tumblr dot com
KIROKAZE
Sweet Seals For You, Always
ellievsbear
@theartofmadeline
Not today Justin
Sade Olutola
★
d e v o n
cherry valley forever
Mike Driver
$LAYYYTER
Lint Roller? I Barely Know Her
TVSTRANGERTHINGS
❣ Chile in a Photography ❣
trying on a metaphor
Origami Around
Show & Tell
izzy's playlists!
Janaina Medeiros
seen from Pakistan
seen from United States
seen from Germany
seen from United States
seen from Germany
seen from United States
seen from United States
seen from Brazil
seen from Ireland
seen from United States
seen from Türkiye
seen from Malaysia
seen from United States
seen from United States
seen from Brazil
seen from United States
seen from Brazil
seen from United States
seen from Germany
seen from Malaysia
@bindani-blog
Real-time or Right-time
I prefer the term right-time in order to emphasize that data only needs to be as fresh as the decisions or business processes require. Depending on the business need, data can be hourly, daily, and even weekly or montlhly and still be real-time.
¿Dedicas el 24% de tu tiempo a buscar información relevante?
El artículo siguiente hace una radiografía de cómo las aplicaciones de BI pueden ayudar a mejorar el tratamiento del Big Data y mejorar la nuestra fuerza de ventas.
Big data to predict
¿Cuál es la diferencia entre el BalanceScoreCard y el DashBoard?
http://www.sixtinagroup.com/db-bsc-diferencia/
Metodología KDD y DM
El KDD (Knowledge Discovery in Databases) es un proceso iterativo e interactivo que combina la experiencia en un problema con una variedad de técnicas de análisis de datos tradicionales y tecnologías avanzadas de aprendizaje automático (aprendizaje automático por procedimientos computacionales). El objetivo es descubrir patrones y relaciones en los datos que puedan ser usados para hacer predicciones válidas.
Básicamente, el KDD está compuesto por los pasos de:
El «clustering» y las reglas de asociación (RA) son las herramientas más representativas de DM:
1. El objetivo del «clustering» es encontrar grupos que sean muy diferentes unos de otros, pero cuyos miembros sean muy similares entre sí (Ghosh, 2003; Han y Kamber, 2006; Larose, 2005)
2. Las RA son otro instrumento común en el contexto del modelado descriptivo (Agrawal, Imielinski y Swami, 1993); en particular, el análisis de la cesta de la compra es un conocido ejemplo de descubrimiento de asociaciones, donde el objetivo es encontrar reglas sobre los artículos que aparecen juntos en un acontecimiento como una transacción de compra.
Uno de los modelos KDD más extendidos es el siguiente[1]:
1. Comprensión del negocio: entender los objetivos y requerimientos del proyecto desde una perspectiva de negocio.
2. Comprensión de los datos: recopilar y familiarizarse con los datos, identificar los problemas de calidad de datos y ver las primeras potencialidades o subconjuntos de datos que puede ser interesante analizar (según los objetivos de negocio en la fase anterior).
3. Preparación de los datos: el objetivo de esta fase es obtener la “vista minable”. Aquí se incluye la integración, selección, limpieza y transformación.
4. Modelado: es la aplicación de técnicas de modelado o de minería de datos propiamente dichas a las vistas minables anteriores.
5. Evaluación: es necesario evaluar (desde el punto de vista de la finalidad) los modelos de la fase anterior. Es decir, si el modelo nos sirve para responder a algunos de los requerimientos del negocio.
6. Despliegue: se trata de explotar la potencialidad de los modelos, integrarlos en los procesos de toma de decisión de la organización, difundir informes sobre el conocimiento extraído, etc.
[1] http://users.dsic.upv.es/~jorallo/master/dm5.pdf
BI for doctors
BI for doctors. Doctors and staff at Seattle Children’s Hospital are using Tableau to analyze and visualize terabytes of data dispersed across the institution’s servers and databases. Not only does visualizing the data help reduce medical errors and help the hospital plan trials but, as of this time last year, its focus on data had saved the hospital $3 million on supply chain costs.