Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials

7/25/2019 Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials

1/19

33

Identificacin de tcnicas de minera dedatos para apoyar la toma de decisiones en

la solucin de problemas empresariales*Identification of data mining techniques to

support decision-making in solving businessproblems

Identification de techniques de recueil dedonnes pour la prise de dcisions et la

rsolution de problmes entrepreneuriaux

Identificao de tcnicas de minerao dedados para apoiar na tomada de decises na

soluo de problemas empresariais

Jahir A Gutirrez O **Bernardo Molina***

____________

* Este artculo es producto del proyecto de investigacin: Identicacin deherramientas bsicas para la aplicacin de la minera de datos en la solucin

de problemas empresariales. Financiado por la Direccin de Gestin de

Conocimiento de la Universidad CES en Medelln. Ejecutado por el grupo de

investigacin en Gestin Empresarial de la Facultad de Administracin y Ciencias

Econmicas de la Universidad CES, reconocido en Colciencias en la categora

D, entre el perodo de Septiembre de 2014 a Noviembre de 2014.

** PhD. Administracin Pblica, Atlantic International University (AIU), Honolul,USA. Magster en Desarrollo, Universidad Ponticia Bolivariana, Medelln,

Colombia. Economista, Universidad de Medelln, Colombia. Investigador y

Lder del Grupo de Gestin Empresarial del CES y miembro del Grupo de

Perdurabilidad Empresarial Universidad del Rosario.

*** Docente catedrtico, Universidad CES. Gerente de Bermoz Software.Ingeniero Informtico, Fundacin Universitaria Catlica del Norte,

Medelln, Colombia. Consultor en Anlisis y Diseo Orientado a Objetos

con UML, Rational ROSE. Consultor asesor en tecnologas informticas y

sistematizacin. Auditor Interno de Calidad, ISO-2002.

Fecha de recepcin: 6 de octubre.

Fecha de aprobacin: 28 de octubre.Pp. 33-52


2/19

34

Identifcacin de tcnicas de minera de datos para apoyar la toma de decisiones en

la solucin de problemas empresariales

RESUMEN

La gestin empresarial tradicionalmente ha estado permeada por muchasteoras propias y extraas a su mbito disciplinar, ya que su ejercicio se

circunscribe a la administracin, trmino tan amplio y universal en el cual

caben todo tipo de definiciones sobre qu es administrar y muchas tendencias

disponibles en el mercado. Pero dejando de lado estas discusiones, interesa

en este momento reflexionar acerca de cules son los insumos para la toma

de decisiones empresariales, independizndolas de la jerarquizacin de si

son estratgicas, tcticas u operativas. Se debe hacer la pregunta desde el

mbito instrumental de las ciencias de apoyo para la toma de decisiones

como la informtica y sus diferentes tcnicas para el tratamiento de los

datos: La aplicacin de las tcnicas de minera de datos podra apoyar la

gestin empresarial para generar mejores resultados en la toma de decisiones

empresariales en la micro y pequea empresa? Bajo este mismo escenario,

identificar las herramientas bsicas para la aplicacin de la minera de datos

en la solucin de problemas empresariales, desde las soluciones de Softwarelibre y abierto que se podran emplear para mejorar las capacidades de gestin

que tienen las micro y pequeas empresas en la toma de decisiones, buscando

bosquejar un mapa de estrategias de aplicacin de las tcnicas de minera de

datos a las funciones tpicas de los modelos empresariales para la toma de

decisiones.

PALABRASCLAVE

Algoritmos, anlisis multicriterio, minera de datos y datos simples, medicin

y simulacin de datos, toma de decisiones, herramientas de minera de datos.

