarelas.

Sin embargo, a pie de calle la tendencia lleva otro camino. Cada persona con su look y la forma de combinar cada elemento genera tendencia, de hecho como hemos comentado anteriormente muchos diseñadores están a la caza de tendencias en plena calle, observando el estilo de cada ciudadano. Además, hay un factor común entre la moda de pasarela o alta costura y la moda a pie de calle, que en ambos caso es un negocio.

Nadie quiere perder dinero en un negocio, los diseñadores y las marcas tampoco. Así que antes de lanzar una colección contratan diversos profesionales en analítica de datos para que valoren los patrones de conducta y compra, evalúen la tendencia del mercado y con su visto bueno adaptan las ideas y nacen las colecciones. Por tanto, el data mining es una de las estrategias fundamentales en las tendencias de moda, por no decir que en muchos casos será clave.

¿Cómo detectar patrones de compra?

Con data mining podemos detectar patrones de compra en pequeños comercios, como pueden ser tiendas de ropa. Estos datos, junto al ciclo de la moda, se pueden determinar las tendencias más aceptadas por la sociedad y que podrán permutar de la pasarela a las tiendas y grandes superficies.

De poco sirve lanzar colecciones basadas en las transparencias si estás no se van a poder vender en las tiendas o no tendrán aceptación. Se pueden llevar a cabo análisis de compras segmentados por temporadas, para establecer los ciclos de moda en verano e invierno. Del mismo modo, analizar las compras de determinados productos si la tendencia ha aumentado a comprar pantalones vaqueros o faldas, así como los colores. Todos estos datos ayudarán a los diseñadores a reafirmar y moldear su idea sobre las próximas colecciones, de tal forma que una vez sobre la pasarela su aceptación será rápida en platós de televisión y presentadores, modelos de éxito, influencers y bloggers, hasta llegar al público final: las tiendas físicas y grandes centros comerciales. El éxito de una colección es más que el renombre del diseñador, es asegurar el negocio y la siguiente colección.

La entrada Moda: patrones de conducta en la pasarela aparece primero en CulturaCRM.

Marcas de ropa, de complementos, de alimentación, grandes superficies o banca son solo algunas de las empresas que han hecho uso de esta estrategia a lo largo del tiempo. Pero también se ha utilizado en casos más puntuales como campañas políticas o análisis de la audiencia para determinar el alcance de una serie de televisión o programas de entretenimiento.

Data Mining en la campaña de Obama

Aunque la presidencia ya no está en sus manos y en la Casa Blanca reside otro nuevo presidente, Obama recurrió al Data Mining para mejorar su posición respecto a la población. Puso a trabajar a un grupo de expertos en análisis de datos masivos con el fin de sondear las bases de datos propias del partidos, seguidores y militantes; las fuentes públicas e institucionales, y las redes sociales.

El resultado de los análisis fue concluyente para invertir en marketing, definir las horas a las que tendría mayor repercusión el mensaje y los canales más apropiados para hacerlo, así como dirigir la campaña hacía aquellos votantes afines al partido. Incluso hizo un sondeo de popularidad de los miembros de su partido, con el fin de descubrir quién sería la persona más adecuada para acompañarlo a cada mitin, en función de la audiencia de esa localización y el perfil del votante.

Gestión de bancos de ADN

La tecnología no solo ha favorecido el desarrollo de la comunicación, sino que ha influenciado en los avances médicos. Para gestionar los datos que se almacenaban en distintos bancos de ADN se puso en marcha un proyecto basado en Data Mining, un software que permite la administración de todas esta información.

La clave y principal objetivo del software es determinar vínculos biológicos, identificar personas a partir de marcadores genéticos y buscar patrones genéticos comunes a un conjunto de muestras.

El desarrollo se realizó con herramientas de software libre y fue aceptado exitosamente por parte del Ceprocor, que validará los resultados del sistema a través de casos de tests específicos.

