GESTION DE CONOCIMIENTO

 

GESTION DE CONOCIMIENTO

 

El concepto de gestión del conocimiento no tiene definición única, sino que ha sido explicado de diversas formas:

La gestión del conocimiento es el área dedicada a la dirección de las tácticas y estrategias requeridas para la administración de los recursos humanos intangibles en una organización (Brooking, 1996).

La gestión del conocimiento tiene perspectivas tácticas y operativas, es más detallado que la gestión del capital intelectual, y se centra en la forma de dar a conocer y administrar las actividades relacionadas con el conocimiento, así como su creación, captura, transformación y uso. Su función es planificar, implementar y controlar, todas las actividades relacionadas con el conocimiento y los programas requeridos para la administración efectiva del capital intelectual (Wiig, 1997).

La gestión del conocimiento es el proceso que continuamente asegura el desarrollo y la aplicación de todo tipo de conocimientos pertinentes de una empresa con objeto de mejorar su capacidad de resolución de problemas y así contribuir a la sostenibilidad de sus ventajas competitivas (Andreu & Sieber 1999).

La gestión del conocimiento es la función que planifica, coordina y controla los flujos de conocimiento que se producen en la empresa en relación con sus actividades y su entorno, con el fin de crear unas competencias esenciales (Bueno, 1999).

El conocimiento reside en el complejo sistema de procesos que da como resultado, la materialización de los bienes o servicios (Cordero Borjas & García Fernández, 2008).Según Múnera y Franco (2002) citado por (García Fernández & Cordero Borjas, 2008), existen dos soportes básicos del conocimiento:

Los recursos humanos que intervienen en los procesos de producción o de soporte organizacional (formación, capacidades, cualidades personales, entre otras).

La información manejada en dichos procesos, que capacita a estas personas a incrementar su formación o habilidades para el desarrollo de sus tareas.

De la fusión de estos dos soportes emerge el conocimiento. De manera, que en la medida que la estructura organizacional facilite la sincronía entre persona e información, es que se creará un entorno de conocimiento. Ese es uno de los objetivos esenciales de la gestión del conocimiento.

Antecedentes del estudio del conocimiento

Los precursores Clásicos de la Teoría del Conocimiento se remontan a Protágoras (480-411 A.c.) quien afirmaba que: “El hombre es la medida de todas las cosas, de las que son en cuanto que lo son y de las que no lo son en cuanto que no lo son”.

A Platón (428-347 A.c.), quien afirmaba: “la existencia de un mundo de ideas, invariables e invisibles sobre las que es posible adquirir un conocimiento certero.”

Pero es hasta Aristóteles (384-322 A.c.), que el conocimiento se ve como: “una adquisición vía directa, mediante la abstracción, o de forma indirecta deduciendo nuevos datos de aquellos ya sabidos, mediante las reglas de lógica”. Estas reglas, fueron expuestas sistemáticamente por él, por primera vez, como ayuda para superar las trampas teóricas de los sofistas.

Entre los fundadores medievales se pueden mencionar filósofos como Valentine Fromm (1601-1675) con su obra “Gnosteología”, de 1631, a J. Micraelius (1597-1658) con“Lexicon philosophicum terminorum pilosophis usitatorum”, de 1653 y a Geor Gutke (1589-1634) con “Habitus primorum principiorum seu intelligentiae”, de 1666.

 

Como se puede observar el conocimiento, como teoría formal, parte de los estudios medievales de la "Gnosteología" como una de las disciplinas en que se dividía la Metaphysica. Durante algún tiempo, la tendencia fue usar el vocablo “gnoseología”, que fue empleado por primera vez en el siglo XVII, con preferencia al de “epistemología”, luego, por tendencias escolásticas, se usó gnoseología en el sentido general de “teoría del conocimiento” y “epistemología” como la disciplina que estudia los fundamentos de verdad que hacen objetivo el conocimiento, con lo que se fundamenta la existencia y el principio del conocimiento científico, diferenciandolo del “saber”, como algo que se conoce sin tener la certeza de su veracidad.

