por: GERMAN GUERRERO ACOSTA

ensayo minería de datos

Con la denominada sociedad de la información se está produciendo un fenómeno curioso.

Día a día se multiplica la cantidad de datos almacenados. Sin embargo, contrariamente a lo
que pudiera esperarse, esta explosión de datos no supone un aumento de nuestro
conocimiento, puesto que resulta imposible procesarlos con los métodos clásicos. La mayoría de
las multinacionales generan más información en una semana que la que cualquier persona
podría leer en toda su vida, e incluso las pequeñas empresas generan un volumen de datos
que no son capaces de manejar. De modo que actualmente nos enfrentamos a la paradoja de
que, cuantos más datos están disponibles, menos información tenemos.

Para superar este problema, en los últimos años han surgido una serie de técnicas que facilitan el
procesamiento avanzado de los datos y permiten realizar un análisis en profundidad de los
mismos de forma automática. La idea clave es que los datos contienen más información oculta
de la que se ve a simple vista.

Hoy en día, y está claro que se trata de una tendencia válida para los próximos años, el
almacenamiento de la información es algo sencillo y barato. Nuestros sistemas informáticos
cada vez tienen una capacidad mayor, y lo que ahora es normal encontrar “de serie” en un
ordenador personal, quedará anticuado dentro de unos meses.

Este incremento de los sistemas de almacenamiento tiene un efecto que es realmente interesante:
es poco costoso guardar datos del funcionamiento de nuestros procesos, o de nuestros sistemas de
venta, o de nuestros clientes, etc., por lo que nuestras bases de datos (en el sentido más amplio del
término) crecen hasta límites insospechados.

Cuando decidimos iniciar ese proceso de almacenamiento de datos, lo solemos hacer con la
intención de analizarlos posteriormente. Sin embargo, cuando llega el momento, el análisis que se
realiza suele ser bastante superficial y guiado por los resultados que esperamos encontrar al
analizarlos. Lo normal es utilizar algún paquete estadístico (una hoja de cálculo en el caso
más simple) para localizar correlaciones entre variables, establecer medias y varianzas e intentar
modelar de esta forma nuestra información.

Sin embargo, en esa montaña de datos existe información que no puede ser encontrada
con los procedimientos habituales de trabajo. La minería de datos nos ayuda a dar un paso
más en ese análisis sacando a la luz relaciones ocultas entre los datos: información desconocida
que pueda ayudarnos a gestionar mejor nuestro negocio o proceso.

Estructuración de los datos

Para poder analizar nuestros datos con fiabilidad es necesario que exista una cierta
estructuración y coherencia entre los mismos. Si el responsable de almacenamiento de la
información ha sido siempre la misma persona, es posible que una parte de este problema esté
resuelto. Sin embargo, en general no se da esa situación, sino que, más bien al contrario, son
muchas las personas que en distintos departamentos y a lo largo del tiempo han ido creando
ficheros con diferentes tipos de datos.

Surge aquí la necesidad de conjugar los distintos ficheros y bases de datos de manera que
podamos utilizarlos para extraer conclusiones. En eso es que nos va ayudar la minería de datos, y la
interpretación del análisis de los mismos, va permitir la toma de decisiones.

Data Warehousing
El mecanismo más habitual para estructurar la información de un negocio es haciendo uso de un
Data Warehouse1. Las definiciones más habituales de este término son:
 Almacén de datos. Plataforma que concentra la información de interés de toda la empresa.
 Sistema que permite el almacenamiento en un único entorno de la información
histórica e integrada proveniente de los distintos sistemas de la empresa y que
refleja los indicadores clave asociados a los negocios de la misma.
 Sistema de información orientado a la toma de decisiones empresariales que, almacenando
de manera integrada la información relevante del negocio, permite la realización de consultas
complejas con tiempos de respuesta cortos.
 Sistema orientado a dar información en términos de negocio en vez de datos en términos de
explotación.

Como se puede apreciar, las palabras más empleadas son: información de interés, negocio,
integración,... De su conjunto podemos expresar que el Data Warehouse es un almacén
estructurado de la información clave de nuestro negocio, que integra datos provenientes de todos
los departamentos, sistemas, etc. y que nos permite analizar el funcionamiento de nuestra
compañía y tomar decisiones sobre su gestión.

No se trata de una simple agregación de las diferentes bases de datos. Es importante destacar que
hay algunas diferencias de concepto respecto a éstas y a su forma de uso.