BBN Technologies y los idiomas

BBN Technologies, IBM, Fast-Talk y Scan Soft han diseñado tecnología de datamining de audio específica para no depender de la persona hablante, es decir, de la entonación. Todo ello, para llevar a cabo transcripciones indexadas, susceptibles de ser objeto de búsquedas. Además, este análisis de datos con data mining está dirigido a fuente de audio en árabe, chino, inglés o español en tiempo real desde cualquier ordenador particular.

La entrada Data Mining: Casos de éxito aparece primero en CulturaCRM.

Cada acción que hacemos genera un rastro de datos que se recogen y almacenan a través del uso de TI. Transacciones financieras, páginas de internet visitadas, posiciones GPS, etc. Hay muchos ejemplos de datos generados diariamente. Según la recolección de datos se vuelve sistemática y omnipresente, surgen consideraciones morales: ¿A quién pertenecen mis datos? ¿Quién los controla? ¿Dónde se almacenan? ¿Cómo se está analizando? ¿Para qué propósito va a ser utilizado? ¿Hasta qué punto son exactos los datos y su análisis? ¿Qué poder tiene el cliente sobre sus propios datos? ¿Se harán públicos los datos privados? Estas cuestiones relacionadas con la agregación, el acceso y el control de los datos estarán en el centro de los desafíos morales, que rodean el uso de la tecnología de la información.

En el pasado, los datos han crecido exponencialmente en formatos estructurados y no estructurados. Organizaciones de todos los tamaños e industrias han comprendido la importancia de crear, recopilar, registrar, almacenar y extraer significado de datos en todas las formas y formatos. Los grandes datos son un fenómeno nuevo, de apenas una década, pero las características de variedad, volumen y velocidad de estos datos masivos han hecho que los principales interesados en inventar e innovar formas de dar sentido a esto.

Los científicos de datos creen que casi el 90% de los datos generados y recogidos hasta ahora se ha hecho en los últimos dos años (Conway, 2012).

El Data Mining es un proceso analítico de identificar patrones ocultos y / o relaciones sistemáticas dentro de los datos. El objetivo final es la predicción y el que tiene las aplicaciones de negocio más directo.

Profundizar en el Data Mining

Perfilar a los clientes: Data Mining permite un proceso de perfilado de los clientes. Con el fin de comprender mejor el comportamiento de sus clientes, las empresas utilizan la recopilación de datos para trazar perfiles sociales. Esto les permite comprender mejor qué producto o servicio atrae a cada segmento de clientes y, por lo tanto, diseñar una oferta de marketing específica.

Privacidad, consentimiento y propiedad: Privacidad, consentimiento y propiedad son tres conceptos relacionados entre sí cuando se trata de los datos de los usuarios. La privacidad se define generalmente como “el estado de estar libre de la atención pública” (Oxford, 2014). Existe, pues, una distinción entre lo privado y lo público. La frontera entre las dos esferas se considera violada cuando la propiedad de sus datos es violada y expuesta públicamente sin su consentimiento.

En la minería de datos, el tipo de propiedad que se considera violado es la información privada del cliente. Ya sean utilizadas por empresas privadas o por instituciones públicas, la información de las personas a menudo se recopila y utiliza de manera no consentida explícitamente (Landry & Payne, 2012). De hecho, la mayoría de los datos no son suministrados directamente por el cliente.

Discriminación: La discriminación es el “trato injusto o perjudicial de diferentes categorías de personas, especialmente por motivos de raza, edad o sexo” (Oxford, 2014). En la mayoría de los países desarrollados, es ilegal y castigado por la ley. Por ejemplo, en Europa, numerosas áreas como el empleo, el acceso a la vivienda, la atención sanitaria o la adopción son

Desindividualización: Esto hace referencia al hecho de que las decisiones de perfil se basan en las características del grupo. No se juzga en su perfil individual, sino que “categorizado” como perteneciente a un determinado grupo identificado a través del análisis de datos. Su valor no se considera según su individualidad, sino según el grupo al que pertenece.

La desindividualización también puede conducir a estigmatizaciones y estereotipos cuando la información sobre la membresía de su grupo se divulga públicamente.

