Minería de datos

Ir a la navegaciónIr a la búsqueda
La minería de datos o exploración de datos (es la etapa de análisis de
"Knowledge Discovery in Databases" o KDD) es un campo de la estadística y
las ciencias de la computación referido al proceso que intenta descubrir
patrones en grandes volúmenes de conjuntos de datos. 12 Utiliza los métodos de
la inteligencia artificial, aprendizaje automático, estadística y sistemas de bases
de datos. El objetivo general del proceso de minería de datos consiste en
extraer información de un conjunto de datos y transformarla en una estructura
comprensible para su uso posterior. Además de la etapa de análisis en bruto,
supone aspectos de gestión de datos y de bases de datos, de procesamiento
de datos, del modelo y de las consideraciones de inferencia, de métricas de
Intereses, de consideraciones de la teoría de la complejidad computacional, de
post-procesamiento de las estructuras descubiertas, de la visualización y de la
actualización en línea.
El término es un concepto de moda, y es frecuentemente mal utilizado para
referirse a cualquier forma de datos a gran escala o procesamiento de la
información (recolección, extracción, almacenamiento, análisis y estadísticas),
pero también se ha generalizado a cualquier tipo de sistema informático de
apoyo a decisiones, incluyendo la inteligencia artificial, aprendizaje automático
y la inteligencia empresarial. En el uso de la palabra, el término clave es el
descubrimiento, comúnmente se define como "la detección de algo nuevo".
Incluso el popular libro "La minería de datos: sistema de prácticas herramientas
de aprendizaje y técnicas con Java" (que cubre todo el material de aprendizaje
automático) originalmente iba a ser llamado simplemente "la máquina de
aprendizaje práctico", y el término "minería de datos" se añadió por razones de
marketing. A menudo, los términos más generales "(gran escala) el análisis de
datos", o "análisis". O cuando se refieren a los métodos actuales, la inteligencia
artificial y aprendizaje automático, son más apropiados.
La tarea de minería de datos real es el análisis automático o semi-automático
de grandes cantidades de datos para extraer patrones interesantes hasta ahora
desconocidos, como los grupos de registros de datos (análisis clúster),
registros poco usuales (la detección de anomalías) y dependencias (minería
por reglas de asociación). Esto generalmente implica el uso de técnicas de
bases de datos como los índices espaciales. Estos patrones pueden entonces
ser vistos como una especie de resumen de los datos de entrada, y pueden ser
utilizados en el análisis adicional o, por ejemplo, en el aprendizaje automático
y análisis predictivo. Por ejemplo, el paso de minería de datos podría identificar
varios grupos en los datos, que luego pueden ser utilizados para obtener
resultados más precisos de predicción por un sistema de soporte de
decisiones. Ni la recolección de datos, la preparación de datos, ni la
interpretación de los resultados y la información son parte de la etapa de
minería de datos, pero que pertenecen a todo el proceso KDD como pasos
adicionales.
Los términos relacionados con la obtención de datos, la pesca de datos y
espionaje de los datos se refieren a la utilización de métodos de minería de
datos a las partes de la muestra de un conjunto de datos de población más
 grandes establecidas que son (o pueden ser) demasiado pequeñas para las
inferencias estadísticas fiables que se hizo acerca de la validez de cualquier
patrón descubierto. Estos métodos pueden, sin embargo, ser utilizados en la
creación de nuevas hipótesis que se prueban contra poblaciones de datos más
grandes.

Índice

 1Proceso
 2Protocolo de un proyecto de minería de datos
 3Técnicas de minería de datos
 4Ejemplos de uso de la minería de datos
o 4.1Negocios
 4.1.1Análisis de la cesta de la compra
 4.1.2Patrones de fuga
 4.1.3Fraudes
 4.1.4Recursos humanos
o 4.2Comportamiento en Internet
o 4.3Terrorismo
o 4.4Juegos
o 4.5Videojuegos
o 4.6Ciencia e Ingeniería
 4.6.1Genética
 4.6.2Ingeniería eléctrica
 4.6.3Análisis de gases
 5Minería de datos y otras disciplinas análogas
o 5.1De la estadística
o 5.2De la informática
 6Minería de datos basada en teoría de la información
 7Tendencias
 8Herramientas de software
 9Véase también
 10Referencias
 11Enlaces externos

