¿ 𝑹𝑬𝑮𝑹𝑬𝑺𝑰𝑶𝑵 𝒀 𝑺𝑬𝑹𝑰𝑬𝑺 𝑫𝑬 𝑻𝑰𝑬𝑴𝑷𝑶

{
{
¿ 𝑨𝑵𝑨𝑳𝑰𝑺𝑰𝑺 𝑫𝑰𝑺𝑪𝑹𝑰𝑴𝑰𝑵𝑨𝑻𝑶𝑹𝑰𝑶𝑺
¿𝑻𝑬𝑪𝑵𝑰𝑪𝑨𝑺 𝑷𝑹𝑬𝑫𝑰𝑪𝑻𝑰𝑽𝑨𝑺 ¿ 𝑨𝑵𝑨𝑳𝑰𝑺𝑰𝑺 𝑫𝑬 𝑳𝑨 𝑽𝑨𝑹𝑰𝑨𝑵𝒁𝑨
¿ 𝑨𝑹𝑩𝑶𝑳𝑬𝑺 𝑫𝑬 𝑫𝑬𝑪𝑰𝑺𝑰𝑶𝑵
¿ 𝑹𝑬𝑫𝑬𝑺 𝑵𝑬𝑼𝑹𝑶𝑵𝑨𝑳𝑬𝑺
¿
¿ 𝑪𝑳𝑼𝑺𝑻𝑬𝑹𝑰𝑵𝑮 𝒀 𝑺𝑬𝑮𝑴𝑬𝑵𝑻𝑨𝑪𝑰𝑶𝑵

¿ 𝑻𝑬𝑪𝑵𝑰𝑪𝑨𝑺 𝑫𝑬𝑺𝑪𝑹𝑰𝑷𝑻𝑰𝑽𝑨𝑺
{ ¿ 𝑨𝑺𝑶𝑪𝑰𝑨𝑪𝑰𝑶𝑵
¿ 𝑫𝑬𝑷𝑬𝑵𝑫𝑬𝑵𝑪𝑰𝑨
¿ 𝑨𝑵𝑨𝑳𝑰𝑺𝑰𝑺 𝑬𝑿𝑷𝑳𝑶𝑹𝑨𝑻𝑶𝑹𝑰𝑶
¿ 𝑹𝑬𝑫𝑼𝑪𝑪𝑰𝑶𝑵 𝑫𝑬 𝑫𝑰𝑴𝑬𝑵𝑺𝑰𝑶𝑵𝑬𝑺
  Variable Variables Técnica estadística
Dependient independientes
e
  Métrica No métrica Análisis de varianza
  Análisis de covarianza
  Regresión múltiple de variable ficticia
  Detector automático ce interacción
  Métrica Métrica Regresión lineal múltiple
No métrica Métrica Análisis discriminante
UNA
VARIABLE Métrica o Modelos de elección discreta (regresión logística
DEPENDIENTE categórica binaria o multinomial) (logit y probit)
No métrica o No métrica Análisis conjunto
métrica   Segmentación jerárquica
No métrica No métrica Discriminante con variable conjunta
 No métrica  No métrica Modelos de elección discreta con variable ficticia
  Métrica No métrica Análisis multivariable de la varianza (MANOVA)
  Análisis multivariable de la covarianza
MAS DE UNA Modelos log lineales
VARIABLE Métrica Métrica o no Ecuaciones estructurales
DEPENDIENTE métrica  Correlación canónica
No métrica No métricas Análisis con clases latentes
 Análisis de componentes principales
Análisis factorial
Métricas Análisis cluster
Analisis de escalas multidimensionales metrico
Relación entre
variables
Análisis de correspondencias

No Escala multidimensional no metrico

Métodos de métricas Análisis de conglomerados ( cluster )

Interdependencia
Modelos log lineales

Relación entre
Métricas Análisis de conglomerados ( cluster )
casos

Relación entre
Métricas Escala multidimensional
objetos
Clasificación:

- Red neuronal
- Maquina vectorial de
soporte
- Árbol de decisión
- Bosque aleatorio
- Red bayesiana
BIG DATA
 Redes neuronales.
 Árboles de decisión.
 Modelos estadísticos.
 Agrupamiento o Clustering
 Algoritmos supervisados (o predictivos): 
 Algoritmos no supervisados (o del
descubrimiento del conocimiento): 
Inteligencia Artificial

Se denomina Inteligencia Artificial (IA) a la rama de la informática que

desarrolla procesos que imitan a la inteligencia de los seres vivos. La
principal aplicación de esta ciencia es la creación de máquinas para la
automatización de tareas que requieran un comportamiento inteligente.

Ejemplo de técnicas:
•Redes Neuronales.
•Lógica Difusa.
•Algoritmos Genéticos.
•Máquinas de Soporte Vectorial.
Business Analytics I: Modelos Analíticos Supervisados
• Análisis Discriminante
• Regresión Logística
• Redes Neuronales
• Máquinas de Soporte Vectorial
• K-Vecino más cercano
• Desarrollo grupal de un caso integrador
Business Analytics II: Modelos Analíticos No Supervisados
• Análisis de Componentes Principales
• Análisis de Recencia, Frecuencia y Monto
• Análisis Clúster: Jerárquico, K-Means y Bietápico
• Mapas de Kohonen
• Market Basket Analysis
Machine Learning
 Árboles de decisiones
 Reglas de asociación
 Algoritmos genéticos
 Redes neuronales artificiales
 Máquinas de vectores de soporte
 Algoritmos de agrupamiento
 Redes bayesianas
Machine learning es una rama de la inteligencia artificial que se hace
basada en datos
Aumenta su uso gracias a BIG DATA
Machine learning aprendizaje automático es una disciplina científica del
ámbito de la inteligencia artificial que crea sistemas que aprenden
automáticamente.