La asimetría de la información: Este término deriva de la consecuencia del poder que da el control de los datos de las instituciones privadas o públicas. Cuando se trata de datos, el individuo es impotente, especialmente cuando la recopilación de información se hace sin que él ni siquiera haya sido consciente del proceso.

Confianza entre clientes y empresas: La relación entre empresas y particulares en la recopilación de datos y la minería de datos es muy fuerte. Cualquier conducta incorrecta puede conducir a múltiples comportamientos inesperados y desagradables a ambos. Una de esas reacciones que pueden ser percibidas por los individuos es la difusión y desviación de la información. Es un concepto que ha sido muy discutido en redes sociales y sus efectos sin embargo también se aplican a la recopilación de datos y data mining, así porque no sólo la minería de datos utiliza los datos de medios sociales, sino también porque la gente está empezando a darse cuenta de la brecha entre proteger los datos de los individuos

La entrada Data Mining, seguridad de datos privados aparece primero en CulturaCRM.

Web Mining o minería de uso de la web trata de extraer información y conocimiento útil a través de la actividad que se desarrolla en un sitio web, por ejemplo, el análisis de tráfico, los contenidos más populares o datos demográficos de las visitas.

Además de la atención que una empresa o marca dedica al SEO, posicionamiento natural en buscadores, de su sitio web, presta una atención minuciosa al número de visitas, tiempo que un visitante pasa en la web o el tiempo de carga, así como los contenidos más visitados o la tasa de rebote. Con estos datos, empresas como diarios o magazines digitales, pueden vender sus espacios para publicidad.

Por otro lado, conocer las preferencias por los contenidos, la situación demográfica de los usuarios que más visitan la web o el rango de edad, ayuda a identificar el target y planificar acciones de marketing, así como adoptar un lenguaje y comunicación correcta hacia el usuario.

Tres formas de aplicar Web Mining

De acuerdo a los objetivos que queremos conseguir con nuestro análisis de datos, podemos dividir Web Mining en tres formas de aplicar esta técnica:

Web Content Mining o Minería del contenido de la Web: Esta técnica está basada en el contenido, en su exploración y extracción de texto, imágenes y gráficos de una página web, con el fin de conocer la relevancia del contenido más visitado y su posicionamiento SEO.

Web Structure Mining o Minería de la estructura de la Web: Es una herramienta que permite identificar la relación entre las páginas web vinculadas por información o conexión directa. Por tanto, se trata de analizar la estructura de la web, con el fin de extraer datos relacionados con las consultas de búsqueda.

Web Usage Mining o Minería de los registros de navegación en la Web: Este tipo de técnica permite recopilar información de acceso a la web. Esta información se almacena normalmente de forma automática en los registros de acceso a través del servidor web. Los scripts CGI ofrecen otra información útil como registros de referencias, información de suscripción de usuarios y registros de encuestas. Esta categoría es importante para el uso general de la minería de datos para las empresas y sus aplicaciones basadas en Internet / Intranet y acceso a la información.

Ventajas de Web Mining

Esta técnica de análisis de datos tiene muchas ventajas para las empresas y marcas, incluidas las instituciones gubernamentales, que la aplican para detectar amenazas y lucha contra el terrorismo.

Por otro lado, las empresas mejoran su relación con el cliente. Conocer sus preferencias y las tendencias ayuda a comprender las necesidades del cliente. Además, integrar esta técnica con un CRM impulsará las estrategias de atención al cliente, marketing y postventa.

La entrada Web Mining, técnicas de análisis de tráfico web aparece primero en CulturaCRM.

Este software, de libre aprendizaje, permite explorar datos y obtener resultados de forma inmediata. Además, se ha extendido en el sector de la medicina y la ciencia, así como en la enseñanza. Pero permite desarrollar sus funcionalidades en cualquier campo.

Con Orange podemos crear flujos de trabajo interactivos y analizar los datos de una base con mayor profundidad. Se trata de disponer de la información en formatos comprensibles y útiles para la empresa, como gráficos, árboles o redes.