Una base de datos operativa almacena la información de un sector del negocio, se actualiza a
medida que llegan datos que deban ser almacenados y se opera mediante los cuatro mecanismos
clásicos “Añadir-Eliminar-Modificar-Imprimir”:

 Clásicamente se orienta hacia la elaboración de informes periódicos.

 Suele manejar pequeños volúmenes de datos.
 Entorno dimensionado para muchas transacciones (gran cantidad de actualizaciones).

En cuanto al Data Warehouse, su actualización se realiza a intervalos regulares (típicamente

una al día) dentro de un proceso controlado, y tras realizar un preprocesado de los datos
que se van a almacenar. Su orientación es hacia la consulta del estado del negocio.

 Se ofrece información bajo demanda (análisis libre mediante el uso de herramientas

de generación de informes que atacan el Data Warehouse).
 Refleja el modelo de negocio, frente al modelo de proceso.
 Almacena grandes volúmenes de datos (información histórica e integración de datos de
múltiples aplicaciones).
 Dimensionado para consultas largas y elaboradas.
 Actualizaciones controladas y no eliminación de datos (el Data Warehouse contiene toda la
historia de la compañía).

La estructura de esta gran base de datos es multidimensional, con diferentes puntos de vista que
reflejan los distintos aspectos del negocio. Así los responsables de producto pueden analizar
su evolución a lo largo del tiempo en diferentes sectores y localización geográfica. Sobre los
mismos datos, los responsables de grandes cuentas pueden obtener información sobre los tipos
de productos que se han vendido, por regiones, a lo largo del tiempo. Un director regional podrá
estudiar cómo evoluciona su mercado particular, etc.

El ejemplo clásico para representar un Data Warehouse es el de un cubo de datos, del que se
pueden extraer diferentes “rodajas” o puntos de vista, se puede analizar una parte concreta, o
estudiar el conjunto global. Más adelante, cuando describamos las herramientas OLAP,
volveremos sobre esta idea.

Cuando mantenemos una estructura de Data Warehouse, pero adaptada sólo a un sector de la
empresa, o para un fin concreto, se utiliza un Data Mart. Los Data Marts pueden extraerse del
Data Warehouse de la empresa, aunque también es posible que el Data Warehouse se construya a
partir de los Data Marts que se hayan ido diseñando e implantando en los diferentes
departamentos. Este segundo enfoque es el que se utiliza cuando se comienza por aplicar
estas técnicas en algunas de las áreas del negocio y no en su globalidad.

Información oculta en los datos

A estas alturas ya va pareciendo claro que si almacenamos la información más relevante de

nuestro negocio en un sistema que acumula y acumula datos sin parar, un análisis razonable nos
puede permitir descubrir tendencias, localizar grupos de datos con comportamiento homogéneo,
establecer relaciones, etc.

Esa información está oculta en los datos y será necesario utilizar todas las técnicas a nuestro
alcance para obtenerla. El objetivo que nos planteamos es localizar relaciones entre atributos de
nuestro Data Warehouse. Estas relaciones podrían ser del tipo:

 Para una gran superficie: Más del 60% de las personas que adquieren queso fresco compran
también algún tipo de mermelada.
 Para un departamento de fidelización de una compañía aérea: muchos usuarios que hacen
vuelos de menos de 3 días a Berlín alquilan un coche en el aeropuerto.
 Para un operador de telefonía: durante el mes siguiente al lanzamiento de una campaña de
descuento en llamadas internacionales por parte de una compañía de
la competencia, nuestros pequeños clientes redujeron su consumo en este sector, mientras que
los grandes clientes lo mantuvieron.

Esta información puede ser extraída haciendo uso de diversas técnicas y ninguna de ellas debe ser
despreciada, sino agregada al resto para obtener mejores resultados. Sin embargo, en este
documento básico nos centraremos en la minería de datos y en las ventajas que puede aportar
frente a otras técnicas.

Qué es y qué no es la minería de datos

La minería de datos puede definirse como la extracción no trivial de información implícita,

previamente desconocida y potencialmente útil, a partir de los datos2. Para conseguirlo
hace uso de diferentes tecnologías que resuelven problemas típicos de agrupamiento automático,
clasificación, asociación de atributos y detección de patrones secuenciales. La minería de datos es,
en principio, una fase dentro de un proceso global denominado descubrimiento de conocimiento
en bases de datos (Knowledge Discovery in Databases o KDD), aunque finalmente haya
adquirido el significado de todo el proceso en lugar de la fase de extracción de conocimiento.