ABSTRACT

Business management has traditionally been permeated by many strangetheories in its disciplinary field for the reason that its practice is limited toadministration, broad and universal term in which we can fit all kinds ofdefinitions of what management is, and many trends that are available inthe market. But leaving aside these discussions, we are now interested inreflecting on what the inputs for making business decisions are, making themindependent from the hierarchies of being strategic, tactical or operational.We want to set the question from the instrumental field of the sciencesfor the support of decision-making, such as informatics and its different

data processing techniques; and ask ourselves, could the utilization of data


3/19

Jahir A Gutirrez O/ Bernardo Molina

35

mining techniques support business management in order to generatebetter results in making business decisions in the micro and small business?and at the same time try to identify the basic tools to implement data

mining in solving business problems from free and open software solutionsthat could be used to improve management skills that micro and smallcompanies have in decision-making, seeking to sketch a map of strategiesfor the implementation of data mining techniques to the typical functionsof business models for decision-making.

KEYWORDS

Algorithms, multi criteria analysis, data mining and simple data, data

measurement and simulation, decision making, data mining tools.

RSUM

La gestion entrepreneuriale a traditionnellement t permable denombreuses thories provenant de diffrents domaines de la connaissance.Lexercice de la gestion ne se limite pas ladministration, mais repose surdiffrentes dfinitions de celle-ci et sur de nombreuses tendances disponibles

sur le march. Laissant de ct ces discussions, il nous semble intressant derflchir sur les facteurs de premire importance pour la prise de dcisionsentrepreneuriales, en les hirarchisant pour savoir sil sagit de dcisions

stratgiques, tactiques ou oprationnelles. partir du domaine instrumentaldes sciences daide la prise de dcisions que sont linformatique et sesdiffrentes techniques pour le traitement des donnes, nous souhaitonsdans ce travail rpondre la question suivante: lapplication des techniquesdanalyse de donnes pourrait-elle aider les grants dentreprises amliorerles rsultats de leurs prises de dcisions? Il sagira galement ici dessayerdidentifier les outils de base pour lapplication de lanalyse des donnes

pour la rsolution des problmes entrepreneuriaux grce aux solutions

offertes par les logiciels libres pouvant tre employs pour amliorer lescapacits de gestion des PME dans leur prise de dcisions.

MOTSCLEFS

Algorithmes, analyse multicritre, analyse de donnes, donnessimples, mesure et simulation de donnes, prise de dcisions, outilsdanalyse de donnes

Co-traitement


4/19

36



RESUMO

A Gesto de negcios tem sido tradicionalmente permeada por muitasteorias prprias e alheias ao seu campo disciplinar, j que seu exerccio selimita ao campo da administrao e sua terminologia to ampla e universalna qual cabem todos os tipos de definies sobre o que significa administrar,alm de muitas tendncias disponveis no mercado. Mas, alm dessasdiscusses, nos interessa neste momento refletir sobre quais so os insumosusados para a tomada de decises a nvel empresarial, independentementede uma posio estratgica, ttica ou operativa. A questo que surgedesde o campo instrumental da cincia para apoiar a tomada de decisesde como a informtica e suas diferentes tcnicas para o processamento dedados : Ser que a aplicao de tcnicas de minerao de dados poder

apoiar a gesto de negcios para gerar melhor resultados na tomada dedecises empresariais em micro e pequenas empresas? Ao mesmo tempo, importante identificar as ferramentas bsicas para implementar a mineraode dados para resolver problemas de negcios, desde solues de Softwaresgratuitos e abertos que poderiam ser usados para melhorar as capacidadesde gesto que tem as micro e pequenas empresas na tomada de decises.

A inteno esboar um mapa de estratgias de implementao das tcnicasde minerao de dados para as funes tpicas dos modelos empresariais

para a tomada de decises.

.

PALAVRAS-CHAVE

Algoritmos, anlise mulcritrio, minerao de dados e dados simples, medio

e simulao de dados, tomada de decises, ferramentas de minerao de dados.


5/19


37

1. Introduccin

Dada la explosin de disponibilidad de las herramientas

informticas de Hardware y Software para el apoyode los procesos empresariales, hoy da es tpico que

la micro y pequea empresa genere grandes cantidades de

informacin, hecho que unido al aumento de las capacidades

de almacenamiento de datos, hacen que las organizaciones

puedan disponer de una gran cantidad y variedad de datos

relativos a su actividad diaria.

