Minería de datos

Pervasive Business Intelligence se podría traducir como Business Intelligence Omnipresente, al menos a nivel de empresa. Se trata de hacer que el sistema de BI llegue a todos los niveles de la organización, en el momento oportuno, y con la información necesaria para cada uno. Puede abarcar incluso la integración con otros sistemas, normalmente operacionales, y también contemplar capacidades de interacción, no sólo de acceso a la información.

En TDWI han realizado un estudio sobre el grado de introducción de las herramientas de BI en las empresas. Utilizaron como base una encuesta realizada a más de 700 personas implicadas en proyectos de BI y entrevistas en profundidad realizadas a más de 20 proveedores o profesionales del mundo BI.

El resultado de este estudio es el informe Pervasive Business Intelligence, Techniques and Technologies to Deploy BI on an Enterprise Scale, del que paso a resumir lo que me parece más relevante:

Resultados de la encuesta

Adopción de herramientas de BI y grado de utilización

Javier Giménez es el director de Litebi, una empresa de reciente creación que ha desarrollado una herramienta de Business Intelligence basada en el modelo SaaS. También es el autor del blog todoOnDemand. En esta entrevista nos cuenta más detalles sobre su producto, su visión sobre el BI On Demand y sus expectativas para el futuro.

En LiteBI ofrecéis Business Intelligence como un servicio, algo bastante novedoso, sobretodo en nuestro país. Puedes explicarnos en qué consiste vuestro producto, y porqué se define como SaaS?

Litebi ofrece una aproximación diferente al Business Intelligence. Pretendemos eliminar el coste y la complejidad asociadas a este tipo de soluciones mediante el modelo de Software como Servicio (SaaS), es decir accesible a través de internet y con pago por uso. En resumen eliminamos la necesidad de implantar y mantener la solución de BI en el cliente, con el ahorro que supone en inversión inicial en hardware y software, y en mantenimiento. Además Litebi no se queda ahí sino que simplifica enormemente el proceso de creación de las soluciones analíticas.

En estas diapositivas se presenta el caso de estudio de un banco que se plantea la necesidad de un mayor conocimiento de sus clientes para poder definir adecuadamente sus estrategias de negocio. Gracias a la utilización de herramientas de Business Intelligence, en concreto de Data Warehouse y Data Mining, y a la definición de unos claros objetivos de negocio, este banco pudo analizar el comportamiento de sus clientes, segmentarlos, tomar decisiones estratégicas en función de este comportamiento, realizar predicciones y analizar los resultados de la aplicación de estas decisiones, valorando así el retorno de la inversión. La presentación está estructurada en los siguientes apartados: - La economía del negocio y la gestión de clientes - Modelamiento de valor - Modelamiento de potencial - Segmentación - Modelamiento de deserción - Aplicaciones prácticas - Resultados

En el post de nuestro foro CRISP-DM Traducción al español Daniel Alejandro adjunta un documento con una traducción en castellano de la metodología de CRISP-DM para el desarrollo de modelos de minería de datos.

El contenido del mismo nos parece tan interesante para la comunidad que lo publicamos en forma de manual online para hacerlo más accesible a todos los miembros. Se puede consultar siguiendo el link
Metodologia CRISP-DM 1.0

Adjuntamos también el documento original en inglés a partir del cual Daniel ha realizado la traducción.

En la publicación electrónica MCData.ti se puede encontrar una clasificación bastante completa de diferentes herramientas relacionadas con el business intelligence y la gestión de datos.
Esta es la descripción que se realiza de las herramientas de Minería de datos

Empresa: Computer Associates
Producto: CleverPath Predictive Analysis Server