Aprender en este contexto quiere decir identificar patrones complejos en

millones de datos.

La máquina que realmente aprende es un algoritmo que revisa los datos y

es capaz de predecir comportamientos futuros.

Automáticamente, también en este contexto, implica que estos sistemas se

mejoran de forma autónoma con el tiempo, sin intervención humana.
Machine Learning Supervisado y Machine Learning no Supervisado
Machine Learning Supervisado. Requiere de intervención humana para la creación de
etiquetas en el histórico de datos de manera que la máquina pueda predecir un resultado
probable a partir de las mismas.
La IA recibe un estímulo o ejemplo (parseo de datos). El algoritmo de Aprendizaje
automático (Aprendizaje supervisado) lo procesa y extrae un modelo. Con este
modelo, cada vez que se introduce un nuevo dato la máquina es capaz de dar una
respuesta.
Machine Learning no Supervisado.  El aprendizaje no supervisado es menos común y
utiliza datos históricos que no han sido etiquetados. El objetivo es encontrar patrones a partir
del propio análisis de datos. Un uso muy frecuente es el de segmentación de clientes con
atributos similares para campañas de marketing.  Deep Learning (DL; Aprendizaje
profundo)
En este otro método de Machine Learning no se introducen ejemplos, sino que
es el propio algoritmo de la máquina el que debe sacar patrones o
anomalías para crear un modelo.
BIG DATA Y MACHINE LEARNING APLICADO A LA EMPRESA

Una empresa de telefonía quiere saber qué clientes están en “peligro” de irse a la
competencia para hacer acciones comerciales que eviten esta fuga.
¿cómo puede hacerlo?
La empresa tiene muchos datos de los clientes : antigüedad, planes contratados,
consumo diario, llamadas mensuales al servicio de atención al cliente, últimos
cambios de planes contratados… pero seguramente los usa solo para facturar y
para hacer estadísticas.
¿qué más puede hacer con esos datos?
Se pueden predecir cuándo un cliente se va a dar de baja.
Esa cantidad ingente de datos son imposibles de analizar por una persona
para sacar conclusiones y menos todavía para hacer predicciones.
Los algoritmos en cambio sí pueden detectar patrones de
comportamiento contando con las variables que le proporcionamos y
descubrir cuáles son las que han llevado, en este caso, a darse de baja
como cliente.
La visualización en árbol (tiene muchos
más nodos) permite ver los patrones que
han seguido ciertos clientes que se han
dado de baja. En este caso está resaltada
una de las ramas centrales, que indican un
patrón en el que el cliente:
• Tiene más de 3 llamadas al servicio de
atención al cliente.
• Llama menos de 171,95 minutos al día.
• Las llamadas en horario nocturno son
inferiores a 189,02 minutos.
Este es un análisis de los datos históricos, pero… ¿dónde está la predicción?.
Si los clientes que tienen estas características ya se han dado de baja de la
compañía, es previsible que los que todavía son clientes y tienen este mismo
comportamiento estén en riesgo de irse. Según este modelo predictivo, es
bastante probable que esto suceda (se dice que la predicción tiene una
confianza, en este caso, de 91,97%).
Si el departamento de marketing tuviera esta información, podría proponerles
proactivamente un cambio de plan de tarificación o podría revisar por qué han
llamado al servicio de atención al cliente para intentar mantenerlos.
¿ Por qué es importante?

La cantidad de datos que se generan actualmente en las empresas se está

incrementado de forma exponencial. Extraer información valiosa de ellos
supone una ventaja competitiva que no se puede menospreciar.
Es una oportunidad a la que se le debe prestar especial atención, la gran ventaja
es que actualmente no hace falta ser un gurú de los datos para poder aprovechar
este tipo de tecnologías.
El reto de sacar partido de los datos se ha simplificado enormemente. El
Machine Learning de hoy no es como antes. Esto quiere decir que con
datos de calidad, tecnologías adecuadas y análisis propicios es posible
actualmente crear modelos de comportamiento para analizar datos de gran
volumen y complejidad. Además, los sistemas proporcionan resultados
rápidos y precisos sin intervención humana, incluso a gran escala.
Sin embargo, no debe distraer nuestra atención el volumen de datos.
No es necesario tener tantos datos como Facebook o como un gran
banco para hacer modelos que ayuden al negocio. Es mejor tener
datos de calidad (fiables y útiles) que tener miles de millones de datos
de los que no se puede extraer valor.
Ámbitos de aplicación del Machine Learning

Sectores como el de las compras online – ¿no te has preguntado alguna vez
cómo se decide instantáneamente los productos recomendados para cada
cliente al final de un proceso de compra? –,
El online advertising – dónde poner un anuncio para que tenga más
visibilidad en función del usuario que visita la web –
Los filtros anti-spam llevan tiempo sacando partido a estas tecnologías.
El campo de aplicación práctica depende de la imaginación y de los datos
que estén disponibles en la empresa. Estos son algunos ejemplos más:
• Detectar fraude en transacciones.
• Predecir de fallos en equipos tecnológicos.
• Prever qué empleados serán más rentables el año que viene (el sector de los Recursos
Humanos está apostando seriamente por el Machine Learning).
• Seleccionar clientes potenciales basándose en comportamientos en las redes sociales,
interacciones en la web…
• Predecir el tráfico urbano.
• Saber cuál es el mejor momento para publicar tuits, actualizaciones de Facebook
• Hacer pre diagnósticos médicos basados en síntomas del paciente.
• Cambiar el comportamiento de una app móvil para adaptarse a las costumbres y
necesidades de cada usuario.
• Detectar intrusiones en una red de comunicaciones de datos.
• Decidir cuál es la mejor hora para llamar a un cliente.
Ayudar a definir la raza de su