 

Es importante señalar que estas formas de utilizar los términos “gnoseología” y “epistemología” para referirse a distintas ramas del estudio del conocimiento ha sido más frecuente en español, italiano, alemán y francés, que en el inglés, por lo que en este último idioma se usan los vocablos “gnoseología” y “epistemología”indistintamente. (véase Ferrater, 2002: II. p.1470)

 

Como se puede intuir, el conocimiento es parte esencial del ser humano y aunque no se ha podido definir en rigor, las investigaciones sobre el papel que juega dentro de las organizaciones y las economías tiene un amplio repertorio de consecuencias en la teoría de la dirección y más ampliamente en la teoría económica.

 

 

Técnicas de gestión del conocimiento

Usualmente el proceso implica técnicas para capturar, organizar, almacenar el conocimiento de los trabajadores, para transformarlo en un activo intelectual que preste beneficios y se pueda compartir

En la actualidad, las tecnologías de información permiten contar con herramientas que apoyan la gestión del conocimiento en las empresas, apoyando en la recolección, la transferencia, la seguridad y la administración sistemática de la información, junto con los sistemas diseñados para ayudar a hacer el mejor uso de ese conocimiento.

En detalle, se refiere a las herramientas y a las técnicas diseñadas para preservar la disponibilidad de la información llevada a cabo por los individuos dominantes y facilitar latoma de decisiones, así como reducir el riesgo. Es un mercado del software y un área en la práctica de la consultoría, relacionada a disciplinas tales como inteligencia competitiva. Un tema particular de la administración del conocimiento es que el conocimiento no se puede codificar fácilmente en forma digital, tal como la intuición de los individuos dominantes que viene con años de experiencia y de poder reconocer los diversos patrones del comportamiento que alguien con menos experiencia no puede reconocer.

El proceso de la Administración del Conocimiento, también conocido en sus fases de desarrollo como "aprendizaje corporativo" o "aprendizaje organizacional", tiene principalmente los siguientes objetivos:

Identificar, recabar y organizar el conocimiento existente.

Facilitar la creación de nuevo conocimiento.

Apuntalar la innovación a través de la reutilización y apoyo de la habilidad de la gente a través de organizaciones para lograr un mejor desempeño en la empresa.

La transferencia del conocimiento (un aspecto de la Administración del Conocimiento) ha existido siempre como proceso en las organizaciones. De manera informal por medio de las discusiones, sesiones, reuniones de reflexión, etc., y de manera formal por medio del aprendizaje, el entrenamiento profesional y los programas de capacitación. Como práctica emergente de negocio, la Administración del Conocimiento ha considerado la introducción del principal oficial del conocimiento, y el establecimiento de intranets corporativos, de wikis, y de otras prácticas de la tecnología del conocimiento y de información.

Gestión del conocimiento profesional

Los profesionales de la Gestión del Conocimiento pueden utilizar un léxico específico para explicar la dinámica de la transferencia del conocimiento. Por ejemplo en los diez años pasados, Internet ha visto a grupos establecer discusiones sobre el uso del capital intelectual como valor métrico; el significado tácito contra conocimiento explícito o más.
 

Diligencias del capital intelectual

La gestión corresponde al conjunto de procesos y sistemas que permiten que el capital intelectual de una organización aumente de forma significativa, mediante la gestión de sus capacidades de resolución de problemas de forma eficiente, de manera de generar ventajas competitivas a través del tiempo.

Si consideramos los mercados antiguos, el principal fuerte estaba sustentado en el manejo de tierras, en otras palabras, la persona que más tierra poseía, era la que podía generar mejores productos. Recordemos la Edad Media, los feudos y los señores feudales. En la actualidad nos encontramos en una sociedad donde los cambios transcurren a un ritmo sorprendente. Lo que hoy día es una ventaja competitiva, mañana se transformará en un requisito del mercado.

