Perspectivas y aplicaciones del análisis de datos

En estos tiempos se oye hablar aún más de las aplicaciones y beneficios de un buen análisis de datos no sólo en la perspectiva de negocio sino también en la vida diaria. 

¿Qué es inteligencia de negocios?

En 1958, Hans Peter Luhn, investigador de IBM, definió el término de la siguiente manera:

"Es la habilidad de aprehender las relaciones de hechos presentados de forma que guíen las acciones hacia una meta deseada".

Aunque, el concepto ha ido evolucionando y ha terminado siendo definido como el conjunto de metodologías, aplicaciones, prácticas y capacidades enfocadas a la creación y administración de información que permite tomar mejores decisiones a los usuarios de una organización.

OLAP

Se entiende por OLAP o Proceso Analítico en Línea (Online Analytic Process) como el método ágil y flexible para organizar datos, especialmente metadatos, sobre un objeto o jerarquía de objetos como en un sistema u organización multidimensional y cuyo objetivo es recuperar y manipular datos y combinaciones de los mismos a través de consultas e incluso informes.

Forma parte de lo que se conoce como sistemas analíticos, que permiten responder los por qué.

Existen diferentes tipos de OLAP:

MOLAP: La forma clásica y que utiliza estructuras de bases de datos generalmente optimizadas para la recuperación de los mismos. Se crea un fichero que contiene todas las posibles consultas precalculadas. Es mejor en sistemas más pequeños de datos.

ROLAP: Trabaja directamente con las bases de datos relacionales, que almacenan los datos base y las tablas dimensionales como tablas relacionales mientras se crean nuevas para guardar la información agregada. Se considera más escalable.

HOLAP: Es una base de datos en la que éstos se dividen en almacenaje relacional y multidimensional.

DOLAP: Está orientado a equipos de escritorio.

IN-MEMORY OLAP: La estructura dimensional se genera sólo a nivel de memoria y se guarda el dato original en algún formato que potencia su despliegue de esta forma.

Minería de datos

Puede definirse inicialmente como un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos.

Dichas técnicas de minería de datos persiguen el descubrimiento automático del conocimiento contenido en la información almacenada de modelo ordenado en grandes bases de datos.

Tienen como objetivo descubrir patrones, perfiles y tendencias a través del análisis de los datos utilizando tecnologías de reconocimiento de patrones, redes neuronales, lógica difusa, algoritmos genéricos y otras técnicas avanzadas.

Ejemplos prácticos:

1.- Una revista digital con información sobre música cuenta con tres cuentas en redes sociales: Facebook, Twitter e Instagram. Mediante el análisis de datos, las personas que manejan la revista pueden darse cuenta a qué hora se comentan más sus publicaciones, de dónde vienen los clics que recibe la página, qué contenidos son los más vistos y de esta forma pueden enfocarse a un público más específico, de forma en que no pierdan visitas en redes. Además, se verá qué red es la más visitada y qué fotografías son las que llaman más la atención, para poder contactar clientes y hacer crecer el negocio.

2.- Una escuela secundaria. Se pueden analizar los datos de los alumnos luego de la entrega de calificaciones, de esta manera saber en qué materia hubo reprobados y saber dónde poder ofrecer áreas de ayuda para los estudiantes y ver qué es lo que está ocurriendo para que se dieran esos resultados.

3.- Un equipo de futbol. Dentro de todas las cosas que un equipo de futbol profesional puede analizar dentro de los datos, podemos dejar un campo para saber, cuántos goles les anotaron a balón parado, cuántos a jugada, cuántos por penal y el por qué de esas anotaciones. Con esos datos, el técnico podría deducir cuál es el punto débil de su equipo y trabajarlo más.

Bibliografía

Josep Curto Diaz. (2012). Introducción al Business Intelligence. Barcelona, España: Editorial UOC.

Pérez, César y Santín, Daniel. (2007). Minería de datos: técnicas y herramientas. Madrid, España: Editorial Paraninfo.