Data mining: conceptos e historia

Aunque desde un punto de vista académico el término data mining es una etapa dentro de un proceso mayor llamado extracción de conocimiento en bases de datos (Knowledge Discovery in Databases o KDD) en el entorno comercial, así como en este trabajo, ambos términos se usan de manera indistinta. Lo que en verdad hace el data mining es reunir las ventajas de varias áreas como la Estadística, la Inteligencia Artificial, la Computación Gráfica, las Bases de Datos y el Procesamiento Masivo, principalmente usando como materia prima las bases de datos. Una definición tradicional es la siguiente: "Un proceso no trivial de identificación válida, novedosa, potencialmente útil y entendible de patrones comprensibles que se encuentran ocultos en los datos" (Fayyad y otros, 1996). Desde nuestro punto de vista, lo definimos como "la integración de un conjunto de áreas que tienen como propósito la identificación de un conocimiento obtenido a partir de las bases de datos que aporten un sesgo hacia la toma de decisión" (Molina y otros, 2001).

La idea de data mining no es nueva. Ya desde los años sesenta los estadísticos manejaban términos como data fishing, data mining o data archaeology con la idea de encontrar correlaciones sin una hipótesis previa en bases de datos con ruido. A principios de los años ochenta, Rakesh Agrawal, Gio Wiederhold, Robert Blum y Gregory Piatetsky-Shapiro, entre otros, empezaron a consolidar los términos de data mining y KDD.[3] A finales de los años ochenta sólo existían un par de empresas dedicadas a esta tecnología; en 2002 existen más de 100 empresas en el mundo que ofrecen alrededor de 300 soluciones. Las listas de discusión sobre este tema las forman investigadores de más de ochenta países. Esta tecnología ha sido un buen punto de encuentro entre personas pertenecientes al ámbito académico y al de los negocios.

El data mining es una tecnología compuesta por etapas que integra varias áreas y que no se debe confundir con un gran software. Durante el desarrollo de un proyecto de este tipo se usan diferentes aplicaciones software en cada etapa que pueden ser estadísticas, de visualización de datos o de inteligencia artificial, principalmente. Actualmente existen aplicaciones o herramientas comerciales de data mining muy poderosas que contienen un sinfín de utilerías que facilitan el desarrollo de un proyecto. Sin embargo, casi siempre acaban complementándose con otra herramienta.

Cada año, en los diferentes congresos, simposios y talleres que se realizan en el mundo se reúnen investigadores con aplicaciones muy diversas. Sobre todo en los Estados Unidos, el data mining se ha ido incorporando a la vida de empresas, gobiernos, universidades, hospitales y diversas organizaciones que están interesadas en explorar sus bases de datos.

Podemos decir que "en data mining cada caso es un caso". Sin embargo, en términos generales, el proceso se compone de cuatro etapas principales:

1. Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data mining.
2. Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data mining.
3. Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial.
4. Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones.

Extensiones del data mining - Web mining

Una de las extensiones del data mining consiste en aplicar sus técnicas a documentos y servicios del Web, lo que se llama web mining (minería de web) . Todos los que visitan un sitio en Internet dejan huellas digitales (direcciones de IP, navegador, galletas, etc.) que los servidores automáticamente almacenan en una bitácora de accesos (log). Las herramientas de web mining analizan y procesan estos logs para producir información significativa, por ejemplo, cómo es la navegación de un cliente antes de hacer una compra en línea. Debido a que los contenidos de Internet consisten en varios tipos de datos, como texto, imagen, vídeo, metadatos o hiperligas, investigaciones recientes usan el término multimedia data mining (minería de datos multimedia) como una instancia del web mining  para tratar ese tipo de datos. Los accesos totales por dominio, horarios de accesos más frecuentes y visitas por día, entre otros datos, son registrados por herramientas estadísticas que complementan todo el proceso de análisis del web mining.

Normalmente, el web mining puede clasificarse en tres dominios de extracción de conocimiento de acuerdo con la naturaleza de los datos:

1. Web content mining (minería de contenido web). Es el proceso que consiste en la extracción de conocimiento del contenido de documentos o sus descripciones. La localización de patrones en el texto de los documentos, el descubrimiento del recurso basado en conceptos de indexación o la tecnología basada en agentes también pueden formar parte de esta categoría.

 2. Web structure mining (minería de estructura web). Es el proceso de inferir conocimiento de la organización del WWW y la estructura de sus ligas.