Sus procesos organizacionales son permeados por

herramientas deSoftwareque generan datos en todo momento,tales como datos contables financieros, administrativos de la

gestin operativa de produccin, mercadeo o ventas, y otros

procesos, que en muchos escenarios son tan voluminosos y

dispendiosos de analizar, que las organizaciones no cuentan

con personal y tiempo para realizar estas tareas; ms an, una

gestin ideal de los datos como informacin para una gestin

del conocimiento que ofrezca a la empresa una visin de qu

se est haciendo, cmo se est haciendo -perspectiva- y cmo

puede esta evolucionar en un futuro a corto mediano plazo

prospectiva-. Es por esto, que el anlisis de los datos toma

cada vez una funcin vital en el proceso de toma de decisiones

(Drucker, 1999, pp. 176-177).

Segn la visin de la teora organizacional, se puededefinir el conocimiento como la informacin que posee valor

para ella (Stewart, 1999), es decir, aquella informacin que

permite generar acciones asociadas a satisfacer las demandas

del mercado (Porter & Millar, 1986) y apoyar las nuevas

oportunidades a travs de las competencias centrales de la

organizacin. De all que las organizaciones deben tomar

control de sus datos para analizarlos.


6/19

38



Pensar sobre la incapacidad de analizar los datos, pasa

por muchos estadios, desde las capacidades de sistematizacin

de la informacin, los procesos y medios para acceder a lainformacin, hasta la formacin del talento humano con

capacidades analticas especializadas para el modelo de nego-

cios de la organizacin en la que se encuentra.

En las tendencias del mercado de servicios informticos,

se presenta, para las empresas, la minera de datos como la

panacea para la analtica de datos; sin embargo, la mayora

de ellas no estn preparadas internamente desde el punto

operativo y tecnolgico para afrontar este tipo de herramientas.Si se mira cual sera la aplicacin de la minera de datos en la

solucin de problemas empresariales en la micro y pequea

empresa en los sectores de minera, salud y transporte, se

encuentra que a pesar de que estos tipos de organizaciones

estn en la bsqueda de su fortalecimiento empresarial y de

aplicar tcnicas y tecnologas de avanzada, ven paradigmas

que al parecer suenan difciles y costosos para sus empresas,

bien porque no cuentan an con una madurez en su desarrolloy modelo de negocio, porque simplemente la toma decisiones

empresariales se viene haciendo por simple intuicin de forma

emprica, o la informtica no es vista como un proveedor de

herramientas para posibilitar y facilitar la toma de decisiones

(Riquelme, Ruiz & Gilbert, 2006, pp. 11-18).

Surgen aqu varias inquietudes acerca de cmo elaborar

un mapa de estrategias de aplicacin de las tcnicas de minera

de datos a las funciones tpicas de los modelos empresariales;

asi mismo, qu ventajas tendra realizar y aplicar el anlisis

multicriterio para orientar la analtica de datos con respecto a

los frentes cualitativos y cuantitativos que deben considerarse,

a la par, con las cifras, datos e informacin para la toma de

decisiones en las empresas. Se podra generar una gua

metodolgica que al ser acompaada de tcnicas como la

minera de datos (datamining), provea los mecanismos para


7/19


39

generar herramientas para el manejo de la informacin y de

esta manera orientar a las empresas para cumplir las directrices

del gobierno y polticas empresariales.

Tambin surge la pregunta de cmo caracterizar, en el

marco de las tcnicas de minera de datos, la identificacin de

herramientas tecnolgicas de Software, bien sean propietariasde licenciamiento, o soluciones de Softwarelibre y abierto parael modelamiento de soluciones de analtica de datos orientadas

por la minera de datos y dirigidas por el anlisis multicriterio.

As, proponer un posible catlogo de herramientas bsicas para

su aplicacin, en la solucin de problemas empresariales enlos segmentos de las empresas de minera, salud y transporte

que mejoren las capacidades de gestin que tienen las micro y

pequeas empresas en la toma de decisiones.