Iniciarse en Orange Data Mining

Para empezar a manejar Orange, arrancamos con una base de datos simple escrita en la hoja de cálculos que ofrece Google Drive. En el ejemplo del vídeo, nos muestra una hoja con las características fisiológicas de personas, color de ojos, tipo de pelo, altura…etc. Pero podemos utilizar en nuestra base de datos otra información con un carácter más empresarial. Por ejemplo, en el caso de nuestros clientes de un ecommerce de ropa la localidad, la edad, textil preferente (faldas, suéter, pantalón, complementos…), colección (colección de verano, colección de color negro rock, etc). Una vez tenemos nuestro excel completado, es tan sencillo como obtener el link del documento, podemos hacerlo con la opción “Compartir”

A partir de aquí cargamos nuestra base de datos en Orange y comenzamos a trabajar.

Predicción del futuro

Los datos nos ayudarán a predecir el futuro, al menos el comportamiento del cliente. Orange nos permite incluir decenas de variables sobre un mismo cliente, servicio o producto, para examinar cómo se comportará. En el vídeo nos muestra el ejemplo de frutas, donde incluye, entre otros, sus valores nutricionales. Si lo hacemos con nuestro ejemplo, Orange nos permitirá conocer cuál es la característica que prevalece sobre el resto, supongamos que es la compra de textiles de pantalón de la colección de verano.

A partir de aquí, podemos establecer varias posibles predicciones cruzarlas entre ellas y detectar cual es la que más éxito obtiene. Estos datos nos pueden ayudar a establecer una gama de productos nuevos derivados de los que mayor éxito y aceptación tienen entre nuestros clientes.

A pesar de todo, Orange está indicado para datos muy concretos y con un carácter científico. Pero siempre se puede readaptar a la empresa y a sus necesidades.

La entrada Orange: primeros pasos en Data Mining aparece primero en CulturaCRM.

Data Mining permite analizar los volúmenes de datos y, a partir de la información obtenida, establecer y predecir patrones de conducta. Una mujer embarazada tiene necesidades diferentes, desde el primer mes. La comida varía, quedan prohibidos muchos productos. Las horas de las comidas almuerzos y cenas varían, por norma aumentan. Los productos de cosmética como cremas o perfumes son diferentes, evitando que determinados tóxicos lleguen a la placenta.  

Ecommerce, Data Mining y embarazo

Si una mujer está embarazada sus búsquedas en Google varían. Sienten curiosidad por el desarrollo de su cuerpo. Miran al futuro buscando cosas para el bebé y analizan las etiquetas de cada alimento. Las embarazadas que tienen tendencia a comprar en ecommerce, comienzan a inscribirse en newsletters para recibir “muestras”. Mientras otras simplemente cambian su forma de consumo. Estas últimas, que comienzan a realizar los primeros cambios durante los primeros meses, guardan con recelo el secreto de su estado, esperando que todo salga bien a la ecografía de las 12 semanas.

Pero Data Mining puede predecir su situación. Los ecommerce que aplican esta estrategia analizan los carritos de compra de cada usuario y pueden segmentar a los clientes por los productos que compran. De tal forma que agrupan los productos indicadores de embarazo. A partir de aquí, llega el momento de aplicar el marketing. Si el ecommerce trabaja email marketing y es capaz de detectar a las mujeres posiblemente embarazadas, puede enviar newsletter con ofertas de productos adecuados a su estado. Si la clienta responde correctamente a la oferta, la tenemos dentro del embudo de ventas, cubriendo sus necesidades.

Cuando un establecimiento dispone de venta física y ecommerce a gran escala, acumula grandes volúmenes de datos. Su análisis correcto y la predicción de los patrones de conducta de determinados clientes mejorará las acciones de marketing y la atención al cliente.

El caso de Target y sus predicciones

Target es una cadena de grandes almacenes de EE.UU. En ella se pueden encontrar productos de todo tipo, desde electrónica hasta productos premamá y para bebés. Además, de las tiendas físicas dispone de ecommerce.

