Gòmez - Lina - Analizando

1
Evidencia de Aprendizaje Nº2
Presentado por:
Lina M. Gómez Tamayo
Docente:
Daniel Roman
Facultad de Ciencias Económicas, Administrativas y Contables
Administración de Empresas
Inteligencia Empresarial - PREAEC2401B010335
IU Digital de Antioquia
Sede Medellín-Antioquia
19 de marzo 2024
2
Introducción:
En el ámbito de la ciencia de datos y la inteligencia empresarial, tres conceptos juegan un
papel crucial en el análisis y la comprensión de los datos: las reglas de asociación y
patrones secuenciales, los objetivos y componentes de una bodega de datos, y los
diferentes tipos de analítica de datos.
Las reglas de asociación y patrones secuenciales permiten descubrir relaciones
significativas entre los elementos de los datos, proporcionando insights valiosos para
comprender el comportamiento del consumidor y optimizar los procesos empresariales.
Por otro lado, las bodegas de datos desempeñan un papel fundamental al integrar datos de
múltiples fuentes y proporcionar una visión unificada y coherente de la información
empresarial. Comprender sus objetivos y componentes es esencial para aprovechar al
máximo esta infraestructura de almacenamiento de datos.
Finalmente, la analítica de datos, que abarca desde la descripción de lo que ha sucedido
en el pasado hasta la predicción de eventos futuros y la recomendación de acciones,
ofrece herramientas poderosas para la toma de decisiones informadas y la optimización
de resultados empresariales.
3
Desarrollo
Pregunta 1: En tus palabras ¿cómo puedes explicar qué son patrones secuenciales?
Los patrones secuenciales son un tipo de patrón que se enfoca en encontrar secuencias u
órdenes específicos en los que ocurren ciertos eventos o elementos dentro de un conjunto
de datos.
Es como si estuviéramos rastreando los pasos que siguen las personas o los procesos. Por
ejemplo, si analizamos las compras en una tienda, un patrón secuencial podría ser:
primero los clientes ven los productos, luego consultan los precios, después pasan por la
caja y finalmente pagan y se van.
Lo importante de estos patrones es que nos permiten descubrir cuáles son los caminos o
rutas más comunes que se siguen de manera repetitiva en situaciones particulares.
Identificarlos puede ayudarnos a comprender mejor los comportamientos, optimizar
procesos, hacer recomendaciones personalizadas y tomar mejores decisiones.
Ejemplo práctico: Una cadena de supermercados desea analizar las secuencias de compra
de sus clientes. Mediante el análisis de patrones secuenciales, podría descubrir que
muchos clientes primero compran productos lácteos, luego productos de panadería y
finalmente frutas y verduras. Este conocimiento puede ayudar a la cadena a reorganizar la
distribución de sus productos en las tiendas, colocando estos artículos en secciones
cercanas para mejorar la experiencia de compra y aumentar las ventas cruzadas
(Hernández Orallo et al., 2004).

4
Pregunta 2: ¿Cuáles serían los beneficios y los factores negativos de una bodega de
datos?
Beneficios de una bodega de datos:
-Tener todos los datos juntos: Una bodega de datos junta y guarda datos de diferentes
fuentes y partes del negocio en un solo lugar. Esto facilita mucho el poder analizarlos y
usarlos.
-Calidad de datos: Los datos en la bodega pasan por un proceso de limpieza y
estandarización, lo que los hace más confiables y consistentes.
-Mejor toma de decisiones: Al tener acceso a datos históricos y actuales integrados, es
más fácil para las empresas tomar mejores decisiones basadas en la información.
-Análisis avanzados: Una bodega de datos permite hacer análisis complejos como minería
de datos, inteligencia artificial y aprendizaje automático.
Factores negativos de una bodega de datos:
-Costos elevados: Implementar y mantener una bodega de datos es costoso, requiere
inversión en hardware, software especializado y personal capacitado.
-Complejidad técnica: Diseñar, integrar y administrar una bodega de datos es
técnicamente complejo y requiere conocimientos especializados.
-Privacidad y seguridad: Al concentrar tantos datos en un solo lugar, es crítico protegerlos
adecuadamente contra accesos no autorizados o fugas.

5
-Latencia de datos: Puede haber un retraso entre cuando ocurren los eventos y cuando
esos datos se reflejan en la bodega.
Ejemplo práctico: Una grande empresa de telecomunicaciones decidió implementar una
bodega de datos para analizar el comportamiento de uso y consumo de sus clientes.
Integraron datos de facturación, registros de llamadas, servicio al cliente, campañas de
marketing y más. Esto les permitió identificar patrones de uso, segmentar clientes,
optimizar planes y ofrecer promociones personalizadas. Sin embargo, el proyecto fue
costoso, requirió capacitar a un equipo especializado y tuvieron que invertir en medidas
de seguridad robustas para proteger los datos confidenciales de los clientes.
Pregunta 3: ¿Qué es la analítica Diagnóstica y prescriptiva?
Analítica Diagnóstica:
La analítica diagnóstica busca entender y explicar las causas o razones detrás de ciertos
eventos o patrones que vemos en los datos. Es como preguntarse ¿por qué sucedió esto? y
tratar de encontrar las causas raíz.
Por ejemplo, si una empresa de aviación ve que las quejas de los pasajeros aumentaron en
ciertos vuelos, la analítica diagnóstica les ayudaría a descubrir si se debió a retrasos,
problemas con el servicio, fechas específicas u otros factores. Conocer las causas les
permite corregir los problemas.
Analítica Prescriptiva:
6
La analítica prescriptiva va un paso más allá y busca recomendar los mejores cursos de
acción o decisiones a tomar con base en los datos. Es como preguntarse "¿qué debería
hacer para lograr X objetivo?".
Utiliza técnicas avanzadas como inteligencia artificial, machine learning y modelos
predictivos para analizar diferentes escenarios y variables. Luego, sugiere la acción
óptima para, por ejemplo, aumentar ganancias, reducir riesgos, mejorar procesos, etc.
Por ejemplo, para una empresa de ventas, la analítica prescriptiva podría recomendar qué
productos promocionar, a qué perfiles de clientes enfocar sus campañas y qué canales de
promoción utilizar para maximizar las ventas.
Bibliografía
- Hernández Orallo, J., Ramírez Quintana, M.J., y Ferri Ramírez, C. (2004). Introducción
a la Minería de Datos. Pearson Educación.
- Cano, J. L. (2007). Business Intelligence: Competir con información. Esade. Barcelona.
- Sinnexus (2021). "Tipos de Analítica de Datos: Descriptiva, Predictiva, Prescriptiva y
Diagnóstica". Disponible en: https://www.sinnexus.com/business_intelligence/tipos-de-
analitica-de-datos.aspx
- García Céspedes, F. (2019). Analítica de Datos para la Toma de Decisiones. Editorial
Paraninfo.