En la época actual, en la que mantener una ventaja es casi imposible, es donde las organizaciones deben recurrir a métodos que permitan aumentar estas ventajas. Una de estas ventajas es el conocimiento. La Gestión del Conocimiento tiene por objetivo administrar este conocimiento, logrando que este sea una ventaja competitiva con respecto a sus similares. La Gestión del Conocimiento analiza desde una perspectiva dinámica el conocimiento existente en la empresa. Esta perspectiva se complementa con las aportaciones de la literatura de capital intelectual, que aborda el análisis del conocimiento desde un enfoque dinámico.

En el campo empresarial, ciertas empresas como Unión Fenosa, Systematic, Carlo Bro o K3 Technologies LLC, desarrollan e implementan programas de gestión del conocimiento y medición del capital intelectual. En Latinoamérica, por ejemplo, la empresa Cognosoft ofrece una completa plataforma de software llamada Scriba, la cual posee módulos que cubren la gestión de una cartera de clientes, de proveedores, de aliados, la administración de contactos, la gestión comercial, la gestión de relaciones públicas, la gestión de marketing, la administración del correo electrónico corporativo, la gestión documental o el diseño y control de procesos de negocio, entre otros servicios.

En España la asociación Indico (http://www.indico.info) ha desarrollado una herramienta on line que permite crear entornos de gestión del conocimiento para entidades y empresas, o para temáticas concretas, llamada Ateneum. Incorpora además las ventajas de las redes sociales para el intercambio del conocimiento entre personas desde diferentes sitios e instituciones. Una aplicación real de esta solución en la empresa Mutua General de Seguros ha recibido el Premio Nacional a la Excelencia del Elearning Corporativo 2011 que concede APeL.

Práctica

La gestión del conocimiento intenta poner de relieve la ventaja competitiva que se da con el mejoramiento o el aprendizaje más rápido y crear nuevo conocimiento. El interés en la gestión del conocimiento se está conduciendo en parte por:

 

 

Velocidad de la conectivida

Contenido creciente del conocimiento en productos y servicios.

Ciclos más cortos de desarrollo de productos nuevos.

La sobrecarga de la información como generación prolífera del conocimiento.

Peticiones por parte de individuos para apoyarse en la experiencia de las personas a través de la organización.

Desde su adopción por parte de la comunidad de negocios y de la población, Internet ha conducido a un aumento en la colaboración creativa, el aprendizaje e investigación, comercio electrónico, e información inmediata. Con las tecnologías mejoradas, se han ido los días de estantes polvorientos, de mensajes imperfectos o deformados y del correo lento. En numerosos aspectos, la práctica de la Gestión del conocimiento continuará desarrollándose con el crecimiento de los usos de la colaboración disponibles por lastecnologías de la información y a través de Internet.

Minería de datos

La minería de datos (también llamada extracción de datos), es la práctica (por medios automáticos o semiautomáticos) de buscar y explorar en grandes almacenes de datos dando por resultado el descubrimiento de patrones y reglas significativas. Para hacer esto, la minería de datos utiliza técnicas de cómputo de la estadística, de automatización de conocimientos y del reconocimiento de patrones (ver sistemas de datos de una sola fuente, information resources Inc.)

Definiciones relacionadas

Capital intelectual: los activos intangibles de una compañía que contribuyen a su valuación.

Oficial principal del conocimiento: ejecutivo responsable de maximizar el potencial del conocimiento de una organización.

Gestión del conocimiento del personal: la organización de los pensamientos y de la creencia de un individuo.

Administración del conocimiento de la empresa: la estrategia, el proceso o las tecnologías usados para adquirir, compartir y reutilizar el conocimiento y entendimiento de una empresa.

