METODOLOGÍA CRISP-DM

Mere som dette

Pasos a seguir en una investigación Cualitativa

af JOe Arrocha

NTC ISO 14001- 2015

af YULIANA YANDAR

10 Software para ingenieros químicos

af Jose Alberto Mendez Baez

Ecosistema Emprendedor

af Juan Nicolás Barahona Espinosa

METODOLOGÍA CRISP-DM

Desventajas

A veces la inversión inicial para obtener la METODOLOGÍA necesarias para la recopilación de datos puede tener un coste elevado.

Dependiendo del tipo de datos que se quieran recopilar, nos puede llevar mucho trabajo.

Puede aparecer algún inconveniente a la hora de utilizar esta METODOLOGÍA.

¿Que es?

El modelo de CRISP-DM es flexible y se pueden personalizar fácilmente.

Es una metodología estándar que ha sido desarrollada para la construcción de proyectos.

-Metodología creada para dar forma a los proyectos de Data Mining.

Una metodología para proyectos de minería de datos no es la “más actual” o “la mejor”, pero es muy útil para comprender esta tecnología o extraer ideas para diseñar o revisar métodos de trabajo para proyectos de similares características.

Aplicacion y beneficios

Para aplicar en una empresa se debe:

Mantener una organización adecuada de toda la información.

Obtener datos fiables que ofrece información de calidad.

Considerar la implementación estructural, junto al tiempo que se utilizó.

Evaluar conjuntamente los datos considerando las tareas especificas.

Agrupar lainformación de los datos y su comportamiento.

Analizar todos los tipos de datos por completos.

Subtopic

Analizar y considerar como un eje principal.

Ventajas

Reducción de tiempo.

Disminución de costos.

Disminución y cumplimiento de los plazos.

Confianza de los clientes y proveedores.

Satisfacción del cliente.

Mayor competitividad.

Ciclo de vida Minería de datos

6 - Despliegue

Realiza el despliegue de los resultados obtenidos de forma que sea propagado a los usuarios finales así como el mantenimiento del mismo una vez el despliegue haya finalizado.

5 - Evaluación

En esta fase nos centrarnos en evaluar el grado de acercamiento del modelo a los objetivos de negocio.

4 - Modelado

Construye un modelo que nos permita alcanzar los objetivos del proyecto.

3 - Preparación de los datos

Obtiene los datos finales sobre los que aplicarán los modelos.

2 - Compresión de los datos

Conoce los datos, estructura y distribución, y la calidad de los mismos.

1 - Comprensión del negocio

Alinea los objetivos del proyecto de data mining con los objetivos del negocio.