Visualizaciones analíticas para la toma de decisiones en pequeñas y medianas empresas utilizando Data Mining
Analytical views for decision-making in small and medium enterprises using Data Mining
Barra lateral del artículo
PDF
FLIP
XML
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Contenido principal del artículo
Resumen
Las visualizaciones analíticas se definen en el contexto de la inteligencia de negocios, como instrumentos que permiten analizar anticipadamente grandes cantidades de información en diferentes bases de datos y ayudar a tomar decisiones más estratégicas. Las pequeñas y medianas empresas que no poseen plataformas de inteligencia de negocios BI, especialmente en explotación de información se ven afectadas en diferentes momentos, debido a la manipulación y a la observación de estos tamaños de información que dificultan sus procesos. Para disminuir esta problemática, se pretenden realizar visualizaciones analíticas, que permitan la toma de decisiones en pequeñas y medianas empresas utilizando la metodología más apropiada para el análisis de bases de datos y explotación de información a partir de Data Mining. Esto facilita el acceso de estas compañías a módulos similares de explotación de información, a los que ofrecen las grandes plataformas de Inteligencia de Negocios. Además se desea validar el servicio del visor analítico en una empresa.
Palabras clave: visualizaciones analíticas;CRISP-DM; inteligencia de negocios; toma de decisiones; Data-Mining
Descargas
Detalles del artículo
Referencias (VER)
Calzada, L y Abreu, J. (2009). El impacto de las herramientas de inteligencia de negocios en la toma de decisiones de los ejecutivos. Daena: International Journal of Good Conscience. 4(2). 16-52. Recuperado de http://www.spentamexico.org/v4-
n2/4(2)%2016-52.pdf
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. y Wirth, R.(2000). CRISP-DM 1.0 Step by step data mining guide. SPSS Inc.9 (13). Recuperado de https://the-modeling-agency.com/crisp-dm.pdf
Casillas, J. y Delgado, O. (2005). Una Metodología de KDD basada en Sistemas Difusos Genéticos Multiobjetivo para Modelado Causal en Marketing. IV Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados, MAEB 2005. Granada, España.
Ferreira, D. y Mira. M. (2005). Using process mining for itil assessment: a case study with incident management. Organizational Engineering Center, INESC-INOV. Recuperado de http://web.tecnico.ulisboa.pt/diogo.ferreira/papers/ferreira08using.pdf
Giraldo, J. y Builes, J. (2013). Caracterización del Proceso de Obtención de Conocimiento y Algunas Metodologías para Crear
Proyectos de Minería de Datos. Revista Latinoamericana De Ingenieria De Software,(1),
42-44. Recuperado de http://sistemas.unla.edu.ar/sistemas/redisla/Re-LAIS/relais-v1-n2-p-42-44.pdf
Hernández, J., Ramirez, M., Ferri, C. (2007). Introducción a la Minería de Datos. Madrid, España: Pearson.
Microsoft Corporation. (2010). Introducing Business Intelligence.Development Studio.Recuperado de http://technet.microsoft.com/es-es/library/ms173767.aspx
Moine J., Gordillo S. y Haedo, A. (2001a). Análisis comparativo de metodologías para la gestión de proyectos de Minería de datos. Procedding VIII Workshop Bases de datos y Minería de datos. 931-938. Recuperado de http://sedici.unlp.edu.ar/handle/
10915/18749
Moine J., Gordillo S. & Haedo, A. (2001b). Estudio comparativo de metodologías para minería de datos. XIII Worshop de Investigadores en Ciencias de la computación. 278-281. Recuperado de http://www.scielosp.org/pdf/rsap/v11n4/v11n4a16.pdf
Vallejos, S (2006). Trabajo de Adscripción en minería de datos. Universidad Nacional del Nordeste. Argentina. Recuperado de http://exa.unne.edu.ar/informatica/SO/Mineria_Datos_Vallejos.pdf
SAS Institute Inc. (2002). Uncover gems of information. Recuperado de http://www.sas.com/products/miner/index.html
SAS Institute Inc. (2013). Visualización del negocio determinada por la analítica de alto poder - para todos. Recuperado de
http://www.sas.com/content/dam/SAS/bp_es/doc/factsheet/SAS%20Visual%20Analytics_fact_sheet.pdf
Sauter, V. (2014). Decision Support Systems for Business Intelligence. John Wiley & Sons: University of Missouri, Columbia, USA.
Vallejos, S (2006). Trabajo de Adscripción en minería de datos. Universidad Nacional del Nordeste. Argentina. Recuperado de http://exa.unne.edu.ar/informatica/SO/Mineria_Datos_Vallejos.pdf
SAS Institute Inc. (2002). Uncover gems of information. Recuperado de http://www.sas.com/products/miner/index.html
SAS Institute Inc. (2013). Visualización del negocio determinada por la analítica de alto poder - para todos. Recuperado de http://www.sas.com/content/dam/SAS/bp_es/doc/factsheet/SAS%20Visual%20Analytics_fact_sheet.pdf
Sauter, V. (2014). Decision Support Systemsfor Business Intelligence. John Wiley & Sons: University of Missouri, Columbia, USA.