El científico Andrew Pole, master en estadística y en economía, entró a la plantilla de Target en 2002. Para analizar los patrones de conducta y las cestas de la compra creó un algoritmo que estudiaba los datos que las tiendas almacenan sobre sus clientes. En un aborigen de datos, y con estrategias Data Mining, detectó que las mujeres que esperaban un bebé desarrollan patrones de compra concretos. En las primeras 20 semanas, las clientas compran suplementos con calcio, magnesio y zinc, así como cremas sin perfume.

A partir de estos datos, la tienda comenzó a enviar a las clientas newsletter con ofertas de productos relacionados con el embarazo y el parto, así como con bebés. Hasta el punto, que una adolescente resistente a contar su estado en casa comenzó a recibir este tipo de email marketing. El padre, enfadado con el comercio y creyendo que se estaban equivocados, recriminó a Target el tipo de ofertas que enviaban a su hija. Aunque su opinión cambió cuando descubrió que esos emails no se equivocaban, sino que su pequeña iba hacerle abuelo.

Así con Data Mining no sólo detectó y predijo el estado de embarazo de una joven, sino que mejoró las ofertas y los servicios a sus clientes, cubriendo las necesidades reales de sus consumidores.

La entrada Predecir el embarazo a partir de los patrones de compra aparece primero en CulturaCRM.

El Big Data se centra en analizar los grandes volúmenes de datos que superan la capacidad de los procesamientos informáticos habituales. Por tanto, trata de analizar en el menor tiempo posible y de forma eficaz toda la información. Para ello, hace uso de software que le permiten definir características de cada cliente y usuarios. Por ejemplo, parámetros vinculados a sus preferencias en cuanto al cine y las series de televisión, así lo ha puesto en marcha Netflix y a partir del consumo de los usuarios de la plataforma ha desarrollado con éxito varias series de producción propia.

El Data Mining o minería de datos analiza los grandes volúmenes de datos. Sintetiza e identifica, así como agrupa, patrones de comportamiento entre los datos. Por norma general, son datos de clientes o consumidores. Por ejemplo, aseguradoras que poseen un gran volumen de información de sus clientes, desde seguros de coches hasta defunciones. Puede establecer patrones de conducta de estos, periodos de contratación, fuga a otras compañías, hasta riesgos de estafas, a partir de patrones sospechosos o inusuales

Las distintas aplicaciones para grandes volúmenes de datos

Tanto Big Data como Data Mining están relacionados con los grandes volúmenes de datos, pero, como hemos explicado, tienen funciones diferente y, por tanto, se aplican para diferentes contextos.

Big Data ha permitido conocer con mayor profundidad a los usuarios o consumidores. Extraer datos sobre sus preferencias y sus necesidades, a partir de estos aplicar un marketing más adecuado al perfil de usuario. Además, ha permitido mejorar la experiencia de los consumidores. En otro post comentamos cómo el parque temático Walt Disney analizaba in situ las rutas de sus clientes y mejoraba la experiencia en tiempo real. También, ha redefinido la forma de escuchar música, ya que plataformas como Spotify recomiendan listas de música en función del consumo que realizan sus clientes. La información es poder, y gracias al uso de plataformas sociales como Facebook o Youtube las marcas conocen mejor que buscan sus posibles clientes, que necesitan y cómo adaptarse a ellos.

Data Mining también analiza los grandes volúmenes de datos, pero con una finalidad diferente a Big Data. No necesita saber las preferencias o gustos de los usuarios, sino que analiza la información para conocer y descubrir patrones de conducta sospechosos. La banca, aseguradoras o la ciencia han utilizado la profundidad de esta información. Por ejemplo, estudios de microbiología han establecido patrones de conducta entre las bacterias, para detectar cómo reaccionan a determinadas temperaturas o ambientes, con el fin de paliar una futura enfermedad. Por otro lado, la banca dispone de grandes volúmenes de datos y a partir del data mining ha analizado los patrones de conductas vinculados a los fraudes o estafas. Incluso en EE.UU. el análisis de los datos se ha relacionado con la búsqueda de patrones de conducta delictiva.

Los datos proporcionan una gran información, la clave está en saber utilizarla.

La entrada Grandes volúmenes de datos: Big Data vs Data Mining aparece primero en CulturaCRM.