MINERIA DE DATOS

Wilder Antonio Rivas Mosquera
Graceliano Lagarejo Cordoba
Enis Emir Mena Cordoba
Jhucelo Andres Mosquera Amaya

Minería de datos

 

La minería  de datos es un campo de las ciencias de la computación referido al proceso que intenta descubrir patrones en grandes volúmenes de conjuntos de datos. Utiliza la inteligencia artificial, aprendizaje automático, estadística y sistemas de bases de datos. El objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Además de la etapa de análisis en bruto, que involucra aspectos de bases de datos y de gestión de datos, de procesamiento de datos del modelo y de las consideraciones de inferencia, de métricas de Intereses, de consideraciones de la Teoría de la complejidad computacional, de post-procesamiento de las estructuras descubiertas, de la visualización y de la actualización en línea.

El término es una palabra de moda, y es frecuentemente mal utilizado para referirse a cualquier forma de datos a gran escala o procesamiento de la información,  ademas se ha generalizado a cualquier tipo de sistema de apoyo informático, incluyendo la inteligencia artificial, aprendizaje automático y la inteligencia empresarial. En el uso de la palabra, el término clave es el descubrimiento, comúnmente se define como "la detección de algo nuevo". Incluso el popular libro "La minería de datos: sistema de prácticas herramientas de aprendizaje y técnicas con Java" (que cubre todo el material de aprendizaje automático) originalmente iba a ser llamado simplemente "la máquina de aprendizaje práctico", y el término "minería de datos" se añadió por razones de marketing. A menudo, los términos más generales  en el análisis de datos", o "análisis" cuando se refiere a los métodos actuales, la inteligencia artificial y aprendizaje automático, son más apropiados.

La tarea de minería de datos real es el análisis automático o semi-automático de grandes cantidades de datos para extraer patrones interesantes hasta ahora desconocidos, como los grupos de registros de datos (análisis clúster), registros poco usuales (la detección de anomalías) y dependencias (minería por reglas de asociación). Esto generalmente implica el uso de técnicas de bases de datos como los índices espaciales. Estos patrones pueden entonces ser vistos como una especie de resumen de los datos de entrada, y pueden ser utilizados en el análisis adicional o, por ejemplo, en la máquina de aprendizaje y análisis predictivo. Ni la recolección de datos, preparación de datos, ni la interpretación de los resultados y la información son parte de la etapa de minería de datos, pero que pertenecen a todo el proceso KDD como pasos adicionales

Los términos relacionados con la obtención de datos, la pesca de datos y espionaje de los datos se refieren a la utilización de métodos de minería de datos a las partes de la muestra de un conjunto de datos de población más grandes establecidas que son  demasiado pequeñas para las inferencias estadísticas fiables que se hizo acerca de la validez de cualquier patrón descubierto. Estos métodos pueden, sin embargo, ser utilizados en la creación de nuevas hipótesis que se prueban contra poblaciones de datos más grandes.

Proceso de minería datos

Un proceso típico de minería de datos consta de los siguientes pasos generales:

Selección del conjunto de datos, tanto en lo que se refiere a las variable objetivos   (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el cálculo o proceso), como posiblemente al muestreo de los registros disponibles.

1.     Análisis de las propiedades de los datos, en especial son los histogramas, diagramas de dispersión, presencia de valores atípicos y ausencia de datos (valores nulos).

2.     Transformación del conjunto de datos de entrada, aquí se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema, a este paso también se le conoce como reprocesamiento de los datos.

3.     Seleccionar y aplicar la técnica de minería de datos, aquí se construye el modelo predictivo, de clasificación o segmentación.

4.     Extracción de conocimiento, en esta mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesador diferente de los datos.

5.     Interpretación y evaluación de datos, una vez obtenido el modelo, se debe proceder a su validación comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.