 3. Web usage mining (minería de uso web). Es el proceso de extracción de modelos interesantes usando los logs de los accesos al web.

Algunos de los resultados que pueden obtenerse tras la aplicación de los diferentes métodos de web mining son:

El ochenta y cinco por ciento de los clientes que acceden a /productos/home.html y a /productos/noticias.html acceden también a /productos/historias_suceso.html. Esto podría indicar que existe alguna noticia interesante de la empresa que hace que los clientes se dirijan a historias de suceso. Igualmente, este resultado permitiría detectar la noticia sobresaliente y colocarla quizá en la página principal de la empresa.

Los clientes que hacen una compra en línea cada semana en /compra/producto1.html tienden a ser de sectores del gobierno. Esto podría resultar en proponer diversas ofertas a este sector para potenciar más sus compras.

El sesenta por ciento de los clientes que hicieron una compra en línea en /compra/producto1.html también compraron en /compra/producto4.html después de un mes. Esto indica que se podría recomendar en la página del producto 1 comprar el producto 4 y ahorrarse el costo de envío de este producto.

Los anteriores ejemplos nos ayudan a formarnos una pequeña idea de lo que podemos obtener. Sin embargo, en la realidad existen herramientas de mercado muy poderosas con métodos variados y visualizaciones gráficas excelentes.

Extensiones del Data Mining - Text Mining

Estudios recientes indican que el ochenta por ciento de la información de una compañía está almacenada en forma de documentos. Sin duda, este campo de estudio es muy vasto, por lo que técnicas como la categorización de texto, el procesamiento de lenguaje natural, la extracción y recuperación de la información o el aprendizaje automático, entre otras, apoyan al text mining (minería de texto). En ocasiones se confunde el text mining con la recuperación de la información (Information Retrieval o IR) (Hearst, 1999). Ésta última consiste en la recuperación automática de documentos relevantes mediante indexaciones de textos, clasificación, categorización, etc. Generalmente se utilizan palabras clave para encontrar una página relevante. En cambio, el text mining se refiere a examinar una colección de documentos y descubrir información no contenida en ningún documento individual de la colección; en otras palabras, trata de obtener información sin haber partido de algo (Nasukawa y otros, 2001).

Una aplicación muy popular del text mining es relatada en Hearst (1999). Don Swanson intenta extraer información derivada de colecciones de texto. Teniendo en cuenta que los expertos sólo pueden leer una pequeña parte de lo que se publica en su campo, por lo general no se dan cuenta de los nuevos desarrollos que se suceden en otros campos. Así, Swanson ha demostrado cómo cadenas de implicaciones causales dentro de la literatura médica pueden conducir a hipótesis para enfermedades poco frecuentes, algunas de las cuales han recibido pruebas de soporte experimental. Investigando las causas de la migraña, dicho investigador extrajo varias piezas de evidencia a partir de títulos de artículos presentes en la literatura biomédica. Algunas de esas claves fueron:

El estrés está asociado con la migraña.

El estrés puede conducir a la pérdida de magnesio.

Los bloqueadores de canales de calcio previenen algunas migrañas.

El magnesio es un bloqueador natural del canal de calcio.

La depresión cortical diseminada (DCD) está implicada en algunas migrañas.

Los niveles altos de magnesio inhiben la DCD.

Los pacientes con migraña tienen una alta agregación plaquetaria.

El magnesio puede suprimir la agregación plaquetaria.

Estas claves sugieren que la deficiencia de magnesio podría representar un papel en algunos tipos de migraña, una hipótesis que no existía en la literatura y que Swanson encontró mediante esas ligas. De acuerdo con Swanson (Swanson y otros, 1994), estudios posteriores han probado experimentalmente esta hipótesis obtenida por text mining con buenos resultados.

Surgimiento del Data Mining

Cada día generamos una gran cantidad de información, algunas veces conscientes de que lo hacemos y otras veces inconscientes de ello porque lo desconocemos. Nos damos cuenta de que generamos información cuando registramos nuestra entrada en el trabajo, cuando entramos en un servidor para ver nuestro correo, cuando pagamos con una tarjeta de crédito o cuando reservamos un billete de avión. Otras veces no nos damos cuenta de que generamos información, como cuando conducimos por una vía donde están contabilizando el número de automóviles que pasan por minuto, cuando se sigue nuestra navegación por Internet o cuando nos sacan una fotografía del rostro al haber pasado cerca de una oficina gubernamental.

