Lo que no sabías sobre el Data Mining
Crear nuevos servicios y productos a partir del análisis de datos
En la actualidad del mundo cibernético se escucha hablar sobre la importancia del análisis de la “Big Data” como estrategia para generar nuevos productos y tendencias, compensando la evolución tecnológica junto a la creciente demanda y el constante cambio de comportamiento de los usuarios.
El “Big Data” o macrodatos, como se conoce por su término en español, hace referencia a un grupo de datos encriptados tan grande que las aplicaciones informáticas comunes de procesamiento de datos no son suficientes para procesarlos.
Estas aplicaciones practican el Data Mining; o sea, se dedican a buscar, recolectar, almacenar, compartir, analizar y visualizar cada vez mayores cantidades de datos para intentar identificar patrones y establecer relaciones, con el fin de generar informes estadísticos virtuales y modelos predictivos con información de mucha importancia para diversas materias y organizaciones dedicadas al análisis de negocio, experimentos publicitarios, entidades de seguridad e incluso la lucha contra el crimen organizado.
¿Dónde se genera tanta cantidad de datos?
Un Smartphone en la actualidad tiene más capacidad de cómputo que la NASA cuando el hombre llegó a la luna, por lo que los datos generados en el mundo por persona y en unidad de tiempo son impresionantemente grandes.
La cantidad de datos que se genera en la actualidad crece diariamente de manera exponencial porque los vamos fabricando directa e indirectamente a cada instante que pasa. Según Wikipedia, en 2012 se estimaba su tamaño de entre una docena de terabytes hasta varios petabytes en un único conjunto de datos. Para el 2016, la evolución de volumen de tráfico IP se multiplicó de manera indetenible (como muestra la gráfica del hipervínculo) lo que nos da una idea del incontenible crecimiento de datos e información.
Si tan sólo pensamos en la “huella informática” que cada uno de nosotros deja a diario al participar en las redes sociales, ejecutar una compra en línea o hasta simplemente hacer una búsqueda en internet, podemos entonces pensar en cantidades enormes de información que reflejan esas acciones; que si se analizan detalladamente, podrían predecir nuestras conductas y patrones de comportamiento.
Estos datos pueden clasificarse según su procedencia:
- Generados por las personas: Se estima que por cada minuto se envían más de 200 millones de correos electrónicos, se comparten más de 700 mil publicaciones de Facebook, se realizan 2 millones de búsquedas en Google o se editan 48 horas de vídeo en YouTube.
- Transacciones de datos: Facturaciones, llamadas en línea o transacciones entre cuentas generan información con datos sumamente relevantes.
El ejemplo más común está en las transferencias bancarias: lo que el usuario percibe como un ingreso de dinero, la computación lo interpretará como una acción llevada a cabo en una fecha y momento determinado, en un lugar concreto, entre unos usuarios registrados, y más metadatos. - Mercadeo electrónico: El simple hecho de navegar en la web genera una gran cantidad de datos. Hoy en día los mismos usuarios se han convertido en generadores de contenido gracias a sus interacciones con los sitios. Existen muchas herramientas de seguimiento utilizadas en su mayoría con fines de mercadotecnia y análisis de negocio. Los movimientos de ratón quedan grabados en mapas de calor y queda registro de cuánto pasamos en cada página y cuándo las visitamos.
- Máquina a máquina (M2M): Son tecnologías que transforman las magnitudes físicas o químicas y las convierten en datos que comparten con otros dispositivos: medidores, sensores de temperatura, de luz, de altura, de presión, de sonido, etc.
- Biométrica: Son los datos que provienen de la seguridad, defensa y servicios de inteligencia. Son cantidades de datos generados por lectores biométricos como escáneres de retina, escáneres de huellas digitales, o lectores de cadenas de ADN. El destino de estos datos es proporcionar mecanismos de seguridad y suelen estar custodiados por los ministerios de defensa y departamentos de inteligencia.
¿Qué podemos lograr con todos estos datos?
En un informe investigativo que se fundamentaba en congresos y presentaciones relacionadas, la META Group (ahora Gartner) aseguraba que el crecimiento constante de datos no era más que una oportunidad y un reto para investigar en el volumen, la velocidad y la variedad.
Get Néstor Phx Barreto’s stories in your inbox
Join Medium for free to get updates from this writer.
El data mining se refiere especialmente al descubrimiento de patrones interesantes y desconocidos anteriormente; registros inusuales o dependencias. Hay diferentes tipos de análisis que se pueden hacer para obtener información del Big Data y cada uno tendrá un impacto o resultado diferente. Qué tipo de técnica de data mining se debe utilizar, depende realmente del tipo de problema de negocio que se está intentando estudiar.