Proceso[editar]
Un proceso típico de minería de datos consta de los siguientes pasos
generales:

1. Selección del conjunto de datos, tanto en lo que se refiere a las

variables objetivo (aquellas que se quiere predecir, calcular o inferir),
como a las variables independientes (las que sirven para hacer el
cálculo o proceso), como posiblemente al muestreo de
los registros disponibles.
2. Análisis de las propiedades de los datos, en especial
los histogramas, diagramas de dispersión, presencia de valores
atípicos y ausencia de datos (valores nulos).
3. Transformación del conjunto de datos de entrada, se realizará de
diversas formas en función del análisis previo, con el objetivo de
 prepararlo para aplicar la técnica de minería de datos que mejor se
adapte a los datos y al problema, a este paso también se le conoce
como preprocesamiento de los datos. Un problema sustancial
asociado al desarrollo de este tipo de sistemas cuando contienen texto
en Inglés es el tamaño de su vocabulario; que es más grande que el de
cualquier otra Lengua en el mundo. Un método que se está ahora
utilizando en estos casos es el de simplificación antes de proceder con
el proceso, por medio de convertir dicho texto a Inglés básico; mismo
que contiene solo 1,000 palabras que también se utilizan para describir
en notas al pie el sentido de las más de 30,000 palabras definidas en el
“Diccionario Básico de Ciencias”.3
4. Selección y aplicación de la técnica de minería de datos, se
construye el modelo predictivo, de clasificación o segmentación.
5. Extracción de conocimiento, mediante una técnica de minería de
datos, se obtiene un modelo de conocimiento, que representa patrones
de comportamiento observados en los valores de las variables del
problema o relaciones de asociación entre dichas variables. También
pueden usarse varias técnicas a la vez para generar distintos modelos,
aunque generalmente cada técnica obliga a un preprocesado diferente
de los datos.
6. Interpretación y evaluación de datos, una vez obtenido el modelo, se
debe proceder a su validación comprobando que las conclusiones que
arroja son válidas y suficientemente satisfactorias. En el caso de haber
obtenido varios modelos mediante el uso de distintas técnicas, se deben
comparar los modelos en busca de aquel que se ajuste mejor al
problema. Si ninguno de los modelos alcanza los resultados esperados,
debe alterarse alguno de los pasos anteriores para generar nuevos
modelos.
Si el modelo final no superara esta evaluación el proceso se podría repetir
desde el principio o, si el experto lo considera oportuno, a partir de cualquiera
de los pasos anteriores. Esta retroalimentación (feedback) se podrá repetir
cuantas veces se considere necesario hasta obtener un modelo válido.
Una vez validado el modelo, si resulta ser aceptable (proporciona salidas
adecuadas y/o con márgenes de error admisibles) éste ya está listo para su
explotación. Los modelos obtenidos por técnicas de minería de datos se
aplican incorporándolos en los sistemas de análisis de información de las
organizaciones, e incluso, en los sistemas transaccionales. En este sentido
cabe destacar los esfuerzos del Data Mining Group, que está estandarizando el
lenguaje PMML (Predictive Model Markup Language), de manera que los
modelos de minería de datos sean interoperables en distintas plataformas, con
independencia del sistema con el que han sido construidos. Los principales
fabricantes de sistemas de bases de datos y programas de análisis de la
información hacen uso de este estándar.
Tradicionalmente, las técnicas de minería de datos se aplicaban sobre
información contenida en almacenes de datos. De hecho, muchas grandes
empresas e instituciones han creado y alimentan bases de datos
especialmente diseñadas para proyectos de minería de datos en las que
centralizan información potencialmente útil de todas sus áreas de negocio. No
obstante, actualmente está cobrando una importancia cada vez mayor la
minería de datos desestructurados como información contenida en ficheros de
texto, en Internet, etc.