¿Con qué finalidad queremos generar información? Son muchos los motivos que nos llevan a generar información, ya que nos pueden ayudar a controlar, optimizar, administrar, examinar, investigar, planificar, predecir, someter, negociar o tomar decisiones de cualquier ámbito según el dominio en que nos desarrollemos. La información por sí misma está considerada un bien patrimonial. De esta forma, si una empresa tiene una pérdida total o parcial de información provoca bastantes perjuicios. Es evidente que la información debe ser protegida, pero también explotada.

¿Qué nos ha permitido poder generar tanta información? En los últimos años, debido al desarrollo tecnológico a niveles exponenciales tanto en el área de cómputo como en la de transmisión de datos, ha sido posible que se gestionen de una mejor manera el manejo y almacenamiento de la información. Sin duda existen cuatro factores importantes que nos han llevado a este suceso:

1.       El abaratamiento de los sistemas de almacenamiento tanto temporal como permanente. 

2.       El incremento de las velocidades de cómputo en los procesadores.

3.       Las mejoras en la confiabilidad y aumento de la velocidad en la transmisión de datos.

4.       El desarrollo de sistemas administradores de bases de datos más poderosos.

Actualmente todas estas ventajas nos han llevado a abusar del almacenamiento de la información en las bases de datos. Podemos decir que algunas empresas almacenan un cierto tipo de datos al que hemos denominado dato-escritura, ya que sólo se guarda (o escribe) en el disco duro, pero nunca se hace uso de él. Generalmente, todas las empresas usan un dato llamado dato-escritura-lectura, que utilizan para hacer consultas dirigidas. Un nuevo tipo de dato al cual hemos denominado dato-escritura-lectura-análisis es el que proporciona en conjunto un verdadero conocimiento y nos apoya en las tomas de decisiones. Es necesario contar con tecnologías que nos ayuden a explotar el potencial de este tipo de datos.

La cantidad de información que nos llega cada día es tan inmensa que nos resulta difícil asimilarla. Basta con ir al buscador Altavista y solicitar la palabra information para ver que existen 171.769.416 sitios donde nos pueden decir algo al respecto. Suponiendo que nos tomemos un minuto para ver el contenido de cada página, tardaríamos entonces 326 años en visitarlas todas. Esto es imposible, y, por lo tanto, existe una clara necesidad de disponer de tecnologías que nos ayuden en nuestros procesos de búsqueda y, aún más, de tecnologías que nos ayuden a comprender su contenido.

El data mining surge como una tecnología que intenta ayudar a comprender el contenido de una base de datos. De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación del confronto entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento. En la figura 1 se ilustra la jerarquía que existe en una base de datos entre dato, información y conocimiento (Molina, 1998). Se observa igualmente el volumen que presenta en cada nivel y el valor que los responsables de las decisiones le dan en esa jerarquía. El área interna dentro del triángulo representa los objetivos que se han propuesto. La separación del triángulo representa la estrecha unión entre dato e información, no así entre la información y el conocimiento. El data mining trabaja en el nivel superior buscando patrones, comportamientos, agrupaciones, secuencias, tendencias o asociaciones que puedan generar algún modelo que nos permita comprender mejor el dominio para ayudar en una posible toma de decisión.

Modelado de Datos

Dentro de Data Mining existe un técnica que se llama Modelado, lo cual es simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la aplica en otra situación de la cual desconoce la respuesta. Por ejemplo, si busca un galeón español hundido en los mares lo primero que podría hacer es investigar otros tesoros españoles que ya fueron encontrados en el pasado.

Notaría que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas características respecto de las corrientes oceánicas y ciertas rutas que probablemente tomará el capitán del barco en esa época. Usted nota esas similitudes y arma un modelo que incluye las características comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo más probabilidad de darse una situación similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrará el tesoro.

 

 

Este acto de construcción de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnología de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a través de los datos y distinguir las características de los datos que llevarán al modelo. Una vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la respuesta.

 

 

Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, ¿Cómo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de Data Mining. Una vez que el proceso está completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos.

 

 

Un ejemplo de la minería de datos (Data Mining) con pañales y cervezas: Un caso famoso acerca del comportamiento de los consumidores.

