De Todo un Poco

Introducción
La minería de datos es la extracción de la información o del conocimiento útil a partir de cuerpos de datos. La minería de datos también se refiere a veces como el descubrimiento de conocimiento en bases de datos.
En pocas palabras, se puede afirmar que el data mining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, demanera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto.
Básicamente, el data mining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a laInteligencia Artificial y a las redes neuronales.
En el presente trabajo analizaremos diferentes herramientas para data mining, tomando en consideración aplicabilidad, casos de aplicación, costos de la herramienta, entre otros.
Herramientas para Data Mining
a) Clementine / SPSS
Permite desarrollar modelos predictivos y desplegarlos para mejorar la toma de decisiones. Está diseñada teniendo encuenta a los usuarios empresariales, de manera que no es preciso ser un experto en data mining.
Combina modernas técnicas de modelamiento con poderosas herramientas de acceso, manipulación y exploración de datos en una interfaz simple e intuitiva.
Características:
Fácil entendimiento de los datos.
Visualización interactiva.
Poderosa preparación de los datos.
Combina datos de múltiples fuentes.Especifica valores perdidos.
Deriva nuevas variables.
Produce información resumida.
Incrementa la productividad con su enfoque visual de la manipulación de datos.
Técnicas de Modelado.
Técnicas Supervisadas: C&RT, Redes Neuronales, C5.0, Quest, CHAID, Regresión Lineal y Regresión Logística.
Técnicas No Supervisadas: K-medias, Kohonen, Bi-etápico, Apriori, GRI, Sequence, Carma, Detección deAnomalías.
Técnicas de Evaluación: Tablas Estadísticas, Gráficos de Ganancia y ROI.
Técnicas de Publicación de modelos: Punteo o Scoring de Bases de Datos, Scoring en tiempo real.
Es importante destacar que cuenta con los métodos de redes neuronales de mayor uso (Kohonen, Prune, Radial Basis). Recordemos que las redes neuronales son, junto a los árboles de decisión, las más importantesherramientas de data mining disponibles actualmente esto debido a su capacidad para encontrar relaciones ocultas entre las variables y su flexibilidad para enfrentar distintos tipos de problemas de negocios.
b) Dlife / Apara
Plataforma bioinformática para la toma de decisiones clínicas. Proporciona un soporte computacional a la toma de decisiones médicas en los procesos de diagnóstico, tratamiento yseguimiento de la evolución de los pacientes que permite a los profesionales clínicos incrementar su precisión y la eficiencia de la prestación sanitaria en una media del 20%.
DLife permite al paciente tener una información más exacta de sus posibilidades y de las probables implicaciones de cada hipótesis sobre su patología y el tratamiento a seguir. De esta forma, por ejemplo, el médico y elpaciente pueden consensuar el mejor tratamiento a seguir en términos de eficacia frente a efectos secundarios.
La plataforma dLife contiene en su interior un potente motor predictivo, basado en modelos gráficos probabilísticos MGPs, que incorpora los últimos avances tecnológicos en ingeniería de la decisión y de la computación.

c) DVelox 2.5/ Apara:
Plataforma analítica para la toma de decisionesen tiempo real que predice los escenarios futuros más probables para optimizar los procesos críticos de cualquier empresa, Está orientada a los sectores de banca, finanzas y marketing.
dVelox, tiene su área de aplicación en la prevención del fraude, prevención del abandono de clientes, blanqueo de dinero, Marketing personalizado, mantenimiento preventivo o scoring de clientes. Para su uso no...