UNIVERSIDAD NACIONAL DE ASUNCIÓN
FACULTAD DE CIENCIAS ECONÓMICAS FILIAL
VILLA HAYES
“ DATA MINING
O MINERIA DE
DATOS”
Integrantes
Erica Arami Giménez Mencia
Andrés Damian Rotela Oviedo
Trishel Nikol Medina Vargas
Osmar Ariel Noguera Insfran
Karina Noemi Martinez Franco
Curso : Segundo
Semestre : 4to
Turno : Noche
Profesora : Silvana Rafaela Ascurra de Calastra
Año : 2024
2
CONTENIDO Pág.
Portada 1
Introducción…………………………………………………… 3
Concepto del Data Mining ……………………………………….. 4
Tipos de Data Mining…………………………………………………… 5
Casos y Usos……………………………………………. 6
Conclusión ………………………………………………… 7
Anexos …………………………………………….. 8-9
Bibliografía……………………………………………………………….. 10
INDICE
3
INTRODUCCIÓN
La minería de datos es el proceso general de identificar patrones y extraer información
útil de grandes conjuntos de datos. Se puede utilizar para evaluar datos estructurados y
no estructurados a fin de identificar información nueva y se utiliza normalmente para
analizar el comportamiento de los consumidores para los equipos de marketing y ventas.
4
DATA MINING O MINERÍA DE DATOS
Data Mining: ¿Por qué utilizarlo?
El Data Mining, o minería de datos, es esencial en un mundo donde la cantidad de información
crece exponencialmente. Utilizar Data Mining permite extraer valor de grandes volúmenes de
datos, identificando patrones, relaciones, y tendencias que no son evidentes a simple vista.
Esta información puede ser usada para tomar decisiones informadas en diversas áreas como
negocios, salud, finanzas y más. Su uso ayuda a automatizar la búsqueda de información
relevante, lo que mejora la eficiencia en el análisis de datos y genera un valor competitivo para
las organizaciones.
¿Cómo funciona el Data Mining?
El proceso de Data Mining sigue un conjunto de etapas estructuradas que permiten convertir
datos crudos en conocimiento útil:
Recolección de datos: Se recopilan datos desde diversas fuentes, como bases de datos,
sensores, redes sociales, y sitios web. Estos datos pueden ser estructurados (tablas de bases de
datos) o no estructurados (imágenes, texto, videos).
Preparación de los datos: Incluye la limpieza de datos (eliminación de duplicados, manejo de
valores faltantes), la transformación (normalización o codificación) y la selección de los datos
más relevantes para el análisis.
Elección del algoritmo: Dependiendo del problema, se selecciona la técnica de Data Mining
más adecuada, como clasificación, clustering, o reglas de asociación. Este paso implica elegir
un modelo que pueda analizar los datos y producir resultados.
Entrenamiento del modelo: El algoritmo se entrena utilizando un subconjunto de los datos
disponibles. En esta etapa, el modelo aprende patrones y relaciones en los datos.
Validación y evaluación: Se prueban los resultados obtenidos con datos que el modelo no ha
visto antes para medir su precisión y efectividad. Esto ayuda a determinar si el modelo es útil
para el propósito deseado.
Aplicación e interpretación: Una vez evaluado, el modelo se implementa en el entorno real y
5
se utiliza para predecir, clasificar, o analizar nuevos datos. Los resultados deben ser
interpretados y traducidos en decisiones prácticas.
Tipos de Data Mining
1. Clasificación: Esta técnica asigna una categoría a un conjunto de datos. Por ejemplo,
en el análisis de crédito, se pueden clasificar a los clientes como “aprobado” o
“rechazado” según su historial crediticio.
2. Regresión: Se utiliza para predecir un valor continuo, como predecir las ventas futuras
de un producto con base en datos históricos.
3. Clustering (agrupamiento): Agrupa datos en subconjuntos que comparten
características similares sin tener una etiqueta predefinida. Es útil en la segmentación
de clientes, donde se agrupan individuos con comportamientos similares.
4. Asociación: Busca reglas que muestren relaciones entre diferentes variables. Es común
en el análisis de canastas de compra, donde se descubren productos que suelen
comprarse juntos.
5. Detección de anomalías: Identifica datos que se desvían significativamente de la
norma, como en la detección de fraudes.
Casos de Uso y Ejemplos
6
Marketing y Ventas: En la industria del retail, Data Mining se utiliza para segmentar clientes,
comprender sus patrones de compra y crear recomendaciones personalizadas. Por ejemplo,
Amazon utiliza algoritmos de asociación para sugerir productos que otros usuarios compraron
junto a los que el cliente ya tiene en su carrito.
Finanzas: Los bancos y aseguradoras utilizan técnicas de clasificación y regresión para predecir
el riesgo crediticio y detectar fraudes financieros. Un banco podría aplicar un modelo de Data
Mining para determinar si un cliente tiene un alto riesgo de incumplimiento basándose en su
comportamiento de transacciones pasadas.
Salud: En el ámbito médico, se puede utilizar Data Mining para predecir enfermedades o
personalizar tratamientos. Por ejemplo, los hospitales aplican modelos de clasificación para
identificar a pacientes con riesgo de desarrollar diabetes basándose en su historial clínico.
Telecomunicaciones: Las empresas de telecomunicaciones emplean el clustering para analizar
el comportamiento de sus usuarios y predecir qué clientes tienen mayor probabilidad de
cancelar el servicio, lo que les permite implementar estrategias de retención.
Manufactura: En las fábricas, Data Mining ayuda a mejorar la eficiencia y el mantenimiento de
equipos a través de la detección de anomalías. Los datos de sensores pueden ser utilizados
para predecir cuándo una máquina puede fallar, reduciendo tiempos de inactividad y costos de
reparación.
7
CONCLUSIÓN
La minería de datos es una herramienta poderosa para extraer patrones y conocimientos
a partir de grandes volúmenes de información. Su aplicación abarca diversas industrias,
desde el marketing hasta la salud, permitiendo la toma de decisiones más informadas y
eficientes. Sin embargo, plantea desafíos éticos y de privacidad que deben ser abordados
con responsabilidad. En conclusión, aunque ofrece un potencial significativo para el
avance en múltiples campos, es crucial equilibrar su uso con consideraciones éticas y
legales.
8
ANEXOS
9
10
BIBLIOGRAFÍA
/
Qué es la minería de datos: conceptos, técnicas y ejemplos
¿Qué es la minería de datos? La minería de datos, explicada - AWS
10 ventajas de la minería de datos - ITELLIGENT