 

Una situación muy popular sucedió en una cadena de víveres en USA. Utilizando un software de minería de datos para estudiar el comportamiento de sus clientes, encontraron relaciones interesantes entre pañales, cervezas, hombres, y día de la semana.

  

Encontraron que los días jueves y sábado, los hombres que compraban pañales también compraban cerveza. Información como esa, que no siempre es evidente a primera vista, puede ser utilizada para reubicar la mercancía en lugares más estratégicos, en este ejemplo, manteniendo a los pañales y a las cervezas cercanos unos de otros.

Este resultado suministrado por un proceso de minería de datos, puede ser analizado en profundidad por expertos humanos. Si ellos encuentran una explicación razonable, esta de seguro será de mucho ayuda para que los ejecutivos de la empresa alcancen sus objetivos de una manera más eficiente.

El Mundo de la Informacion y sus problemas

Cada vez se genera más información y se hace más fácil el acceso masivo a la misma (existen grandes cantidades de bases de datos on-line) Ej.  Transacciones Bancarias, Internet y la Web, Redes Sociales, Informaciones Científicas.

La tecnología es barata y los sistemas de gestión de las bases de datos son capaces de trabajar con cantidades masivas de datos (terabytres).  Y estos datos contienen información útil “Conocimiento”, sin embargo necesitamos extraer información de datos para convertirla en conocimiento, y que adicionalmente esta información tenga las siguientes características:

a. Rapidez y Confiabilidad.

b. Capacidad de Modelización y escalabilidad.

c. Explicación e Interpretación de los resultados (Visualización).

Por ejemplo, Walmart captura transacciones de 2900 tiendas en 6 países. Esta información se acumula en una base de datos masiva de 7,5 terabytes.  Walmart permite que más de 3500 proveedores accedan a los datos relativos a sus productos para realizar distintos análisis. Así pueden identificar clientes, patrones de compras, compras cruzadas, etc.  En el año 2009, Walmart Computers proceso más de 16 millones de consultas complejas o combinadas.

Qué diferencias hay entre información, datos y conocimiento, bueno se utilizan indistintamente de manera informal y en algunas culturas reciben diferentes matices, Información y Datos suelen referirse a información genérica carente de propósito, aunque datos suele referir a evidencias.  Mientras Conocimiento es más subjetivo, depende de las intenciones de cuál sea el objetivo del aprendizaje, debe ser inteligible para el que aprende o necesita del aprendizaje.

Y que es el aprendizaje, es el mejoramiento del conocimiento a partir de la experiencia, lo cual va generando identificación de patrones, eliminación de redundancia lleva a la comprensión de la información y culmina en lo que se define como Inteligencia.

Esta ha sido la combinación necesaria mediante la cual se han fundamentado la Estadística como base para la predicción de comportamientos, el reconocimiento de Patrones y la Inteligencia Artificial, basada en la convergencia de estadística aplicada con ingeniería de sistemas.  Esto degenero en el aprendizaje automático y las Redes Neuronales, basada en la aparición de modelos flexibles.

La unión de estas dos variables que son el Aprendizaje Automático a través de la extracción automática de conocimiento y las Bases de Datos con características de asociación entre sus diferentes datos y sus algoritmos escalables derivo en lo que hoy día se conoce como Minería de Datos o Data Mining.

Trabajar con los Datos - Parte II

• Tenga en cuenta que los datos de sus clientes son un activo corporativo. Esto no sólo significa dedicar a los datos de la misma infraestructura y el presupuesto que a otros activos de la empresa, sino también significa reconocer la gestión de datos como una competencia básica de la organización. Determinar si su empresa tiene una única arquitectura y únicas normas en lugar de definir  la fuente de los datos y traducirla en conocimiento significativo del negocio. Es importante comprender que los recursos y el presupuesto que ha dedicado a la gestión de datos, no son solo un componente de CRM, sino un arma competitiva global.

• No se olvide de los procesos de negocio. Las mejoras no comienzan y terminan con los datos correctos. La gestión eficaz y la mejora de relaciones con los clientes tienen mucho que ver con mejorar los procesos de trabajo de como hace el análisis de datos. Realizar CRM analítico consiste en entender cómo los clientes interactúan con usted y utilizar esto para perfeccionar los procesos de negocio buscando que les proporcione una mejor experiencia, ya sea en Internet o en sus tiendas. Así que cuidado con el vendedor o consultor que propone el análisis como el final del juego. El CRM analítico se debe utilizar para mejorar los procesos de negocio, optimizar los flujos de trabajo, establecer políticas sólidas, y acelerar las compras del cliente. Los procesos de negocio sólidos son la manera más rápida de obtener un retorno en la inversión hecha en CRM.