DEFINICION DEL PROBLEMA

La evolución de la tecnología ha facilitado y automatizado en gran medida las tareas de análisis

de información. Cada paso en esta evolución se apoya en los anteriores y cada uno de ellos ha
supuesto un avance significativo para el usuario, que ha visto cómo cada progreso le abría
nuevas posibilidades de análisis y aumentaba el nivel de abstracción de las consultas.

Para decidir cuál es la técnica más adecuada para una determinada situación, es necesario
distinguir el tipo de información que se desea extraer de los datos. Según su nivel de abstracción,
el conocimiento contenido en los datos puede clasificarse en distintas categorías y requerirá
una técnica más o menos avanzada para su recuperación:

 Conocimiento evidente

Información fácilmente recuperable con una simple consulta (SQL). Un ejemplo de este tipo de
 conocimiento es una pregunta como “¿Cuáles fueron las ventas en España el pasado
marzo?” o “¿Cuál es la edad media de mis clientes?”.

 Conocimiento multi-dimensional

El siguiente nivel de abstracción consiste en considerar los datos con una cierta estructura.
Por ejemplo, en vez de considerar cada transacción individualmente, las ventas de una
compañía pueden organizarse en función del tiempo y de la zona geográfica, y analizarse
con diferentes niveles de detalle (país, región, localidad...).
Técnicamente, se trata de reinterpretar una tabla con n atributos independientes como un
espacio n-dimensional, lo que permite detectar algunas regularidades difíciles de observar
con la representación monodimensional clásica. Este tipo de información es la que analizan
las herramientas OLAP, que resuelven de forma automática cuestiones como “¿Cuáles
fueron las ventas en España el pasado marzo? Aumentar el nivel de detalle: mostrar las de
Madrid.”

 Conocimiento oculto

Información no evidente, desconocida a priori y potencialmente útil, que puede recuperarse

mediante técnicas de minería de datos, como reconocimiento de regularidades. Esta
información es de gran valor, puesto que no se conocía y se trata de un descubrimiento real
de nuevo conocimiento, del que antes no se tenía idea, y que abre una nueva visión del
problema. Un ejemplo de este tipo sería “¿Qué tipos de clientes tenemos? ¿Cuál es el perfil
típico de cada clase de usuario?”.

Como se ve, las técnicas disponibles para extraer la información contenida en los datos son muy
variadas y cada una de ellas es complementaria del resto, no exclusivas entre sí. Cada técnica
resuelve problemas de determinadas características y, para extraer todo el conocimiento oculto,
en general será necesario utilizar una combinación de varias.

La mayor parte de la información de interés contenida en una base de datos,

aproximadamente el 80%, corresponde a conocimiento superficial, fácilmente recuperable
mediante consultas sencillas con SQL. El 20% restante corresponde a conocimiento oculto
que requiere técnicas más avanzadas de análisis para su recuperación. Estas cifras
pueden dar la falsa impresión de que la cantidad de información recuperable mediante
técnicas de minería de datos es despreciable. Sin embargo, se trata precisamente de
información que puede resultar de vital importancia para la empresa y que no se puede
desdeñar.

Básicamente, y como ya hemos comentado, la clave que diferencia la minería de datos respecto de
las técnicas clásicas es que el análisis que realiza es exploratorio, no corroborativo. Se trata
de descubrir conocimiento nuevo, no de confirmar o desmentir hipótesis. Con cualquiera de las
otras técnicas es necesario tener una idea concreta de lo que se está buscando y, por tanto, la
información que se obtiene con ellas está condicionada a la idea preconcebida con que se aborde
el problema. Con la minería de datos es el sistema y no el usuario el que encuentra las
hipótesis, además de comprobar su validez.

La minería de datos, esencialmente, permite obtener a partir de los datos un modelo del problema
que se analiza, bien sean las ventas de un artículo para mejorar la campaña de marketing,
las características técnicas de un producto en control de calidad o un proceso industrial cuyo
control se desea optimizar, por citar algunos ejemplos. El modelo obtenido permitirá simular el
comportamiento del sistema real y obtener conclusiones aplicables en el día a día.

COMO USAR LOS RESULTADOS DE UN PROCESO DE MINERIA DE DATOS

La minería de datos descubre relaciones en los datos, pero eso es sólo el principio. Son las
personas, no las técnicas de minería de datos, las que toman decisiones. El factor más importante
en minería de datos es el conocimiento y la experiencia de dichas personas. Armadas con
información mejor, pueden aplicar su creatividad y su propio criterio para tomar decisiones más
acertadas y obtener mejores resultados.