Por ejemplo, la detección de anomalías consiste en buscar datos que no coinciden con un patrón proyectado o un comportamiento esperado. A las anomalías también se les llaman outliers, excepciones, sorpresas o contaminantes. Una anomalía es un objeto que se desvía significativamente del promedio general dentro de un conjunto de datos o una combinación de datos. Está distante numéricamente del resto de los datos y por lo tanto el valor indica que algo está fuera de lo común y requiere un análisis adicional.
El análisis de anomalías se utiliza para detectar fraudes o posibles riesgos dentro de sistemas críticos, encontrar eventos que podrían indicar fraudes, procedimientos defectuosos o áreas donde una teoría determinada es inválida.
Otro ejemplo es el del aprendizaje de reglas de asociación, que permite el descubrimiento de relaciones interesantes entre diferentes variables en bases de datos grandes. El aprendizaje de reglas de asociación descubre patrones ocultos en los datos que pueden utilizarse para identificar variables dentro de los datos y las co-ocurrencias de diferentes variables que aparecen con mayores frecuencias.
Esto se utiliza, entre otras cosas, para encontrar patrones en los datos de los puntos de venta. Estos patrones se pueden utilizar al recomendar nuevos productos desde otros, basado en lo que otros clientes han comprado antes, o sobre qué productos se compran juntos. Si esto se hace correctamente puede ayudar a las organizaciones aumentar su tasa de conversión.
También existe un análisis por agrupación, que identifica conjuntos de datos similares entre sí para entender las diferencias, así como las similitudes, dentro de los datos. Las agrupaciones tienen rasgos en común que pueden usarse para mejorar los algoritmos. Por ejemplo, a las agrupaciones de clientes con comportamientos de compras similares se les pueden ofrecer productos y servicios similares para aumentar la tasa de conversión.
Un resultado de un análisis de agrupación puede ser la creación de personajes ficticios diseñados para representar los diferentes tipos de usuarios dentro de un grupo demográfico, actitud y comportamiento; de forma que pueden utilizar un sitio web, una marca o un producto de manera similar.
Por otra parte, el análisis de regresión trata de definir la dependencia entre variables. Asume un efecto causal unidireccional de una variable a la respuesta de otra variable. Un análisis de regresión puede demostrar que una variable depende de otra pero no viceversa y se utiliza para determinar los diferentes niveles de satisfacción de los clientes y cómo afectan a esto a su fidelidad. Cómo los niveles de servicio pueden verse afectados por causas externas como por ejemplo el clima.
Nuevos Modelos de Negocio
La evolución digital crea cada vez mejores oportunidades para diversificar las fuentes de financiación, lo cual incentiva su capacidad de adaptación a cada nuevo panorama. A su vez hay una gran incertidumbre por lo que respecta a saber qué modelos de negocio funcionarán y cuáles no. Por ejemplo: ¿cuánto pagarían las personas de un sector determinado por un producto o un servicio nuevos? ¿Cuánto pagarían si ese mismo servicio pudieran obtenerlo on line?
La mejor manera de ver qué funciona es hacer experimentos de “modelos de negocio” para compilar datos y aprender más sobre el tema.
El éxito de grandes empresas como Amazon comienza en la minería de datos masiva basando los patrones de compra de un usuario cruzados con los datos de compra de otro, creando así anuncios personalizados y boletines electrónicos que incluyen justo aquello que el usuario quiere en ese instante. Esto supone otro de los nuevos modelos de negocios que nos ofrece el análisis de macrodatos o “Big Data” y que es tan solo una ventana a un futuro universo repleto de nuevas ideas surgidas a partir del análisis de datos.
Conclusión
El análisis de datos puede ayudar a encontrar la información más relevante sobre la forma en que las personas interactúan con determinados parámetros de la web. Esta información se puede utilizar para crear nuevos y cada vez mejores modelos de productos y servicios que pueden hacer más efectiva la interacción directa e indirecta con los usuarios, al mismo tiempo que se generan más conversiones y aumenta la liquidez. Cuantos más datos se tengan, mejores serán los resultados que se obtengan sobre cada análisis y esto a su vez se traduce en mayor efectividad para cada organización.
En un futuro muy cercano estos datos serán la clave para una nueva generación de modelos comerciales, sociales, informáticos, comunicacionales y de cada ámbito en el que se desarrolla el ser humano, por lo que es importante comenzar a conocerles desde ya y aprender a darles un correcto uso.