En una encuesta reciente de empresas que participan en los programas de CRM, META Group y encuestas IMT se observan entre los encuestados la intención de aumentar sus inversiones en el análisis de marketing como resultado de la implementación de CRM operacional. El problema es que el término "análisis de marketing" puede significar cualquier cosa, por ejemplo, la generación de una simple lista de recomendaciones de productos. Después de todo, la diversidad y riqueza de los datos relacionados con los clientes es directamente proporcional a la gama de opciones que una empresa tiene sobre el análisis.

El muy utilizado término "vista de 360 ​​grados" se extiende más allá de los datos del cliente para su empresa. Utilizar los datos de la web y los no web para impulsar mejores relaciones con clientes y proveedores deben traducirse no sólo en ahorro de costes, sino también en la generación de ingresos reales. La clave está en el rango de datos disponibles en toda la empresa sobre sus clientes, así como en su exactitud. El factor diferenciador está en cómo se utilizan los datos de manera estratégica.

La integración tan ampliamente aclamada como un imperativo para un CRM tiene mucho que ver con los sistemas y procesos de negocio al igual que como lo hace con los datos. La comunicación con los clientes, no sólo debe ser eficaz, debe ser transparente. La percepción del cliente lo es todo, y los clientes deben percibir que su empresa aplica normas de servicio inteligente independientemente del canal de preferencia del cliente, del producto deseado, o solicitud de servicio. Sólo usted sabe cómo se traduce esta inteligencia antes de iniciar el mensaje correcto a los clientes.

Recuerde que ni Roma ni una infraestructura de CRM de la empresa se construyeron en un día.

Trabajar con los Datos - Parte I

La Integración de datos de toda la compañía, y especialmente con los datos de análisis sofisticados donde nos podemos diferenciar de la competencia, es un objetivo noble de un CRM. Incluso las empresas con millones de dólares en los presupuestos de TI todavía lidian con ese desafío. Aprender de sus errores es un buen primer paso, principalmente considerando algunas de las sugerencias siguientes:

• No subestime la integración de datos.  La integración de datos de los clientes puede significar la diferencia entre una decisión que aleja a un cliente o una que desencadena una lealtad a largo plazo. Pero incluso los mejores productos de la suite CRM no ofrecen respuestas fáciles sobre cómo integrar datos dispares alrededor de su empresa. Hable con los proveedores acerca de sus bases de datos y sus procesos sistemáticos como localización, recogida, modelado, limpieza y carga de datos en su almacén de datos. Y recuerde: Una interfaz de usuario es inútil si los datos son incorrectos.

• Tenga cuidado con los "datos sucios". Los Usuarios de negocios que necesitan información de clientes pueden tener un mayor nivel de cuidado sobre los datos si entienden los orígenes de estos. Una vez escuché a un usuario declarar que él "nunca utilizaría los datos", tras enterarse de esos datos provenían de un sistema de facturación de una empresa arcaica, conocida por tener problemas de datos. Entender las definiciones de datos y las reglas de negocio antes de implementar un CRM es la forma más segura de garantizar a los usuarios que van utilizar lo que se les ofrece. Una buena práctica es la de llevar a cabo diálogos y discusiones de definición de terminología de datos con grupos de usuarios multi-funcionales para asegurar una terminología común, idealmente, antes de que el desarrollo de CRM comience.

• Si su empresa tiene un almacén de datos, reinvierta en ella ahora. En 1999, uno de los "Tres Grandes" fabricantes de automóviles EE.UU. informe que, invirtió US $ 50 millones en su infraestructura de almacenamiento de datos en un intento de centralizar los datos de sus clientes y reforzar la calidad de los datos antes de lanzar su programa de CRM. A pesar de que tenía poca experiencia en procesos institucionalizados de gestión de clientes, los directivos de la compañía de, sin embargo entendieron que, debido a las complejas relaciones con sus distribuidores y sus controladores no podrían arrancar su CRM, sin una sola versión de los datos críticos.