2. Comprendiendo la minerade datos: una visin desdela informtica hacia lagestin empresarial y latoma de decisiones

Con la utilizacin de las bases de datos en los sistemas

informticos que apoyan los procesos empresariales,

han surgido grandes volmenes de datos como el

resultado obtenido en las gestin ordinaria de las empresas;

estos, en la mayora de los casos, no son correlacionados para

la toma de decisiones, situacin que hace que los datos sean

una cantera en bruto para diagnosticar e identificar variables

que expliquen situaciones anmalas o tpicas empresariales.


8/19

40



Surge entonces la minera de datos como una tecnologa

y estrategia de modelado matemtico que intenta ayudar a

comprender el contenido de una base de datos. De formageneral, los datos son la materia prima bruta, en el momento

que el usuario les atribuye algn significado especial pasan a

convertirse en informacin. Cuando los especialistas elaboran

o encuentran un modelo, haciendo que la interpretacin

del confronto entre la informacin y ese modelo represente

un valor agregado, entonces es cuando hay que referirse al

conocimiento (Molina, 2002).

El proceso de extraccin de patrones a partir de datos,

se llama minera de datos (datamining). Es reconocidacomo una herramienta esencial de los negocios modernos,

ya que es capaz de convertir los datos en inteligencia de

negocios -Business Intelligent (BI)- dando as una ventaja

de informacin. Actualmente, es ampliamente utilizado en

las prcticas de perfil, como vigilancia, comercializacin,

descubrimientos cientficos y deteccin de fraudes.

Hay cuatro tipos de tareas que normalmente se involucran

en la minera de datos (Figura 1):

Clasificacin: la tarea de generalizar una estructura fami-

liar para utilizarla en los nuevos datos.

Agrupamiento: la tarea de encontrar grupos y estructuras

en los datos que son de alguna manera u otra lo mismo,

sin necesidad de utilizar las estructuras observadas en losdatos.

Aprendizaje de reglas de asociacin: busca relaciones

entre las variables.

Regresin: su objetivo es encontrar una funcin que

modele los datos con el menor error.


9/19


41

Figura 1. Tipos de tareas.

Fuente. Elaboracin propia de los autores.

Aunque estas tcnicas y procesos de extraccin de

patrones estn disponibles en los servicios informticos

desde hace ya un largo rato, es poco conocida y aplicada en

las micro y pequeas empresas.

Es sorprendente que la minera de datos no haya

despegado todava en Colombia como una herramienta

de apoyo a la toma de decisiones en nuestras compaas.

Encontramos que todava organizaciones en mercados

altamente competidos como telecomunicaciones, retail,

automotriz, financiera, consumo masivo y otras, siguen

tomando decisiones a ciegas sobre procesos de fidelizacin declientes,up-selling, cross-selling, performance management,yretencin de clientes infieles. Siguen preguntndose por qu

sus procesos de pronstico de la demanda peridicamente

tienen una confiabilidad baja. La tecnologa de minera

datos est madura (Canney, 2006).

A pesar de que todas las empresas en su crecimiento y

modelo tienen proyectado mejorar y ser siempre mejores,es as que los datos de la gestin empresarial son el primer

punto de partida para tipificar modelos de comportamiento

sustentados en el anlisis de los datos, o para generar

hiptesis a partir de la proyeccin de los mismos.

Las tcnicas de la minera de datos (datamining) permitendisear estrategias de manejo para explorar grandes bases

de datos, de manera automtica o semiautomtica, con el

Tipos de tareas

Clasificacin AgrupamientoAprendizaje

de reglas de

asociacin

Regresin


10/19

42



objetivo de encontrar patrones repetitivos, tendencias o

reglas que expliquen el comportamiento de los datos en un

determinado contexto para intentar ayudar a comprender elcontenido de un repositorio de datos.

Otra definicin que se puede dar de minera de datos

y que es muy comn encontrar, dice: una actividad de

extraccin cuyo objetivo es el de descubrir hechos contenidos

en las bases de datos (Hernndez, Ramrez & Feri, 2004). En

la mayora de los casos se refiere a un trabajo automatizado.

