Estudio comparativo de técnicas de data mining para aportar valor en la toma de decisiones

Abstract

En el presente trabajo final, se realizó una investigación descriptiva acerca de los procesos, métodos y técnicas correspondientes a la minería de datos que resultan más asiduamente utilizadas a nivel empresarial para apoyar la toma de decisiones de negocios. Asimismo, en el marco de la investigación se planteó un problema a resolver mediante business intelligence en una entidad bancaria. El objetivo fue descubrir si existen agrupaciones diferentes a las establecidas en la actualidad para medir el desempeño de sus sucursales y, de resultar procedente, reformular el sistema de clasificación al que se someten periódicamente las casas. Este planteo se realizó con el propósito de comparar técnicas de agrupamiento sobre un paquete de datos obtenido mediante un proceso KDD, sobre los que se ejecutaron los algoritmos correspondientes a cuatro técnicas representativas de clústering: k-means, AGNES, DBSCAN y fuzzy c-means, correspondientes a agrupamientos de los tipos basados en distancia, en jerarquía, en densidad y difuso, respectivamente. Luego, mediante el desarrollo de una aplicación de minería de datos en lenguaje R, se entrenó el modelo con las técnicas mencionadas para obtener los diferentes agrupamientos sobre el dataset de sucursales. Finalmente, haciendo uso de medidas de validación interna de clústeres como el método del codo y el coeficiente de silueta, y de tendencia de agrupación como el índice de Hopkins, se analizaron los resultados sobre la aplicación de los diferentes algoritmos pudiéndose establecer que la técnica que refirió mejores resultados, para el paquete de datos estudiado y el problema planteado, resultó ser k-means, seguido de clústering jerárquico