Tradicionalmente, las técnicas de minería de datos se aplicaban sobre información contenida en almacenes de datos. De hecho, muchas grandes empresas e instituciones han creado y alimentan bases de datos especialmente diseñadas para proyectos de minería de datos en las que centralizan información potencialmente útil de todas sus áreas de negocio. No obstante, actualmente está cobrando una importancia cada vez mayor la minería de datos desestructurados como información contenida en ficheros de texto, en Internet

Protocolo de un proyecto de minería de datos

Un proyecto de minería de datos tiene varias fases necesarias que son, esencialmente:

·         Comprensión del negocio y del problema que se quiere resolver.

·         Determinación, obtención y limpieza de los datos necesarios.

·         Creación de modelos matemáticos.

·         Validación, comunicación de los resultados obtenidos.

·         Integración si procede, de los resultados en un sistema transaccional o similar.

La relación entre todas estas fases sólo es lineal sobre el papel. En realidad, es mucho más compleja y esconde toda una jerarquía de subfases. A través de la experiencia acumulada en proyectos de minería de datos se han ido desarrollando metodologías que permiten gestionar esta complejidad de una manera más o menos uniforme.

Técnica de minería de datos

Como ya se ha comentado, las técnicas de la minería de datos provienen de la inteligencia artificial  y de la estadística, dichas técnicas, no son más que algoritmos, más o menos sofisticados que se aplican sobre un conjunto de datos para obtener unos resultados.

Las técnicas más representativas son:

·         Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.

·         Regresión lineal.- Es la más utilizada para formar relaciones entre datos. Rápida y eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse más de 2 variables.

·         Árboles de decisión.- Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial, dada una base de datos se construyen estos diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de forma sucesiva, para la resolución de un problema.

·         Modelos estadísticos.- Es una expresión simbólica en forma de igualdad o ecuación que se emplea en todos los diseños experimentales y en la regresión para indicar los diferentes factores que modifican la variable de respuesta.

·         Agrupamiento o Clustering.- Es un procedimiento de agrupación de una serie de vectores según criterios habitualmente de distancia; se tratará de disponer los vectores de entrada de forma que estén más cercanos aquellos que tengan características comunes.

. Reglas de asociación.- Se utilizan para descubrir hechos que ocurren en común dentro de un determinado conjunto de datos.

Ejemplo de uso de la minería de datos

Negocios

La minería de datos puede contribuir significativamente en las aplicaciones de administración empresaria basada en la relación con el cliente. En lugar de contactar con el cliente de forma indiscriminada a través de un centro de llamadas o enviando cartas, sólo se contactará con aquellos que se perciba que tienen una mayor probabilidad de responder positivamente a una determinada oferta o promoción.

En lugar de crear modelos para predecir qué clientes pueden cambiar, la empresa podría construir modelos separados para cada región o para cada tipo de cliente. También puede querer determinar qué clientes van a ser rentables  durante una ventana de tiempo (una quincena, un mes,) y sólo enviar las ofertas a las personas que es probable que sean rentables. Para mantener esta cantidad  de modelos, es necesario gestionar las versiones de cada modelo y pasar a una minería de datos lo más automatizada posible.

 

Patrones de fuga

Un ejemplo más habitual es el de la detección de patrones de fuga. En muchas industrias como la banca, las telecomunicaciones, entre otra existe un comprensible interés en detectar cuanto antes aquellos clientes que puedan estar pensando en rescindir sus contratos para, posiblemente, pasarse a la competencia. A estos clientes  y en función de su valor se les podrían hacer ofertas personalizadas, ofrecer promociones especiales, etc. con el objetivo último de retenerlos. La minería de datos ayuda a determinar qué clientes son los más proclives a darse de baja estudiando sus patrones de comportamiento y comparándolos con muestras de clientes que, efectivamente, se dieron de baja en el pasado.