• Saber quién realizara el análisis de los datos. Hay una brecha enorme entre el usuario ocasional que hace clic para acceder a las cifras de ingresos a fin de mes y el estadístico que trabaja con los datos para llegar a conclusiones que pueden resultar en cambios estratégicos del negocio. Es básico en los usuarios que realicen efectivamente CRM analítico, entender los datos que están viendo, y los que se generan de los resultados de su trabajo. Evite el dato (demasiado común) "interesante pero no relevante", donde los usuarios simplemente juegan entre los datos de los clientes sin objetivos definidos o acciones que resulten de estos análisis. Por ello es importante clasificar el conjunto de usuarios finales  y considerar el establecimiento de políticas que dictan los controles de privacidad, las limitaciones del sistema de seguridad, y las herramientas adecuadas de análisis para cada grupo.

• Traducir el análisis a la acción. Muchas empresas con bases de datos muy grandes y herramientas de usuario final realmente buenas, sin embargo ignoran lo que sus datos les dicen. A pesar de tener información de sus clientes valiosos, siguen dependiendo de manera desproporcionada en la información de sus vendedores para generar clientes potenciales y en las reuniones para jugar golf para fomentar alianzas comerciales. Conozca sus actuales iniciativas centradas en el cliente y cuáles podrían ser mejoradas con el análisis. Este análisis puede dar lugar a muchas recomendaciones para mejorar.  A veces, esto simplemente significa empoderar a los empresarios para que realicen el análisis y puedan hacer realidad sus propias resoluciones. Y a veces se requiere la creación de nuevos procesos internos para asegurar que los conocimientos impulsen mejores tácticas de negocios.

Data Mining - Personalizacion y Filtrado Colaborativo - Parte III

Fijacion Dinámica de Precios

La Fijación dinámica de precios en realidad aprovecha la tecnología de CRM y los datos detallados de los clientes para que una empresa, por ejemplo, pueda comparar el deseo de los compradores del producto con su capacidad percibida de pagar por ese producto. Por primera vez, los consumidores son los que compiten por la mejor oferta.

Existen los argumentos a favor y en contra de la fijación dinámica de precios como la de plantear dudas de privacidad de los consumidores, así como la buena voluntad de ambos. Después de todo, más de un comprador compra en el sitio web de una empresa, cuanta más información tiene sobre el sitio que el comprador y el débil poder de negociación del comprador.

En los últimos años, las aerolíneas fueron acusadas ​​habitualmente de aumentar sus tarifas en línea para los viajeros  frecuentes  (sus clientes más fieles) que son más propensos a volar con un transportista en particular debido a las ventajas del millaje gratuito. Coca Cola fue acusada de haber estado considerando una máquina expendedora que elevaria el precio de las bebidas cuando la temperatura del medio ambiente se eleve.

En la defensa de fijación dinámica de precios, las tiendas han realizado esa práctica desde hace años. Farmacias se ha colocado el precio más alto a los medicamentos para el resfriado en los climas fríos, y la escasez de Sony Playstation 2 unidades de la Navidad de su lanzamiento hizo que los precios se elevaran de forma pronunciada. (Kmart utilizo la escasez como una forma de premiar a los clientes leales en primer lugar, la disponibilidad de Playstation fue relacionada a la dirección a los compradores leales en el sitio web de la compañía Bluelight.com.) En el mundo de la Web, donde en los datos de consumo se puede incluir la dirección de origen de los compradores, el nivel de ingresos, el número de los niños, e incluso su decisión de comprar un producto,  la fijación dinámica de precios, junto con otra serie de técnicas de personalización, se pueden implementar con mayor rapidez y con un mayor número de compradores.

Bueno o malo, el experimento de fijación dinámica de precios de Amazon podría haber pasado desapercibida por completo si no hubiera sido por ... la Web. En un giro irónico, los participantes en un chat de Internet empezaron a comparar sus recibos de cine y descubrieron que los precios pagados parecían más altos que los de los clientes habituales. Amazon cobró la fijación dinámica de precios fue simplemente una prueba y negó planes para formalizar la práctica. Sin embargo, el ejemplo demuestra que la Web ha afectado tanto a las comunicaciones empresariales y sociales hasta el punto que incluso CRM veces puede ser un arma de doble filo.

