Las técnicas de data mining descubren patrones ocultos en los datos mediante la aplicación de técnicas predictivas, los cuales tienen un papel crucial en la toma de decisiones dado que identifican áreas de procesamiento perfectible. La aplicación de técnicas de data mining permite que las organizaciones incrementen los beneficios derivados de las interacciones con sus clientes, detecten prácticas fraudulentas y mejoren su administración de riesgo. Y los patrones descubiertos mediante dichas técnicas ayudan a tomar mejores decisiones a tiempo.
Las soluciones para data mining de SPSS han permitido a cientos de organizaciones alcanzar resultados sorprendentes en diversas áreas. Por ejemplo, incrementar sus ventas en un 50% y reducir costos de marketing en un 30%, descubriendo oportunidades de cross-selling y otras en el ámbito comercial; y triplicar sus utilidades online al mejorar la personalización de las ofertas.
Los clientes de SPSS también han podido asegurar una facturación adicional de US$50 millones mediante el uso de modelos de propensión de compra precisos para identificar a los destinatarios de las ofertas y mejorar la respuesta de campañas de mailing directo en un 100%.
Herramientas de data mining
La mayoría de los analistas dividen las soluciones de data mining en herramientas y aplicaciones. Las primeras proveen técnicas aplicables a cualquier problema de negocios. Las segundas típicamente encapsulan las técnicas en una aplicación para resolver un problema particular.
Nuestra vida diaria está influenciada por aplicaciones de data mining. Por ejemplo, casi todas las transacciones financieras son procesadas por una aplicación del tipo para la detección de prácticas fraudulentas y tanto las herramientas como las aplicaciones para data mining son valiosas. La tendencia en las organizaciones es que ambas convivan en un entorno integrado para la ejecución de procesos analíticos predictivos. Entonces ¿Qué es lo que agregan las herramientas para data mining? Estas son utilizadas para asegurar flexibilidad y mayor precisión e incre-mentan la efectividad de las aplicaciones para data mining. Como no existen dos organizaciones (o conjuntos de datos) iguales, tampoco es apropiado pensar que hay una única técnica que entregue los mejores resultados para todos. Las herramientas para data mining no sólo desplegan técnicas poderosas, sino que proveen la flexibilidad para aplicar una combinación de éstas que mejore la capacidad predictiva de un modelo. Dado que las herramientas para data mining son tan flexibles, ha sido desarrollado un conjunto de recomendaciones y una metodología para asistir en la ejecución del proceso. La metodología CRISP-DM (Cross Industry Standard Process for Data Mining) asegura que su organización obtenga resultados en tiempo y forma y provee al analista de un listado de pasos, tareas y objetivos para cada etapa del data mining.
Adelantos recientes han derivado en las más nuevas y populares tendencias en la práctica de data mining: text mining y web mining. Estas dos tecnologías habilitan una valiosa fuente de datos de los clientes en forma de comentarios textuales producto de la investigación de mercado (o de los contactos con el call center) y archivos “log” de sus servidores web, anteriormente inutilizables. La ejecución de técnicas de data mining sobre estos conjuntos de datos puede agregar gran valor y profundidad a los patrones ya descubiertos mediante técnicas más convencionales.
Resultados gestionables
Clementine, la plataforma para data mining desarrollada por SPSS, le permite rápidamente desarrollar e implementar en sus operaciones modelos predictivos, logrando trasladar el conocimiento adquirido por los analistas a lo largo de toda la organización. Al explotar la interfaz visual de Clementine es posible interactuar con los datos y comenzar a descubrir los patrones a utilizar para mejorar el desempeño de su organización.
