El data warehouse es una combinación de hardware, software especializado y montones de datos. El valor real de contar con sistema de gestión de un data warehouse está en que el software pone a disposición del usuario conocimiento comercial nuevo con solamente hacer un clic.
Objetivos del data warehouse
· Proveer una visión única de los clientes en toda la empresa.
· Poner tanta información comercial como sea posible en manos de tantos usuarios diferentes como sea posible.
· Mejorar el tiempo de espera que insumen los informes habituales.
· Monitorear el comportamiento de los clientes.
· Predecir compras de productos.
· Realizar análisis estadísticos de datos en un mismo lugar en vez de en muchos.
· Mejorar la capacidad de respuesta a problemas comerciales.
· Incrementar la precisión de las mediciones.
· Aumentar la productividad.
· Incrementar y distribuir las responsabilidades.
Las distintas categorías de análisis de soporte de decisión son:
La consulta simple
La consulta es una pregunta que hace a una base de datos. Se puede usar SQL.
La capacidad de realizar consultas simples puede proveer de datos frescos y significativos que pueden ser material para tomar las decisiones
Ej: Se puede poner información significativa y detallada sobre los clientes, los productos, y su comportamiento, directamente sobre los escritorios de los gerentes de toda la compañía.
Consultas predefinidas o estandarizadas
Consultas ad-hoc
Análisis multidimensional: el poder de dividir
En este caso el usuario está interesado en organizar la información de acuerdo con categorías
La diferencia con la consulta es que, mientras para las consultas estándar normalmente se obtiene una gran muestra representativa de datos diferentes, el análisis multidimensional se usa para ver de diferentes formas los mismos datos.
Modelado y segmentación:
análisis para trabajadores del conocimiento
En la medida que los datos se vuelven más voluminosos y detallados, y surgen nuevas perspectivas comerciales, "los trabajadores del conocimiento" requieren capacidades analíticas más evolucionadas para recoger nueva información.
Los datos históricos están en el data warehouse, permiten realizar trabajo predictivo sobre grandes volúmenes de datos detallados usando herramientas de análisis específicas que extraen datos del repositorio y los interpreta para cargar "modelos".
Un modelo no es más que una colección de patrones para una característica dada y, como tal, se representa ya sea gráficamente o mediante un conjunto de reglas y notaciones.
La segmentación divide a los clientes u otras áreas de datos en estratos, en los que ciertas características comunes pueden definir el comportamiento, y es así que se dictan estrategias de venta y marketing.
Los segmentos en sí pueden ser analizados como dimensiones, usando para ello herramientas de análisis multidimensional.
En la mayoría de los casos el modelado y la segmentación usan software especializado.
Generación del conocimiento: el poder de lo desconocido
El descubrimiento de conocimiento corresponde a toda clase de algoritmos para buscar patrones en grandes bases de datos.
A diferencia del modelado, estos patrones no están especificados de antemano, así que de hecho el usuario está buscando respuestas a preguntas que ni siquiera hubiera sabido hacer.
El resultado es que el data warehouse puede decirle a la empresa dónde están los patrones, relaciones y "puntos calientes" interesantes.
Se pueden encontrar comportamientos, patrones y secuencias significativos, de manera autónoma. Las herramientas de descubrimiento de conocimiento localizan patrones y relaciones específicos que el usuario no indicó expresamente, los diversos ejemplos que se pueden hallar no concentran la atención sobre lo que se busca, sino sobre lo que se encuentra.
Se identifican relaciones significativas entre un multitud de variables
Se identifican factores de riesgo entre algunas variables
Las verdaderas actividades de descubrimiento de conocimiento eliminan la necesidad de una hipótesis previa
El análisis de afinidad es uno de los muchos tipos de descubrimiento de conocimiento. Un algoritmo de afinidad poderoso lee todos los elementos de información en el data warehouse y empareja cada atributo con cada uno de los otros elementos, sin preocuparse por su significado.
Aunque a primera vista esto puede parecer análisis por la "fuerza bruta", su valor está en la salida del procedimiento. El resultado del análisis es una serie de reglas que describen ciertas relaciones entre los datos, y pueden causar interesantes efectos.
Data Mining
El data mining es el proceso de extracción, construcción e interpretación que abarca el modelado, la segmentación y el descubrimiento de conocimiento.
El data mining ha sido sinónimo de análisis estadístico para lograr una comprensión más precisa de datos detallados.
Los proveedores de herramientas de data mining han hecho cada vez más fácil el uso de sus herramientas por parte de personas no versadas en estadística, no solamente para detectar patrones interesantes en los datos, sino también para aplicar los resultados. Para ello han recurrido a algoritmos de inteligencia artificial y técnicas como, lógica difusa, análisis de afinidad, etc.
No hay comentarios:
Publicar un comentario