Gòmez - Lina - Analizando

Cargado por

Copyright:

Formatos disponibles

Gòmez - Lina - Analizando

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gòmez - Lina - Analizando

Cargado por

Copyright:

Formatos disponibles

1

Evidencia de Aprendizaje Nº2

Lina M. Gómez Tamayo

Facultad de Ciencias Económicas, Administrativas y Contables

Inteligencia Empresarial - PREAEC2401B010335

En el ámbito de la ciencia de datos y la inteligencia empresarial, tres conceptos juegan un

papel crucial en el análisis y la comprensión de los datos: las reglas de asociación y

patrones secuenciales, los objetivos y componentes de una bodega de datos, y los

diferentes tipos de analítica de datos.

Las reglas de asociación y patrones secuenciales permiten descubrir relaciones

comprender el comportamiento del consumidor y optimizar los procesos empresariales.

múltiples fuentes y proporcionar una visión unificada y coherente de la información

empresarial. Comprender sus objetivos y componentes es esencial para aprovechar al

máximo esta infraestructura de almacenamiento de datos.

Finalmente, la analítica de datos, que abarca desde la descripción de lo que ha sucedido

en el pasado hasta la predicción de eventos futuros y la recomendación de acciones,

ofrece herramientas poderosas para la toma de decisiones informadas y la optimización

caja y finalmente pagan y se van.

rutas más comunes que se siguen de manera repetitiva en situaciones particulares.

Identificarlos puede ayudarnos a comprender mejor los comportamientos, optimizar

procesos, hacer recomendaciones personalizadas y tomar mejores decisiones.

de sus clientes. Mediante el análisis de patrones secuenciales, podría descubrir que

muchos clientes primero compran productos lácteos, luego productos de panadería y

finalmente frutas y verduras. Este conocimiento puede ayudar a la cadena a reorganizar la

distribución de sus productos en las tiendas, colocando estos artículos en secciones

cercanas para mejorar la experiencia de compra y aumentar las ventas cruzadas

(Hernández Orallo et al., 2004).

Beneficios de una bodega de datos:

-Calidad de datos: Los datos en la bodega pasan por un proceso de limpieza y

estandarización, lo que los hace más confiables y consistentes.

-Mejor toma de decisiones: Al tener acceso a datos históricos y actuales integrados, es

de datos, inteligencia artificial y aprendizaje automático.

Factores negativos de una bodega de datos:

-Costos elevados: Implementar y mantener una bodega de datos es costoso, requiere

inversión en hardware, software especializado y personal capacitado.

-Complejidad técnica: Diseñar, integrar y administrar una bodega de datos es

técnicamente complejo y requiere conocimientos especializados.

-Privacidad y seguridad: Al concentrar tantos datos en un solo lugar, es crítico protegerlos

adecuadamente contra accesos no autorizados o fugas.

esos datos se reflejan en la bodega.

Ejemplo práctico: Una grande empresa de telecomunicaciones decidió implementar una

bodega de datos para analizar el comportamiento de uso y consumo de sus clientes.

Integraron datos de facturación, registros de llamadas, servicio al cliente, campañas de

optimizar planes y ofrecer promociones personalizadas. Sin embargo, el proyecto fue

costoso, requirió capacitar a un equipo especializado y tuvieron que invertir en medidas

de seguridad robustas para proteger los datos confidenciales de los clientes.

Pregunta 3: ¿Qué es la analítica Diagnóstica y prescriptiva?

tratar de encontrar las causas raíz.

ciertos vuelos, la analítica diagnóstica les ayudaría a descubrir si se debió a retrasos,

permite corregir los problemas.

hacer para lograr X objetivo?".

Utiliza técnicas avanzadas como inteligencia artificial, machine learning y modelos

predictivos para analizar diferentes escenarios y variables. Luego, sugiere la acción

promoción utilizar para maximizar las ventas.

a la Minería de Datos. Pearson Educación.

- Cano, J. L. (2007). Business Intelligence: Competir con información. Esade. Barcelona.

- Sinnexus (2021). "Tipos de Analítica de Datos: Descriptiva, Predictiva, Prescriptiva y

Diagnóstica". Disponible en: https://www.sinnexus.com/business_intelligence/tipos-de-

- García Céspedes, F. (2019). Analítica de Datos para la Toma de Decisiones. Editorial