¿Cómo hacer productiva a la Minería de Datos? José Antonio Padrós Escalante Servicios Analíticos ipesamx.com/analisis

¿Qué Produce la Minería de Datos?

Calcula modelos. Detecta patrones. Hace reportes avanzados. Anticipa cuando un cliente va a cancelar. Enlista a los clientes propensos a responder a una campaña de retención. Agrupa por probable causa de cancelación. ¿Qué produce?¿Para qué sirve?¿Cómo ayuda?

Explora exhaustivamente. Detecta casos atípicos. Valida las creencias de los administradores. Soporta a la detección de fraude. Señala segmentos subexplotados del mercado. Crea reglas y estima su confiabilidad. ¿Qué produce?¿Para qué sirve?¿Cómo ayuda?

Simplifica datos. Segmentación. Selección optimizada. Redes de influencia. Ahorra esfuerzos en campañas. Evita riesgos en inversiones. Apoya estudios de causa raíz. Describe perfiles de clientes y los generaliza cuando corresponde. ¿Qué produce?¿Para qué sirve?¿Cómo ayuda?

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización

Identificación Explicación Investigación Causalidad Segmentación Asociaciones Secuencias Estimación Predicción Anticipación Calibración Clasificación Optimización Separación Contrastes Soporte a Decisión Personalización Caracterización MunicipiosPoblación por delegación Desempleo en Filipinas Arsalvacion –

¿Por qué se necesita?

Aprendizaje sobre el pasado Predicción sobre el presente/futuro Resultado de Modelar

¿Qué requiere para llevarse a cabo?

Proceso de Negocio 10% menos tiempo 50% mayor propensión 70% menos errores

Exploración Estratégica Segmentos donde las reglas del mercado no se cumplen. “Hallamos que las mujeres pueden ser las mejores compradoras de ropa para caballero.” Subpoblaciones solventes, sin acceso a crédito. Reacciones del comportamiento criminal. ¿Gerente de segmento?

Analistas Formación profesional. Complementos: “Tomando un curso de programación redujimos el tiempo de lanzamiento de campañas en 50% días.” Toma de decisiones. Comunicación. Documentación asistida/automática.

Herramientas 1ro: la que ya existe. “Pasando de Árboles de Clasificación a Support Vector Machines, se redujeron los falsos positivos a la mitad.” Hay muchas capacidades comunes entre las suites y las diferencias clave son su servicio, la madurez de sus procesos y la orientación que dan al cliente.

Procesos

Selección ¿Qué casos realmente requieren de este modelo? Exploración ¿Se puede describir a cada caso a partir de los datos? ¿Qué patrones se observan en los reportes tradicionales? Adaptación Cuantitativa ¿Las variables están listas para los modelos matemáticos? Adaptación Estructural ¿Cada renglón es un caso completo? Simplificaciones ¿Pueden reducirse columnas y/o registros? ¿Puede subdividirse el estudio?

Modelado No Supervisado ¿Se han buscado agrupaciones? ¿Y reglas de asociación? Modelado Supervisado ¿Se han hecho regresiones, redes neuronales, support vector machines? Selección y Reincorporación ¿Se pueden retroalimentar resultados parciales? Simulación ¿Qué sucederá si uso el modelo?

Casos de éxito

Historias de éxito Campañas a través de propagadores. Selección de bloggeros leídos y respetados mediante análisis de encuestas, información Facebook y uso de cuentas de la marca. Teléfono celular de regalo a cambio de participación en juegos y concursos.

Historias de éxito Prevención / Detección de fraude. Creación de variables nuevas, establemente correlacionadas a las costumbres del cliente. Modelo de optimización concentra 50% del fraude en 5% de las transacciones.

Historias de éxito Estimación del ingreso del tarjetahabiente. Implementación eficiente y económica de modelo predictivo usando WEKA y calificando sobre SQL. Incremento de 90% en la asertividad. Se reportaron asociaciones entre variables.

Historias de Terror

Historias de terror Validación de los Modelos Heredados Conflictos de interés en consultoras pagadas por “calidad”. Decaimiento veloz en asertividad, tras la consulta. “Time drift” en variables clave. Validaciones hechas hace más de 10 años. Crisis bancaria 2007 “…espero que estemos muy lejos para cuando se caiga este castillo de naipes.” Conflicto de intereses. Des-regulación. Cálculo financiero basado en estabilidad.

Dr. Deming: Management’s Five Deadly Diseases Inconstancia en los propósitos. Énfasis en corto plazo. Evaluación anual de desempeño. Volatilidad de los administradores. Limitarse a las cifras tangibles.

José Antonio Padrós Escalante ipesamx.com/analisis This work is licensed under the Creative Commons Attribution-NoDerivs 3.0 Unported License. To view a copy of this license, visit