erp colombia peru espana

Data Mining

Técnicas de anticipación

Detección de patrones ocultos

Es el proceso de selección, exploración y modelización de grandes cantidades de datos para descubrir y obtener beneficios de patrones de negocio previamente desconocidos, busca los patrones ocultos de la información. Para Wikipedia La minería de datos (es la etapa de análisis de "Knowledge Discovery in Databases" o KDD), es un campo de las ciencias de la computación referido al proceso que intenta descubrir patrones en grandes volúmenes de conjuntos de datos. 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, que involucra aspectos de bases de datos y gestión de datos, procesamiento de datos, el modelo y las consideraciones de inferencia, métricas de intereses, consideraciones de la teoría de la complejidad computacional, post-procesamiento de las estructuras descubiertas, la visualización y actualización en línea.

La minería de datos (data mining) es el método bottom-up que se está siendo más popular como mecanismo de análisis de datos para tomar las mejores decisiones.

La técnica utilizada es el modelado, que es el acto de construir un modelo en una situación donde conocemos la respuesta y la aplicamos en otra situación similar de la cual no conocemos la respuesta.

Las organizaciones pueden aplicar técnicas de minería de datos para revelar tendencias, explicar consecuencias conocidas, predecir futuras consecuencias e identificar factores que puedan llevar a resultados deseables (más ingresos, reducir costes, gestionar riesgos o responder proactivamente a las necesidades de un mercado cambiante).

Las tareas de data mining pueden ser principalmente clasificadas en:

1. Descriptivas: describen nuevos patrones en los datos y requieren interacción humana para determinar el significado y la trascendencia de estos patrones. Ejemplos: la agrupación por afinidad (que ítems van juntos), clustering (pequeños grupos basados en similitud) o visualización (representación gráfica de los datos).
2. De Predicción: recaban información que automáticamente será aplicada a los nuevos datos. El término “predicción” no debe ser tomado literalmente, porque el data mining solo puede apuntar a la probabilidad de un resultado, no puede predecir un comportamiento individual. Ejemplos: clasificación (asignar a una categoría específica, definida por el modelo) y estimación (asignar un nuevo registro con un valor de predicción).
3. Combinaciones de técnicas descriptivas y de predicción.


 

Noticias y Destacados

Plataforma Selenne ERP: Autonomía para generar sus propios cuadros de mando y analítica completa.

+ Ampliar Noticia

ERP según wikipedia.

+ Ampliar Noticia

Implantación de Plataforma Selenne ERP.

+ Ampliar Noticia

Synerplus incrementa la funcionalidad de la Plataforma Selenne ERP.

+ Ampliar Noticia

ERP Selenne y Workflow.

+ Ampliar Noticia

Ver Video

Contacta con Synerplus


España
Tlf.: (+34) 926 093 015
info@synerplus.es
Paseo San Isidro, 14 Bajo Local A
Apdo. Correos 347
13700 Tomelloso - Ciudad Real

Perú
Tlf.: +51 (1) 480 08 32
Cel.: +51 954 433 902
info@selenne-software-erp.pe
C/ Germán Schreiber, 276
San Isidro - Lima 27 - Perú

Colombia
Tlf.: +57 (1) 744 21 30
Cel.: +57 316 691 8692
info@selenne-software-erp.co
Calle 12 b # 9-13 Oficina 502
Bogotá D.C.