Protocolo de un proyecto de minería de datos[editar]

Un proyecto de minería de datos tiene cinco fases necesarias que son,
esencialmente:

 Comprensión: del negocio y del problema que se quiere resolver.

 Determinación, obtención y limpieza: de los datos necesarios.
 Creación de modelos matemáticos.
 Validación, comunicación: de los resultados obtenidos.
 Integración: si procede, de los resultados en un sistema transaccional o
similar.
La relación entre todas estas fases sólo es lineal sobre el papel. En realidad, es
mucho más compleja y esconde toda una jerarquía de subfases. A través de la
experiencia acumulada en proyectos de minería de datos se han ido
desarrollando metodologías que permiten gestionar esta complejidad de una
manera más o menos uniforme.

Técnicas de minería de datos[editar]

Como ya se ha comentado, las técnicas de la minería de datos provienen de
la inteligencia artificial y de la estadística, dichas técnicas, no son más
que algoritmos, más o menos sofisticados que se aplican sobre un conjunto de
datos para obtener unos resultados.
Las técnicas más representativas son:

 Redes neuronales.- Son un paradigma de aprendizaje y procesamiento

automático inspirado en la forma en que funciona el sistema nervioso de los
animales. Se trata de un sistema de interconexión de neuronas en
una red que colabora para producir un estímulo de salida. Algunos ejemplos
de red neuronal son:
o El perceptrón.
o El perceptrón multicapa.
o Los mapas autoorganizados, también conocidos como redes
de Kohonen.

 Regresión lineal.- Es la más utilizada para formar relaciones entre

datos. Rápida y eficaz pero insuficiente en espacios multidimensionales
donde puedan relacionarse más de 2 variables.

 Árboles de decisión.- Un árbol de decisión es un modelo de predicción

utilizado en el ámbito de la inteligencia artificial y el análisis predictivo, dada
una base de datos se construyen estos diagramas de construcciones
lógicas, muy similares a los sistemas de predicción basados en reglas, que
sirven para representar y categorizar una serie de condiciones que suceden
de forma sucesiva, para la resolución de un problema. Ejemplos:
 o Algoritmo ID3.
o Algoritmo C4.5

 Modelos estadísticos.- Es una expresión simbólica en forma de

igualdad o ecuación que se emplea en todos los diseños experimentales y
en la regresión para indicar los diferentes factores que modifican la variable
de respuesta.

 Agrupamiento o  Clustering.- Es un procedimiento de agrupación de

una serie de vectores según criterios habitualmente de distancia; se tratará
de disponer los vectores de entrada de forma que estén más cercanos
aquellos que tengan características comunes. Ejemplos:
o Algoritmo K-means
o Algoritmo K-medoids

 Reglas de asociación.- Se utilizan para descubrir hechos que ocurren

en común dentro de un determinado conjunto de datos.
Según el objetivo del análisis de los datos, los algoritmos utilizados se
clasifican en supervisados y no supervisados (Weiss y Indurkhya, 1998):

 Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto

de ellos) desconocido a priori, a partir de otros conocidos.
 Algoritmos no supervisados (o del descubrimiento del conocimiento): se
descubren patrones y tendencias en los datos.

Ejemplos de uso de la minería de datos[editar]