Si hay alguna intervencin humana a lo largo del proceso,

este no es considerado como minera de datos por parte de

algunas personas.

La palabra descubrimiento est relacionada con el hecho

de que mucha de la informacin valiosa es desconocida con

anterioridad. En todo caso, estas tcnicas pueden ayudar a

confirmar cualquier sospecha sobre el comportamiento del

sistema en un contexto particular. En cuanto a los hechos

escondidos, estos estarn principalmente bajo la forma dereglas, las cuales ayudarn a entender el modelo del sistema

relacionado con los datos observados. Por otra parte, las

reglas tambin pueden ser usadas en la prediccin de ciertos

estados, del sistema -lo que se busca-. Desde un punto de

vista acadmico, el trmino minera de datos es una etapa

dentro de un proceso mayor llamado Knowledge Discoveryin Databases(KDD) (Figura 2).


11/19


43

Figura 2. Procesos de extraccin de conocimiento (KDD).


La extraccin de conocimiento est principalmente

relacionado con el proceso de descubrimiento conocido

como Knowledge Discovery in Databases (KDD), que serefiere al proceso no-trivial de descubrir conocimiento

e informacin potencialmente til dentro de los datos

contenidos en algn repositorio de informacin (Han &

Kamber, 2001). No es un proceso automtico, es un proceso

iterativo que exhaustivamente explora volmenes muygrandes de datos para determinar relaciones. Es un proceso

que extrae informacin de calidad que puede usarse para

dibujar conclusiones basadas en relaciones o modelos

dentro de los datos.

Lo que realmente hace la minera de datos es reunir las

ventajas de varias reas como la estadstica, la inteligencia

artificial, la computacin grfica, las bases de datos y el

procesamiento masivo, principalmente usando como materia

prima, las bases de datos.

Sistemas de Informacin

Contabilidad

ERP

Preparacin de

los datos

Minera

de datos

Evaluacin

Interprestacin

Visualizacin

Patrones

Respuesta al

interrogante.

CRM

Knowledge Discovery in

Database (KDD)

Conocimiento


12/19

44



3. Tcnicas de minera dedatos (datamining)

La clasificacin inicial de las tcnicas de minera de datos

distingue entre: tcnicas predictivas, en las que las

variables pueden clasificarse en dependientes e inde-

pendientes; tcnicas descriptivas, en las que todas las variables

tienen el mismo estatus; y tcnicas auxiliares, en las que se

realiza un anlisis multidimensional de datos (Figura 3).

Figura 3. Clasificacin de las tcnicas de minera de datos.


Segn Prez & Santn (2008), las predictivas y descriptivas

se emplean para el descubrimiento, mientras que las tcnicas

auxiliares se emplean para la verificacin (Figura 4).


13/19


45

Figura 4. Clasificacin de las tcnicas de data mining.

Fuente. Prez & Santn, (2008).

Todas estas tcnicas se aplican mediante algoritmosprobados e implementados en soluciones de minera de

datos, algunos de estos algoritmos son:

Arboles de decisin: los algoritmos de rbol de decisin

consisten en organizar los datos en elecciones que

compiten formando ramas de influencia despus de una

decisin inicial. El tronco del rbol representa la decisin

inicial, y empieza con una pregunta de s o no, como tomaro no desayuno. Tomar desayuno y no tomar desayuno

seran las dos ramas divergentes del rbol, y cada eleccin

posterior, tendra sus propias ramas divergentes que llevan

a un punto final.

El algoritmo K-means: se basa en el anlisis de grupos.

Trata de dividir los datos recogidos en bloques -clsters-

separados y agrupados por caractersticas comunes.


14/19

46



Mquinas de vectores de soporte:toman datos de entrada

y predicen cul de las dos posibles categoras incluye los

datos de entrada. Un ejemplo sera recoger los cdigospostales de un grupo de votantes e intentar predecir si un

votante es demcrata o republicano.

