La minería de datos en el comercio electrónico

El término data mining o minería de datos hace referencia al análisis orientado de grandes volúmenes de datos con el objetivo de obtener información nueva que pueda resultar útil. Te explicamos este concepto en mayor profundidad y algunos métodos de análisis asociados.

¿Qué es el data mining?

Para entender este concepto, que bebe de las ciencias de la computación y la estadística, es útil entender la metáfora contenida en el nombre. Si se observa el resultado del rastreo casi absoluto del comportamiento de los usuarios en Internet como una montaña de datos aparentemente inútil, el data mining, que se traduce como minería de datos, proporciona las herramientas necesarias para explorar esta cantidad ingente de datos y extraer de ella información relevante. Estas herramientas consisten en métodos estadísticos que permiten identificar patrones de comportamiento y conexiones en unos datos que, por sí solos, no significan nada.

La minería de datos se relaciona, a menudo, con el big data, concepto que se refiere a las bases de datos cuyo volumen ya no permite un análisis convencional y, por ello, se apoya en procesos computacionales. Mediante el proceso de data mining se puede explorar, sin embargo, cualquier cantidad de datos. La información que se extrae mediante la minería de datos puede aplicarse a una gran variedad de ámbitos, por ejemplo, a la planificación estratégica de un negocio online y a la toma de decisiones de marketing.

Áreas de aplicación del data mining

La minería de datos permite optimizar el comercio electrónico sobre una base científica. Las grandes bases de datos propias de las tiendas online constituyen el punto de partida para extraer conclusiones y pronósticos. Estos datos, elaborados estadísticamente y visualizados de forma estructurada, permiten a los administradores de tiendas online identificar los factores que influyen en el éxito de un negocio online y recalcular las estrategias de marketing. La minería de datos se usa en este caso para:

• Segmentar mercados
• Analizar carritos de la compra
• Crear perfiles de compradores
• Calcular los precios de los productos
• Elaborar un pronóstico sobre el vencimiento de los contratos
• Analizar la demanda
• Identificar fallos en los procesos de venta

¿Cómo funciona el data mining?

En realidad, la exploración de datos es una de las etapas de un proceso mayor, la denominada “extracción de conocimientos en bases de datos” (Knowledge Discovery in Databases o KDD), que abarca los siguientes pasos:

• Definición de objetivos: antes de empezar, es fundamental establecer qué preguntas concretas queremos responder con el análisis de datos. Esto facilitará a los especialistas en ciencia de datos el reconocimiento de los datos pertinentes y los métodos de análisis adecuados para cada caso.
• Preprocesamiento de los datos: la calidad de la base de datos es decisiva para la calidad de la información obtenida mediante la minería de datos. Por eso, es imprescindible limpiar los datos pertinentes antes de que sean analizados, eliminando duplicados, valores atípicos y otras irregularidades. Es posible que también sea necesario convertir los datos depurados al formato requerido para el análisis.
• Análisis de datos: aquí tiene lugar el análisis matemático de los datos. Los métodos de análisis que se utilicen dependerán en gran medida de los objetivos marcados y de las características de los datos. Pueden utilizarse tanto algoritmos clásicos de análisis de datos como algoritmos más recientes de aprendizaje profundo, basados en redes neuronales.
• Interpretación de los resultados: primero se evalúan los resultados derivados del análisis. Si los resultados son comprensibles e informativos, pueden servir para obtener nuevas correlaciones y obtener conocimientos que podrían influir en estrategias empresariales futuras.

Métodos del data mining

Para extraer información relevante para las empresas, se han implementado diferentes métodos basados en la identificación de conexiones, modelos y patrones significativos y que usan procedimientos propios de las ciencias estadísticas:

• Reconocimiento del valor atípico (outlier detection): por valores atípicos se entienden aquellos valores que se distancian de forma extrema del resto, ya que se desvían de un patrón o una tendencia general. En la minería de datos este análisis sirve para identificar datos llamativos que podrían conducir a un fraude mediante tarjeta de crédito.

• Análisis de agrupamiento o clustering: un clúster es un grupo de objetos que se apoya en las relaciones de parecido mutuo. El objetivo de este análisis es la segmentación de datos no estructurados, para lo que se usan algoritmos como K-Nearest-neighbor (KNN), que exploran bases de datos en busca de estructuras de semblanza para identificar nuevos clústeres. Los datos que no se pueden subordinar a ningún grupo pueden ser interpretados como datos atípicos. Un caso muy habitual de aplicación en comercio electrónico es la identificación de grupos de usuarios.

• Clasificación (análisis discriminante): mientras que en el anterior método de análisis la atención se centra en la identificación de grupos nuevos, en el análisis discriminante se aplican clases predefinidas. La distribución tiene lugar a partir de características comunes a datos individuales. Una manera muy habitual para clasificar datos automáticamente consiste en los árboles de decisión (decision trees), modelos de predicción usados en la inteligencia artificial para establecer esquemas de construcciones lógicas que permiten categorizar una serie de condiciones sucesivas. Funciona a partir de nodos, en cada uno de los cuales se fija un aspecto del objeto. Su constancia o no constancia en el objeto decide la elección del siguiente nodo (o característica del objeto). En el ámbito del comercio electrónico se usa este procedimiento de data mining para segmentar a los clientes en diferentes grupos.

• Análisis de asociación (reglas de asociación): un análisis de este tipo busca identificar conexiones que puedan ser formuladas como regla absoluta. Para las tiendas online este procedimiento de data mining se podría aplicar para identificar correlaciones en un carrito de la compra típico según el patrón “clientes que compran el producto A, compran también el producto B”.

• Análisis de regresión: con este tipo de análisis estadístico se pueden crear modelos que expliquen una variable dependiente a partir de variantes independientes. En la práctica, permite elaborar un pronóstico para la venta de un producto, poniendo en relación en un patrón de regresión el precio del producto y el sueldo medio del cliente.

Limitaciones del data mining

El data mining agrupa métodos estadísticos que permiten un análisis fundamentalmente objetivo de bases de datos. Sin embargo, la elección subjetiva del tipo de análisis y de los diferentes algoritmos y parámetros según determinados objetivos, puede llevar, quizás de forma deseada, a una adulteración de los resultados. Una forma de evitarlo podría ser recurrir a un servicio externo de minería de datos.

Por último, no hay que olvidar que el data mining arroja los resultados en forma de patrones y conexiones. Para obtener respuestas hay que interpretar los resultados en función de las interrogaciones y los objetivos establecidos previamente.