Negocios[editar]
La minería de datos puede contribuir significativamente en las aplicaciones
de administración empresarial basada en la relación con el cliente. En lugar de
contactar con el cliente de forma indiscriminada a través de un centro de
llamadas o enviando e-mails, sólo se contactará con aquellos que se perciba
que tienen una mayor probabilidad de responder positivamente a una
determinada oferta o promoción.
Las empresas que emplean minería de datos ven habitualmente el retorno de
la inversión, pero también reconocen que el número de modelos predictivos
desarrollados puede crecer muy rápidamente. En lugar de crear modelos para
predecir qué clientes pueden cambiar, la empresa podría construir modelos
separados para cada región y/o para cada tipo de cliente. También puede
querer determinar qué clientes van a ser rentables durante una ventana de
tiempo (una quincena, un mes, ...) y sólo enviar las ofertas a las personas que
es probable que sean rentables. Para mantener esta cantidad de modelos, es
necesario gestionar las versiones de cada modelo y pasar a una minería de
datos lo más automatizada posible.
En un entorno tan cambiante donde los volúmenes de datos medibles crece
exponencialmente gracias al marketing digital, 4 "las esperas producidas por
dependencias de departamentos técnicos y los expertos estadistas consiguen
que finalmente los resultados de los análisis sean inservibles" a los usuarios de
negocio y decisores.5 Esto explica que los proveedores de herramientas de
minería de datos estén trabajando en aplicaciones más fáciles de utilizar en lo
que se conoce como minería de datos visual 6 y la demanda de empleo de este
tipo de usuario analista de negocio se esté disparando en los últimos años.
Según Gartner es previsible que durante 2016-2017 sólo haya "profesionales
cualificados para cubrir una tercera parte de los puestos". 7
Análisis de la cesta de la compra[editar]
El ejemplo clásico de aplicación de la minería de datos tiene que ver con la
detección de hábitos de compra en supermercados. Un estudio muy citado
detectó que los viernes había una cantidad inusualmente elevada de clientes
que adquirían a la vez pañales y cerveza. Se detectó que se debía a que dicho
día solían acudir al supermercado padres jóvenes cuya perspectiva para el fin
de semana consistía en quedarse en casa cuidando de su hijo y viendo la
televisión con una cerveza en la mano. El supermercado pudo incrementar sus
ventas de cerveza colocándolas próximas a los pañales para fomentar las
ventas compulsivas.
Patrones de fuga[editar]
Un ejemplo más habitual es el de la detección de patrones de fuga. En
muchas industrias —como la banca, las telecomunicaciones, etc.— existe un
comprensible interés en detectar cuanto antes aquellos clientes que puedan
estar pensando en rescindir sus contratos para, posiblemente, pasarse a la
competencia. A estos clientes —y en función de su valor— se les podrían hacer
ofertas personalizadas, ofrecer promociones especiales, etc., con el objetivo
último de retenerlos. La minería de datos ayuda a determinar qué clientes son
los más proclives a darse de baja estudiando sus patrones de comportamiento
y comparándolos con muestras de clientes que, efectivamente, se dieron de
baja en el pasado.
Fraudes[editar]
Un caso análogo es el de la detección de transacciones de lavado de dinero o
de fraude en el uso de tarjetas de crédito o de servicios de telefonía móvil e,
incluso, en la relación de los contribuyentes con el fisco. Generalmente, estas
operaciones fraudulentas o ilegales suelen seguir patrones característicos que
permiten, con cierto grado de probabilidad, distinguirlas de las legítimas y
desarrollar así mecanismos para tomar medidas rápidas frente a ellas.
Recursos humanos[editar]
La minería de datos también puede ser útil para los departamentos de recursos
humanos en la identificación de las características de sus empleados de mayor
éxito. La información obtenida puede ayudar a la contratación de personal,
centrándose en los esfuerzos de sus empleados y los resultados obtenidos por
estos. Además, la ayuda ofrecida por las aplicaciones para Dirección
estratégica en una empresa se traducen en la obtención de ventajas a nivel
corporativo, tales como mejorar el margen de beneficios o compartir objetivos;
y en la mejora de las decisiones operativas, tales como desarrollo de planes
de producción o gestión de mano de obra.
Comportamiento en Internet[editar]
También es un área en boga el del análisis del comportamiento de los
visitantes —sobre todo, cuando son clientes potenciales— en un sitio web
de Internet. O la utilización de la información —obtenida por medios más o
menos legítimos— sobre ellos para ofrecerles publicidad adaptada
específicamente a su perfil. O para, una vez que adquieren un determinado