El algoritmo Apriori: normalmente controla los datos de

transacciones. Por ejemplo, en una tienda de ropa, el

algoritmo podra controlar qu camisas suelen comprar

juntas los clientes.

El algoritmo EM: define un parmetro analizando los

datos, y predice la posibilidad de una salida futura o evento

aleatorio dentro de los parmetros de datos. Por ejemplo,

el algoritmo EM podra intentar predecir el momento de

una siguiente erupcin de un giser segn los datos de

tiempo de erupciones pasadas.

Algoritmo PageRank: es un algoritmo base para los

motores de bsqueda. Punta y estima la relevancia de untrozo determinado de datos dentro de un gran conjunto,

como un nico sitio webdentro de un conjunto mayor detodos los sitios webde Internet.

Algoritmo AdaBoost:funciona dentro de otros algoritmos

de aprendizaje que anticipan un comportamiento segn

los datos observados para que sean sensibles a extremos

estadsticos. Aunque el algoritmo EM puede sesgarsedebido a un giser que tiene dos erupciones en menos

de un minuto, cuando normalmente tiene erupcin una

vez al da, el algoritmo AdaBoost modificara la salida del

algoritmo EM analizando la relevancia del extremo.

Algoritmo del vecino k ms cercano:reconoce patrones en

la ubicacin de los datos y los asocia con un identificador

mayor. Por ejemplo, si se quiere asignar una oficina


15/19


47

postal a cada ubicacin geogrfica del hogar y se tiene

un conjunto de datos para cada ubicacin geogrfica del

hogar, el algoritmo del vecino k ms cercano asignar lascasas a la oficina postal ms cercana segn su proximidad.

Naive Bayes: predice la salida de una identidad basndose

en los datos de observaciones conocidas. Por ejemplo, si

una persona tiene una altura de 6 pies y 6 pulgadas (1,97

m) y tiene una talla 14 de zapatos, el algoritmo Naive

Bayes podra predecir con una determinada probabilidad

que la persona es un hombre.

Algoritmo Classification and Regressive Tree (CART): al

igual que los anlisis de rboles de decisin, organiza los

datos segn opciones que compiten, como si una persona

sobrevive a un terremoto. Al contrario de los algoritmos de

rboles de decisin, que slo pueden clasificar una salida

o una salida numrica basada en regresin, el algoritmo

CART puede usar las dos para predecir la probabilidad de

un evento (Conferencia Internacional IEEE, 2006).

Para efectos de los tomadores de decisiones en la

prctica, poco importa qu tcnica se emple para llegar a

una y otra conclusin. Lo relevante para ellos es la veracidad,

probabilidad y calidad de las conclusiones obtenidas en el

anlisis de un escenario o modelo determinado de datos para

una situacin particular. Lo que s es claro es que estas tcnicas

y algoritmos ya estn probados y validados en multitud deescenarios que comprueban y verifican su exactitud. De otra

parte, es importante recalcar que son de vital importancia los

datos y su calidad, y las herramientas informticas Software-que implementan estas tcnicas y algoritmos (Figura 5).


16/19

48



Figura 5. Fass del proceso de extraccin de conocimiento en basesde datos


Por otro lado, desde la gestin empresarial y la

toma de decisiones, se percibe un dficit de inteligenciaanaltica. Segn Davenport, quien introduce el concepto deinteligencia analtica, plantea el trmino como sinnimo de informacin, mientras que el trmino se relaciona con el uso de anlisis estadsticosy modelos predictivos sofisticados para vencer a loscompetidores a travs de la seleccin de los mejores clientes,la aceleracin del proceso de innovacin y la optimizacinde la cadena de abastecimiento (Category Management,

2010). Segn Davenport, la inteligencia analtica puede ydebe ser aplicada en las empresas para orientar, tanto lasdecisiones humanas, como las totalmente automatizadas. Setrata de un subsistema de Business Intelligence-Inteligenciade negocios-, es decir, del conjunto de tecnologas y procesosbasados en datos, que sirve para comprender y analizar eldesempeo de una empresa.