 

Recursos humanos

La minería de datos también puede ser útil para los departamentos de recursos humanos en la identificación de las características de sus empleados de mayor éxito. La información obtenida puede ayudar a la contratación de personal, centrándose en los esfuerzos de sus empleados y los resultados obtenidos por éstos. Además, la ayuda ofrecida por las aplicaciones para Dirección estratégica en una empresa se traducen en la obtención de ventajas a nivel corporativo, tales como mejorar el margen de beneficios o compartir objetivos; y en la mejora de las decisiones operativas, tales como desarrollo de planes de producción o gestión de mano de obra.

Comportamiento en Internet

También es un área en boga el del análisis del comportamiento de los visitantes  sobre todo, cuando son clientes potenciales en una página de Internet. O la utilización de la información  obtenida por medios más o menos legítimos sobre ellos para ofrecerles propaganda adaptada específicamente a su perfil. O para, una vez que adquieren un determinado producto, saber inmediatamente qué otro ofrecerle teniendo en cuenta la información histórica disponible acerca de los clientes que han comprado el primero.

Ciencia e Ingeniería

En los últimos años la minería de datos se está utilizando ampliamente en diversas áreas relacionadas con la ciencia y la ingeniería. Algunos ejemplos de aplicación en estos campos son:

Genética

Se trata de saber cómo los cambios en la secuencia de ADN de un individuo afectan al riesgo de desarrollar enfermedades comunes (como por ejemplo el cáncer). Esto es muy importante para ayudar a mejorar el diagnóstico, prevención y tratamiento de las enfermedades. La técnica de minería de datos que se utiliza para realizar esta tarea se conoce como "reducción de dimensionalidad  multifactorial".

 

Minería de datos y otras disciplinas análogas

Suscita cierta polémica el definir las fronteras existentes entre la minería de datos y las disciplinas análogas, como pueden serlo la estadística, la inteligencia artificial, entre otras. Hay quienes sostienen que la minería de datos no es sino estadística envuelta en una jerga de negocios que la conviertan en un producto vendible. Otros, en cambio, encuentran en ella una serie de problemas y métodos específicos que la hacen distinta de otras disciplinas.

El hecho es que, en la práctica la totalidad de los modelos y algoritmos de uso general en minería de datos redes neuronales, árboles de regresión y clasificación, modelos logísticos, análisis de componentes principales, gozan de una tradición relativamente larga en otros campos.

 

De la informática toma las siguientes técnicas:

·         Algoritmos genéticos: Son métodos numéricos de optimización, en los que aquella variable o variables que se pretenden optimizar junto con las variables de estudio constituyen un segmento de información. Aquellas configuraciones de las variables de análisis que obtengan mejores valores para la variable de respuesta, corresponderán a segmentos con mayor capacidad reproductiva. A través de la reproducción, los mejores segmentos perduran y su proporción crece de generación en generación. Se puede además introducir elementos aleatorios para la modificación de las variables. Al cabo de cierto número de iteraciones, la población estará constituida por buenas soluciones al problema de optimización, pues las malas soluciones han ido descartándose, iteración tras iteración.

·         Inteligencia Artificial: Mediante un sistema informático que simula un sistema inteligente, se procede al análisis de los datos disponibles. Entre los sistemas de Inteligencia Artificial se encuadrarían los Sistemas Expertos y las Redes Neuronales.

·         Sistemas Expertos: Son sistemas que han sido creados a partir de reglas prácticas extraídas del conocimiento de expertos. Principalmente a base de inferencias o de causa-efecto.

·         Redes neuronales: Genéricamente, son métodos de proceso numérico en paralelo, en el que las variables interactúan mediante transformaciones lineales o no lineales, hasta obtener unas salidas. Estas salidas se contrastan con los que tenían que haber salido, basándose en unos datos de prueba, dando lugar a un proceso de retroalimentación mediante el cual la red se reconfigura, hasta obtener un modelo adecuado.

Minería de datos basada en teoría de la información

Todas las herramientas tradicionales de minería de datos asumen que los datos que usarán para construir los modelos contienen la información necesaria para lograr el propósito buscado: obtener suficiente conocimiento que pueda ser aplicado al negocio (o problema) para obtener un beneficio (o solución).

