1 / 44

Some Data Mining Case Studies Alfredo Vellido

benard
Download Presentation

Some Data Mining Case Studies Alfredo Vellido

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

    2. CRISP: Fases de la metodología

    3. CRISP: Selección de técnicas

    4. CRISP: Tipología problemas DM

    5. CRISP: Tipología problemas DM: ejemplos: DESCRIPCIÓN

    6. DESCRIPCIÓN: Business Intelligence: definición Business Intelligence (B.I.) es el conjunto de técnicas destinadas a explotar los datos corporativos para mejorar la toma de decisiones de negocio mediante el acceso fácil a una información relevante y actualizada “La información almacenada pero no utilizada cuesta dinero. La información explotada genera beneficios” También… COMPETITIVE INTELLIGENCE…También… COMPETITIVE INTELLIGENCE…

    7. DESCRIPCIÓN: Business Intelligence: propuesta

    8. DESCRIPCIÓN: Business Intelligence: etapas

    9. DESCRIPCIÓN: Business Intelligence: arquitectura

    10. Glosario de la Minería Explicar algunos. Enlace T.I.A.Explicar algunos. Enlace T.I.A.

    11. DESCRIPCIÓN: BI: EIS y cuadros de mando

    12. DESCRIPCIÓN: BI: propuesta concreta para A&A ETL: EXTRACTION, TRANSFORMATION, LOADINGETL: EXTRACTION, TRANSFORMATION, LOADING

    13. DESCRIPCIÓN: BI: camino al EIS

    14. DESCRIPCIÓN: BI: camino al EIS, el cubo OLAP

    15. DESCRIPCIÓN: BI: el EIS

    16. CRISP: Tipología problemas DM: ejemplos: SEGMENTACIÓN

    17. Descripción del problema Cuestionarios de opinión

    18. Un marco de DM

    19. Análisis factorial

    20. Análisis factorial: resultados

    21. Análisis factorial: resultados

    22. Análisis factorial: resultados

    23. SEGMENTACIÓN: Ragu: GTM

    24. SEGMENTACIÓN: Ragu: GTM: definición

    25. SEGMENTACIÓN: Ragu: GTM: mapas de factores

    26. SEGMENTACIÓN: Ragu: GTM: cuota de mercado

    27. SEGMENTACIÓN: Ragu: perfil socio-demográfico HOUSEHOLD LIFESTAGE Young singles Childless younger couples New families Maturing families- Poor/getting by Maturing families – Living comfortably/Affluent Established families Middle aged singles Middle aged childless couples Empty nesters - Poor/getting by Empty nesters Living comfortably/Affluent Older singles

    28. CRISP: Tipología problemas DM: ejemplos: CONCEPTUAL

    29. CONCEPTUAL: A&A: planteamiento de problema PROCESO 1: Análisis del incremento de cuota de mercado entre dos periodos temporales. Detección de segmentos de interés periodos temporales: Como un número de semanas consecutivas no coincidentes con un periodo Nielsen como periodos Nielsen (cuatri-semanas) como grupos de periodos Nielsen consecutivos. Se pretenden obtener y definir, en función de las dimensiones del cubo de datos y de las variables (measures) disponibles, segmentos del mercado con comportamientos interesantes en la variación de cuota de mercado entre periodos temporales.

    30. CONCEPTUAL: A&A: del cubo al árbol de decisión

    31. CONCEPTUAL: A&A: árboles de decisión: MS

    32. CRISP: Tipología problemas DM: ejemplos: CLASIFICACIÓN

    33. CLASIFICACIÓN TESIS: comercio electrónico (B2C) Esto es parte de mi tesis de doctorado…Esto es parte de mi tesis de doctorado…

    34. CLASIFICACIÓN TESIS: comercio electrónico: factores

    35. CLASIFICACIÓN TESIS: comercio electrónico: resultados

    36. CLASIFICACIÓN TESIS: comercio electrónico: resultados

    37. CRISP: Tipología problemas DM: ejemplos: PREDICCIÓN

    38. PREDICCIÓN: A&A: cuota de mercado PROCESO 3: Modelado de la cuota de mercado. Predicción a corto plazo para productos específicos en un contexto de competencia local Modelado de la cuota de mercado para un producto específico, en un contexto localizado (ej.: Arbora/Dodot/Ultraseco/Talla Media, en el Área Nielsen 3 – Sur de España) Implica la definición de los productos en directa competencia con el escogido, dentro del contexto local elegido El objetivo es generar previsiones de cuota de mercado para el futuro inmediato, asesorar el impacto en esa predicción de las variables con las que se ha construido el modelo, y permitir análisis de posibles escenarios futuros (ej., ¿cómo afectaría a la cuota de mercado de nuestro producto X, en el área Y, para la próxima cuatri-semana, el hecho reducir en un N% el precio del producto)

    39. PREDICCIÓN: A&A: cuota de mercado

    40. PREDICCIÓN: A&A: cuota de mercado

    41. CRISP: Tipología problemas DM: ejemplos: DEPENDENCIAS

    42. DEPENDENCIAS: Ragu: modelo gráfico por segmento Profiling: RACE / ORIGIN White / Black / Oriental / Other

    43. DEPENDENCIAS: Ragu: modelo gráfico por segmento Profiling: RACE / ORIGIN White / Black / Oriental / Other

    44. ¿Preguntas? Pues eso…Pues eso…

More Related