producto, saber inmediatamente qué otro ofrecerle teniendo en cuenta la
información histórica disponible acerca de los clientes que han comprado el
primero.
Terrorismo[editar]
La minería de datos ha sido citada como el método por el cual la unidad Able
Danger del Ejército de los EE.UU. había identificado al líder de los atentados
del 11 de septiembre de 2001, Mohammed Atta, y a otros tres secuestradores
del "11-S" como posibles miembros de una célula de Al Qaeda que operan en
los EE. UU. más de un año antes del ataque. Se ha sugerido que tanto
la Agencia Central de Inteligencia y su homóloga canadiense, Servicio de
Inteligencia y Seguridad Canadiense, también han empleado este método. 8
Juegos[editar]
Desde comienzos de la década de 1960, con la disponibilidad de oráculos para
determinados juegos combinacionales, también llamados finales de juego de
tablero (por ejemplo, para las tres en raya o en finales de ajedrez) con
cualquier configuración de inicio, se ha abierto una nueva área en la minería de
datos que consiste en la extracción de estrategias utilizadas por personas para
estos oráculos. Los planteamientos actuales sobre reconocimiento de patrones,
no parecen poder aplicarse con éxito al funcionamiento de estos oráculos. En
su lugar, la producción de patrones perspicaces se basa en una amplia
experimentación con bases de datos sobre esos finales de juego, combinado
con un estudio intensivo de los propios finales de juego en problemas bien
diseñados y con conocimiento de la técnica (datos previos sobre el final del
juego). Ejemplos notables de investigadores que trabajan en este campo
son Berlekamp en el juego de puntos-y-cajas (o Timbiriche) y John
Nunn en finales de ajedrez.
Videojuegos[editar]
En el transcurrir de los años las tecnologías y los avances con relación a la
minería de datos se vieron involucrados en diferentes procesos de negocios y
la industria de los videojuegos no se quedó atrás en este campo, la necesidad
por conocer a sus consumidores y el gusto de estos es parte fundamental para
sobrevivir en un ambiente tan competitivo como lo es este, se necesitan de
diferentes datos para antes de siquiera comenzar la idea de proyecto en un
nuevo videojuego. Grandes compañías desarrolladoras han caído bajo el
manto de cancelaciones, pérdidas, fracasos y en casos hasta la misma quiebra
por el mal manejo de la información. En los últimos años estas empresas
desarrolladoras de videojuegos entendieron la gran importancia del contenido
que se maneja y como lo ve el consumidor por eso se enfocaron en la
contratación de servicios de empresas especializadas en este sector de
minería de datos para poder presentar productos de calidad y que realmente
gusten al público basándose en el análisis de la información obtenida en el
transcurrir de los años “videojugabilisticos” de su público objetivo.
Ciencia e Ingeniería[editar]
En los últimos años la minería de datos se está utilizando ampliamente en
diversas áreas relacionadas con la ciencia y la ingeniería. Algunos ejemplos de
aplicación en estos campos son:
Genética[editar]
En el estudio de la genética humana, el objetivo principal es entender la
relación cartográfica entre las partes y la variación individual en las secuencias
del ADN humano y la variabilidad en la susceptibilidad a las enfermedades. En
términos más llanos, se trata de saber cómo los cambios en la secuencia de
ADN de un individuo afectan al riesgo de desarrollar enfermedades comunes
(como por ejemplo el cáncer). Esto es muy importante para ayudar a mejorar el
diagnóstico, prevención y tratamiento de las enfermedades. La técnica de
minería de datos que se utiliza para realizar esta tarea se conoce como
"reducción de dimensionalidad multifactorial".9
Ingeniería eléctrica[editar]
En el ámbito de la ingeniería eléctrica, las técnicas de minería de datos han
sido ampliamente utilizadas para monitorizar las condiciones de
las instalaciones de alta tensión. La finalidad de esta monitorización es obtener
información valiosa sobre el estado del aislamiento de los equipos. Para la
vigilancia de las vibraciones o el análisis de los cambios de carga en
transformadores se utilizan ciertas técnicas para agrupación de
datos (clustering) tales como los mapas auto-organizativos (SOM: Self-
organizing map). Estos mapas sirven para detectar condiciones anormales y
para estimar la naturaleza de dichas anomalías.10
Análisis de gases[editar]
También se han aplicado técnicas de minería de datos para el análisis de
gases disueltos (DGA: Dissolved gas analysis) en transformadores eléctricos.
El análisis de gases disueltos se conoce desde hace mucho tiempo como la
herramienta para diagnosticar transformadores. Los mapas auto-
organizativos (SOM) se utilizan para analizar datos y determinar tendencias
que podrían pasarse por alto utilizando las técnicas clásicas (DGA).