Desde un punto de vista ms pragmtico y asociadodirectamente a las actividades de negocios, la minerade datos es el conjunto de metodologas, aplicaciones ytecnologas que permiten reunir, depurar y transformar datosde los sistemas transaccionales e informacin no estructurada-interna y externa a la compaa-, en informacin estructuradapara su explotacin directa o para su anlisis y conversin enconocimiento, y as dar soporte a la toma de decisiones sobreel negocio (Marcano & Talavera, 2007, pp. 104-118).


17/19


49

4. Conclusiones

En conclusin, en beneficio de la comprensin de la mi-

nera de datos desde la visin informtica, se puede

decir que son unas metodologas, tcnicas y tecnologas

maduras con un alto grado de calidad e integracin en

soluciones comerciales de licenciamiento o de Softwarelibrey abierto, que estn disponibles para la gestin empresarial

y la toma de decisiones. Adems, vale aclarar que la minera

de datos solo es un paso dentro de una cadena de fases de los

proceso de extraccin de conocimiento de las bases de datos

empresariales.

A manera de sntesis de este apartado, se puede decir

que la minera de datos es el proceso de analizar los datos

de manera automtica, para de all, extraer conocimiento

para proveer elementos analticos en las tomas de decisin

humanas con el fin de mejorar los procesos y posicionamientoempresarial.

Con minera de datos se puede decir que las organizacio-

nes cuentan con una forma de distinta de ver los datos, con

la promesa de beneficios a la solucin de gran variedad

de problemas como: planeacin econmica, inteligencia

empresarial, finanzas, anlisis de mercado y anlisis de

perfiles de clientes. As mismo, es importante agregar que lasorganizaciones sin implementacin de minera de datos son

ricas en datos pero pobres en informacin.


18/19

50



5. Referencias bibliogrficasCanney, E. (2006). Data mining o minera de datos.Revista

Dinero. Recuperado de: http://www.dinero.com/columna-del-lector/opinion/articulo/data-mining-o-

mineria-datos/37339

Conferencia Internacional IEEE. (2006). Conferencia Inter-nacional 2006 de IEEE Data Mining, clasificacin de los10 mejores algoritmos en el campo.(s.c).

Davenport, T.H. (2010).La inteligencia analtic a de las empresas.Recuperado de: http://blogcategorymanagement.

com/2010/10/06/data-mining-business-intelligence/

Drucker, P. (1999). Los desafos de la gerencia para el sigloXXI.Bogot: Norma, p. 176-177.

Han, J. & Kamber, M. (2001). Data Mining: Concepts andTechniques. USA: Morgan Kaufmann Publishers.

Hernndez, J., Ramrez, M.J. & Ferri, C. (2004). Introduccin ala minera de datos.Madrid: Pearson Educacin.

Marcano, Y.J. & Talavera, R. (2007). Minera de como soporte

a la toma de decisiones empresariales, Universidad delZulia,Revista Opcin, 52(23), pp. 104-118.

Molina, L. C. (2002). Data Mining: torturando a los datoshasta que confiesen. Recuperado de: http://www.lsi.upc.es/~lcmolina/

Prez, C. & Santn, D. (2007). Minera de datos: tcnicas y

herramientas. Madrid: Ediciones Paraninfo, S.A.


19/19


51

Porter, M. & Millar V. (1986). Cmo obtener ventajas

competitivas por medio de la informacin. Hardvard

DEUSTO Business Review, primer trimestre.

Prahalad, C.K. & Hamel, G. (1990). The Core Competence of

the Corporacion. Hardvard Business Review, Mayo-Junio1990, EEUU, pp. 79-91.

Riquelme, J.C., Ruiz, R. & Gilbert, K. (2006). Minera de datos:

conceptos y tendencias, inteligencia artificial. RevistaIberoamericana de Inteligencia Artificial, 29 pp. 11-18.

Stewart, T.A. (1999). Intellectual Capital: The new Wealth ofOrganizations. EEUU: Doubleday.

Documents

Identificacion de Las Tecnica de Mineria de Datos Para Apoyar La Toma de Dicisiones Empresaarials