aníbal goicochea

Muchas de las implementaciones de sistemas de información de las organizaciones se basan en la presentación de datos recientes o pasados, de un modo que nos ayudan a comprender la situación y evolución del negocio y tal vez, a deslumbrar alguna tendencia. Esto suena bien, hasta ahora.

https://twitter.com/#!/anibalgoicochea/status/83608431361138688

Pero para tomar decisiones más acertadas quizás sería más conveniente conocer con mayor exactitud lo que podría suceder, no hay nada exacto para conocer el futuro inmediato, lo más próximo a la “exactitud”, es la minería de datos o Data Mining.

El Datamining, no es nada nuevo, quizás como concepto sea más antiguo que el mismo Business Intelligence, pero a pesar del tiempo transcurrido y la utilidad que puede brindar, su adopción es considerablemente menor con relación a cualquier otra herramienta informática.

El Data Mining, una herramienta postergada e ignorada

Las nuevas herramientas de Business Intelligence o Busniess Analytics prometen un mayor uso de las técnicas de minería de datos, pero ¿por qué se ha esperado tanto para adoptarlo e incorporarlo plenamente al BI? (quizás más de una década).

Creemos que la respuesta a la anterior pregunta está en la complejidad que puede tener el Data Mining, basada en técnicas estadísticas que muy pocos fabricantes de software (y consultores) se han especializado, si mencionamos algunos productos relevantes, seguro que tendríamos una lista muy pequeña conformada por SAS, SPSS, R, y ¿alguna más? Sí, KXEN.

Los modelos, el fin de la minería de datos

El resultado de un proceso de minería de datos es un nuevo conocimiento contenido en el denominado modelo, existen varias formas de representarlos, depende de las técnicas que se han empleado para obtenerlo.  En esencia, los modelos pueden ser de dos categorías:

• Predictivos. Estiman valores futuros de variables denominadas “variables objetivo” o “variables dependientes”, utilizando información histórica u otras variables las cuales se denominan “variables independientes” o “variables predictivas”.  Por ejemplo; estimar el volumen de ventas de un nuevo punto de venta (variable objetivo), según su ubicación o volumen de ventas de locales próximos (variable independiente).
• Descriptivos. Identifican patrones que explican o agregan los datos, facilitando la exploración y análisis, no predicen nuevos datos.  Por ejemplo; identificación de públicos objetivos para campañas de marketing.

KXEN, la sencillez de la utilidad

Hace unos meses tuvimos la fortuna de recibir una clase maestra sobre KXEN, de la mano de un representante líder en su implementación, me refiero a HabberTec.  Debemos reconocer que antes de esta sesión, desconocíamos de la existencia de esta útil y sencilla plataforma predictiva.

KXEN (Knowledge eXtraction ENgines) es un fabricante de software independiente, especializado en herramientas estadísticas y de minería de datos, que utiliza técnicas que la diferencian como la Minimización del Riesgo Estructurado (Structured Risk Minimization, SRM), la cual facilita la inclusión de muchas más variables predictivas que los modelos tradicionales, sin afectar la fiabilidad y la precisión.

Nos gusta KXEN, especialmente por su facilidad de uso, el procesos para la obtención de los modelos, no abunda en tecnicismos que podrían dificultar su uso.  Alguien podría observar la poca calidad de sus gráficos, pero es que este no es el objetivo de una herramienta predictiva, para ello, brinda la posibilidad de exportar el modelo a otros entornos, inclusive a productos “competidores” como SAS, Minitab o SPSS.

Seguiremos profundizando en KXEN, consideramos que aumentará su protagonismo como plataforma predictiva y de minería de datos y en el futuro inmediato del BI, cada vez son más los casos de éxito que se cuentan.… Gracias el equipo de HabberTec por compartir con nosotros sus conocimientos y experiencias. 

Referencias: KXEN.com y HabberTec