Minería de datos y otras disciplinas análogas[editar]

Suscita cierta polémica el definir las fronteras existentes entre la minería de
datos y las disciplinas análogas, como pueden serlo la estadística, la
inteligencia artificial, etc. Hay quienes sostienen que la minería de datos no es
sino estadística envuelta en una jerga de negocios que la conviertan en un
producto vendible. Otros, en cambio, encuentran en ella una serie de
problemas y métodos específicos que la hacen distinta de otras disciplinas.
El hecho es que, en la práctica la totalidad de los modelos y algoritmos de uso
general en minería de datos —redes neuronales, árboles de regresión y
clasificación, modelos logísticos, análisis de componentes principales, etc.—
gozan de una tradición relativamente larga en otros campos.
De la estadística[editar]
Ciertamente, la minería de datos bebe de la estadística, de la que toma las
siguientes técnicas:

 Análisis de varianza, mediante el cual se evalúa la existencia de

diferencias significativas entre las medias de una o más variables continuas
en poblaciones distintas.
 Regresión: define la relación entre una o más variables y un conjunto de
variables predictoras de las primeras.
 Prueba chi-cuadrado: por medio de la cual se realiza el contraste de la
hipótesis de dependencia entre variables.
 Análisis de agrupamiento o  clustering: permite la clasificación de una
población de individuos caracterizados por múltiples atributos (binarios,
cualitativos o cuantitativos) en un número determinado de grupos, con base
en las semejanzas o diferencias de los individuos.
 Análisis discriminante: permite la clasificación de individuos en grupos
que previamente se han establecido, permite encontrar la regla de
clasificación de los elementos de estos grupos, y por tanto una mejor
identificación de cuáles son las variables que definan la pertenencia al
grupo.
 Series de tiempo: permite el estudio de la evolución de una variable a
través del tiempo para poder realizar predicciones, a partir de ese
conocimiento y bajo el supuesto de que no van a producirse cambios
estructurales.
De la informática[editar]
De la informática toma las siguientes técnicas:

 Algoritmos genéticos: Son métodos numéricos de optimización, en los

que aquella variable o variables que se pretenden optimizar junto con las
variables de estudio constituyen un segmento de información. Aquellas
configuraciones de las variables de análisis que obtengan mejores valores
para la variable de respuesta, corresponderán a segmentos con mayor
capacidad reproductiva. A través de la reproducción, los mejores
segmentos perduran y su proporción crece de generación en generación.
Se puede además introducir elementos aleatorios para la modificación de
las variables (mutaciones). Al cabo de cierto número de iteraciones, la
población estará constituida por buenas soluciones al problema de
optimización, pues las malas soluciones han ido descartándose, iteración
tras iteración.

 Inteligencia Artificial: Mediante un sistema informático que simula un

sistema inteligente, se procede al análisis de los datos disponibles. Entre
los sistemas de Inteligencia Artificial se encuadrarían los Sistemas Expertos
y las Redes Neuronales.

 Sistemas Expertos: Son sistemas que han sido creados a partir de

reglas prácticas extraídas del conocimiento de expertos. Principalmente a
base de inferencias o de causa-efecto.
 Sistemas Inteligentes: Son similares a los sistemas expertos, pero con
mayor ventaja ante nuevas situaciones desconocidas para el experto.

 Redes neuronales: Genéricamente, son métodos de proceso numérico

en paralelo, en el que las variables interactúan mediante transformaciones
lineales o no lineales, hasta obtener unas salidas. Estas salidas se
contrastan con los que tenían que haber salido, basándose en unos datos
de prueba, dando lugar a un proceso de retroalimentación mediante el cual
la red se reconfigura, hasta obtener un modelo adecuado.