Data Mining - Personalizacion y Filtrado Colaborativo - Parte II

Filtrado Colaborativo

El otro tipo de personalización es la adaptación de personalización. Más comúnmente conocido como el filtrado colaborativo, este tipo de personalización es más inteligente, ya que observa comportamientos de los clientes y los aplica a las nuevas circunstancias. Por ejemplo, si en un jardín e-tailer con filtrado colaborativo observa que los consumidores tienden a comprar a bajo costo las flores perennes, al mismo tiempo que las herramientas de jardinería en el sitio Web puede comenzar sugiriendo un área de sugerencias a todos los clientes que compran las plantas tipo bulbo. El Filtrado colaborativo utiliza el comportamiento de otros visitantes "similares" a los visitantes regulares como base para sus recomendaciones. Las herramientas de filtrado Colaborativo son a menudo más complejas, y por lo tanto este es más caro, que el basado en las normas de personalización.

El ejemplo más célebre de filtrado colaborativo es cuando no la compra por Amazon.com, en el que los resultados de compras anteriores del comprador son combinados con la geografía en la que este se ubica, para sugerir a los lectores que viven en su barrio y tienen intereses similares que cosas pueden estar leyendo. Este análisis similar de la compra de los consumidores más inteligente hace que se convierta a Amazon como su preferencia, y hace más preciso aún las recomendaciones del sitio. Varios clientes de Amazon.com que conozco son los cazadores de oportunidades en los sitios Web de otros durante las promociones especiales, pero siempre regresan a Amazon porque "ellos los conocen mejor".

Tal vez el trazado más revelador en la personalización es que el usuario sabe lo que está pasando. Los visitantes a la Web proporcionan normalmente voluntariamente información personal a sitios Web donde se cree que habrá algún tipo de quid pro quo: la compañía utilizará la información para proporcionar un servicio de valor añadido, tales como descuentos periódicos o de interés especial boletines. Algunos sitios pueden personalizar el contenido sin que el comprador sepa que los productos que está viendo son diferentes de las de los compañeros de los compradores, que podrían tener diferentes perfiles y preferencias.

Los distribuidores de Internet que combinan eCRM con los datos del cliente y la personalización detallada avanzada pueden personalizar los diseños de contenidos y la pantalla para los visitantes individuales buscando aumentar la vistosidad del sitio y la propensión de los compradores para comprar.

Por otro lado, las empresas, tales como Lands End, simplemente preguntar a los clientes lo que les gusta, o no al hacer una compra. La empresa muestra a los visitantes de su Web combinaciones de productos diversos y solicita su opinión. Esta práctica es diferente de la "inferencia" de personalización en el que una empresa aplica una lógica compleja para inferir las preferencias de un cliente y simplemente almacena las respuestas del cliente a las preguntas o encuestas, por lo que las respuestas forman parte de su perfil para que puedan ser utilizados para la venta cruzada de sus productos adicionales.

Aunque esta información parece bastante inocua es equivalente a la reorganización de diseño de un almacén o tienda real basado en la forma en que el comprador le gusta moverse por la tienda, también puede tener usos más controvertidos.

Amazon.com también mostro que se podía realizar la venta de la misma película en DVD a precios diferentes a los compradores diferentes. Esta práctica, conocida como fijación dinámica de precios, se volvió el concepto de elección del consumidor en su mente. La Web, famosa por ofrecer a los compradores la oportunidad de encontrar la mejor oferta con un simple clic del ratón, permite ahora a los vendedores la oportunidad de diferenciar a los consumidores y su sensibilidad a los precios.

Data Mining - Personalizacion y Filtrado - Parte I

Personalización y filtrado colaborativo

Personalización, Es la práctica de adaptar las comunicaciones directamente a un segmento de clientes o, cada vez, a un cliente individual. La premisa de la personalización es que, mediante la recopilación de datos suficientes de los clientes, una empresa puede poner a las necesidades únicas de un individuo, tanto ahora como en el futuro. Las Comunicaciones personalizadas es la principal técnica a través del cual las empresas pueden convencer a los clientes que ellos entienden y que su información que la empresa utiliza a menudo gracias a la explícita autorización del cliente, y que esta es de beneficio mutuo. El objetivo es ofrecer recomendaciones precisas de productos, contenidos orientados a las preferencias individuales, y promociones dirigidas a los visitantes y Web individuales en tiempo real.

Cuando se hace bien, la personalización significa no sólo mantener la lealtad de los clientes, sino también las compras que vez mayores de estos. Se aprovecha la información detallada acerca de las personas y puede dictar algunas decisiones tácticas.