El inconveniente es que esto no es necesariamente cierto. Además, existe otro problema mayor aún. Una vez construido el modelo no es posible conocer si el mismo ha capturado toda la información disponible en los datos. Por esta razón la práctica común es realizar varios modelos con distintos parámetros para ver si alguno logra mejores resultados.

Un enfoque relativamente nuevo al análisis de datos soluciona estos problemas haciendo que la práctica de la minería de datos se parezca más a una ciencia que a un arte.

                              
                                                                    
                                                                      APORTES

En (1948 Claude Shannon) publicó un trabajo llamado “Una teoría matemática de la comunicación”. Posteriormente ésta pasó a llamarse Teoría de la información y sentó las bases de la comunicación y la codificación de la información. (Shannon)  propuso una manera de medir la cantidad de información a ser expresada en bits.

En (1999 Dorian Pyle) publicó un libro llamado “Data Preparation for Data Mining” en el que propone una manera de usar la Teoría de la Información para analizar datos. En este nuevo enfoque, una base de datos es un canal que transmite información. Por un lado está el mundo real que captura datos generados por el negocio. Por el otro están todas las situaciones y problemas importantes del negocio. Y la información fluye desde el mundo real y a través de los datos, hasta la problemática del negocio.

Con esta perspectiva y usando la Teoría de la información, es posible medir la cantidad de información disponible en los datos y qué porción de la misma podrá utilizarse para resolver la problemática del negocio. Como un ejemplo práctico, podría encontrarse que los datos contienen un 65% de la información necesaria para predecir qué cliente rescindirán sus contratos. De esta manera, si el modelo final es capaz de hacer predicciones con un 60% de acierto, se puede asegurar que la herramienta que generó el modelo hizo un buen trabajo capturando la información disponible.

Una vez que las variables son procesadas con el fin de crear el mapa de información y luego seleccionadas aquellas que aportan la mayor información, la elección de la herramienta que se usará para crear el modelo deja de tener importancia, ya que el mayor trabajo fue realizado en los pasos previos.

Tendencias

La Minería de Datos ha sufrido transformaciones en los últimos años de acuerdo con cambios tecnológicos, de estrategias de marketing, la extensión de los modelos de compra en línea. Los más importantes de ellos son:

·         La importancia que han cobrado los datos no estructurados (texto, páginas de Internet, etc.).

·         La necesidad de integrar los algoritmos y resultados obtenidos en sistemas operacionales, portales de Internet

·         La exigencia de que los procesos funcionen prácticamente en línea (por ejemplo, en casos de fraude con una tarjeta de crédito).

·         Los tiempos de respuesta. El gran volumen de datos que hay que procesar en muchos casos para obtener un modelo válido es un inconveniente; esto implica grandes cantidades de tiempo de proceso y hay problemas que requieren una respuesta en tiempo real.

                                               RELACION CON LA INGENIERIA CIVIL

Cuando hablamos de ingeniería civil, hablamos de; como materializar algo plasmado en un papel (plano o idea), teniendo en cuenta cómo se va a utilizar y la resistencia que debe tener. El ing. Civil o el ing. En sistema usan se imaginación (ingenio) para crear estructuras (virtuales o físicas) para facilitar algo en la sociedad.

Ejemplo: la minería de datos es la forma en que podemos procesar grandes cantidades de información y como la podemos utilizarla de tal manera que al procesarla quede clara y concisa

una forma de aplicar la minería de datos a la ingeniería civil, podría ser cuando buscamos información acerca de un tipo de suelo para hacer un construcción en el, o de un tipo de estructura para construirla o para modificarla.

Conclusión

Este trabajo nos sirve para todo un proceso de aprendizaje amplio y provechoso, el cual será de gran utilidad en nuestro camino, nos dejó mucha información aprendida, por que la minería de datos es un tema muy amplio que nos sirve para adquirir nuevos conocimientos.