Minería de datos basada en teoría de la

información[editar]
Todas las herramientas tradicionales de minería de datos asumen que los
datos que usarán para construir los modelos contienen la información
necesaria para lograr el propósito buscado: obtener suficiente conocimiento
que pueda ser aplicado al negocio (o problema) para obtener un beneficio (o
solución).
El inconveniente es que esto no es necesariamente cierto. Además, existe otro
problema mayor aún. Una vez construido el modelo no es posible conocer si el
mismo ha capturado toda la información disponible en los datos. Por esta razón
la práctica común es realizar varios modelos con distintos parámetros para ver
si alguno logra mejores resultados.
Un enfoque relativamente nuevo al análisis de datos soluciona estos problemas
haciendo que la práctica de la minería de datos se parezca más a
una ciencia que a un arte.
En 1948 Claude Shannon publicó un trabajo llamado “Una teoría matemática
de la comunicación”. Posteriormente ésta pasó a llamarse Teoría de la
información y sentó las bases de la comunicación y la codificación de la
información. Shannon propuso una manera de medir la cantidad de información
a ser expresada en bits.
En 1999 Dorian Pyle publicó un libro llamado “Data Preparation for Data
Mining” en el que propone una manera de usar la Teoría de la Información para
analizar datos. En este nuevo enfoque, una base de datos es un canal que
transmite información. Por un lado está el mundo real que captura datos
generados por el negocio. Por el otro están todas las situaciones y problemas
importantes del negocio. Y la información fluye desde el mundo real y a través
de los datos, hasta la problemática del negocio.
Con esta perspectiva y usando la Teoría de la información, es posible medir la
cantidad de información disponible en los datos y qué porción de la misma
podrá utilizarse para resolver la problemática del negocio. Como un ejemplo
práctico, podría encontrarse que los datos contienen un 65% de la información
necesaria para predecir qué cliente rescindirán sus contratos. De esta manera,
si el modelo final es capaz de hacer predicciones con un 60% de acierto, se
puede asegurar que la herramienta que generó el modelo hizo un buen trabajo
capturando la información disponible. Ahora, si el modelo hubiese tenido un
porcentaje de aciertos de sólo el 10%, por ejemplo, entonces intentar otros
modelos o incluso con otras herramientas podría valer la pena.
La capacidad de medir información contenida en los datos tiene otras ventajas
importantes.
Al analizar los datos desde esta nueva perspectiva se genera un mapa de
información que hace innecesario la preparación previa de los datos, una tarea
absolutamente imprescindible si se desea buenos resultados, pero que lleva
enorme cantidad de tiempo.
Es posible seleccionar un grupo de variables óptimo que contenga la
información necesaria para realizar un modelo de predicción.
Una vez que las variables son procesadas con el fin de crear el mapa de
información y luego seleccionadas aquellas que aportan la mayor información,
la elección de la herramienta que se usará para crear el modelo deja de tener
importancia, ya que el mayor trabajo fue realizado en los pasos previos.

Tendencias[editar]
La Minería de Datos ha sufrido transformaciones en los últimos años de
acuerdo con cambios tecnológicos, de estrategias de marketing, la extensión
de los modelos de compra en línea, etc. Los más importantes de ellos son:

 La importancia que han cobrado los datos no estructurados (texto,

páginas de Internet, etc.).
 La necesidad de integrar los algoritmos y resultados obtenidos en
sistemas operacionales, portales de Internet, etc.
 La exigencia de que los procesos funcionen prácticamente en línea (por
ejemplo, en casos de fraude con una tarjeta de crédito).
 Los tiempos de respuesta. El gran volumen de datos que hay que
procesar en muchos casos para obtener un modelo válido es un
inconveniente; esto implica grandes cantidades de tiempo de proceso y hay
problemas que requieren una respuesta en tiempo real.

Herramientas de software[editar]
Existen muchas herramientas de software para el desarrollo de modelos de
minería de datos tanto libres como comerciales como, por ejemplo:

 RapidMiner
 KNIME
 Neural Designer
 OpenNN
 Orange
 R
 SPSS Modeler
 SAS
 STATISTICA
 Weka