Por ejemplo: Los temas de análisis que siguen en una farmacia minorista de comercio electrónico sugieren que nivel de detalle y de personalización de cada resultado conjuntamente con cuales tácticas puede implementar:

• ¿Para las personas que han comprado o manifestado su interés en los suplementos de vitamina A, que otros productos son propensos a comprar?

• ¿Qué tan probable es para el cliente X comprar medicamentos en línea?

• ¿Qué otros elementos es probable que incluya en la cesta de la compra de un comprador si compra, por ejemplo, un descongestionante?

• ¿Qué productos son más similares a las gotas X que el cliente eligió?

La personalización puede adoptar diversas formas. Puede implicar la personalización de páginas Web actuales, incluyendo buscar un sitio Web nuevo  y la sensación, de acuerdo con las características favorecidas por un visitante individual. Muchos sitios web permiten al visitante personalizar el sitio según sus preferencias, eliminando las variaciones de forma lo que le permite una ventana de privacidad en la empresa.

¿Utiliza la función de búsqueda a menudo? Mueva la ventana de búsqueda a la parte superior de la página. Como la personalización, la localización puede enfocar el contenido del sitio según el área geográfica del visitante.

Tenga en cuenta que los ejemplos de personalización sirven como elementos de predicción para el e-tailer. De hecho, la mayoría del software de personalización consiste en algoritmos específicos de minería de datos. Los dos tipos principales de personalización son las reglas de personalización basada en la personalización y en la adaptación.

La Basada en reglas de personalización aprovecha las reglas establecidas que dictan, por ejemplo, que los productos pueden ser adquiridos en conjunto o si una determinada página web debe preceder o seguir a otro. Cuando un visitante de un sitio web de software compra, el sitio podría sugerir que compre la guía oficial antes de ir a la pantalla de pago. Basado en reglas de personalización más a menudo implican reglas que han sido codificadas en el software. Por esta razón, a menudo es difícil de mantener y de apoyar.

MINERIA DE DATOS EN CRM: Donde la teoría se mezcla con la práctica. PARTE II

Una diferencia fundamental entre la minería de datos y otros tipos de análisis de decisiones de apoyo es que la minería de datos por lo general implica gente conocedora de Estadísticos o especialistas de producto, íntimamente relacionados con el uso de los algoritmos correctos y su aplicación a los problemas empresariales, así como con el software de minería de datos específico. Aunque un hombre de negocios rara vez busca en los datos, podrían utilizar los resultados de la minería de datos o una representación gráfica de una herramienta de visualización o accesando a una base de datos para una consulta general que puede ayudar a tomar decisiones importantes sobre la gestión de relaciones con los clientes.

Hay miles de usos para los tres tipos de minería de datos que acabamos de describir: Por ejemplo: las dirigidas a nuevos patrones o modelos actuales de nuestros clientes para evitar la respuesta de alto riesgo, las perspectivas a través de la predicción del riesgo o pronóstico de valor de un cliente de por vida.

Muchas empresas han adquirido servidores dedicados a la minería de datos, sobre la cual se cargan los datos del cliente para construir modelos de los registros y explorar diversos patrones de comportamiento de los clientes. Estas actividades son generalmente de procesamiento intensivo de datos independientes de plataformas de procesamiento de evitar el impacto en otros sistemas. Estos servidores suelen estar vinculados al almacén de datos de una empresa, permitiendo a los analistas de datos acceder fácilmente a datos de los clientes y experimentar con diferentes planes de precios, por ejemplo, o crear segmentos dinámicos del cliente para las pruebas de nuevas campañas y realizar análisis what-if.

Cada tipo de minería de datos puede producir resultados que se traducen en acciones de alto impacto. Por ejemplo, un minorista de productos electrónicos en Londres descubrió que la mayoría de las probabilidades de comprar un reproductor de DVD portátil para trabajar en el tren, ocurría en la estación, esto movió al minorista a reasignar la mayor parte de su presupuesto de marketing de los anuncios de televisión a anuncios en periódicos y vallas publicitarias de las estaciones. La compañía registró que las ventas de estos equipos aumentaron un 43 por ciento después de cambiar sus medios de publicidad. Comprender los comportamientos inminentes de los clientes actuales y potenciales es la clave para la minería de datos, y en CRM se refiere, dos aplicaciones de minería de datos, en particular, se destacan: el análisis de clic y la personalización.