Por muy buenos que sean los resultados obtenidos en un proyecto de minería de datos, son
totalmente inútiles si no se aplican en la práctica. Así, es inútil que consigamos un
clasificador que diferencie perfectamente diversos tipos de clientes si no se tiene en cuenta dicha
información en una campaña de marketing. O descubrir la influencia de una determinada variable
en el rendimiento de un proceso si después no se controla consecuentemente su valor. Las
conclusiones de la minería de datos no son valiosas por sí mismas, sino en la medida en que se
apliquen para obtener resultados.

Es importante recordar que los responsables de dicha puesta en práctica no serán

generalmente expertos en minería de datos. Un factor clave en el éxito de estos proyectos
es presentar los resultados de una forma clara e inteligible, haciendo hincapié en la
información realmente útil, teniendo siempre en cuenta sus destinatarios. Es asimismo
fundamental justificar adecuadamente dichas conclusiones, puesto que otro problema muy
generalizado es la desconfianza que frecuentemente suscitan los sistemas automáticos. A
menudo, es necesario un cambio de mentalidad para convencer a las personas involucradas del
interés, utilidad y fiabilidad de la información obtenida gracias a la minería de datos.

Estas dificultades pueden ser superadas en gran medida si los responsables de la aplicación
del proyecto han participado activamente en su desarrollo. Será mucho más sencillo convencer a
una persona de la validez de las conclusiones obtenidas si ella misma ha aportado su
conocimiento del proceso en estudio, o de su utilidad si fue el promotor del análisis. La
colaboración de todos los usuarios implicados es fundamental para el éxito de un proyecto de
minería de datos.

Los sistemas de ayuda a la decisión (DSS) son herramientas sobre las que se apoyan los
responsables de una empresa, directivos y gestores, en la toma de decisiones. Para ello, utilizan:

 un Data Warehouse, en el que se almacena la información de interés para la empresa, y

 herramientas de análisis multidimensional (OLAP).

OLAP (On-Line Analytical Processing) se define como análisis rápido de información

multidimensional compartida.

Las herramientas OLAP permiten navegar a través de los datos almacenados en el Data Warehouse
y analizarlos dinámicamente desde una perspectiva multidimensional, es decir, considerando unas
variables en relación con otras y no de forma independiente entre sí y permitiendo enfocar el
análisis desde distintos puntos de vista. Esta visión multidimensional de los datos puede
visualizarse como un “cubo de Rubik”, que puede girarse para examinarlo desde distintos
puntos de vista, y del que se pueden seleccionar distintas “rodajas” o “cubos” dependiendo de los
aspectos de interés para el análisis.

Los DSS permiten al responsable de la toma de decisiones consultar y utilizar de manera rápida y
económica las enormes cantidades de datos operacionales y de mercado que se generan en una
empresa. Gracias al análisis OLAP, pueden verificarse hipótesis y resolverse consultas complejas.
Además, en el curso del análisis, la interpretación de los datos puede dar lugar a nuevas ideas y
enfoques del problema, sugiriendo nuevas posibilidades de análisis.

Sin embargo, el análisis OLAP depende de un usuario que plantee una consulta o hipótesis. Es el
usuario el que lo dirige y, por tanto, el análisis queda limitado por las ideas preconcebidas que
aquél pueda tener.
La minería de datos constituye un paso más en el análisis de los datos de la empresa para apoyar la
toma de decisiones. No se trata de una técnica que sustituya los DSS ni el análisis OLAP, sino que
los complementa, permitiendo realizar un análisis más avanzado de los datos y extraer más
información de ellos.

Como ya se ha comentado anteriormente, utilizando minería de datos es el propio sistema el que

descubre nuevas hipótesis y relaciones. De este modo, el conocimiento obtenido con estas técnicas
no queda limitado por la visión que el usuario tiene del problema.

Las diferencias entre minería de datos y OLAP radican esencialmente en que el enfoque desde
el que se aborda el análisis con cada una de ellas es completamente distinto. Fundamentalmente:

 El análisis que realizan las herramientas OLAP es dirigido por el usuario, deductivo, parte de una
hipótesis o de una pregunta del usuario y se analizan los datos para resolver esa consulta
concreta. Por el contrario, la minería de datos permite razonar de forma inductiva a partir de
los datos para llegar a una hipótesis general que modele el problema.

 Además, las aplicaciones OLAP trabajan generalmente con datos agregados, para obtener una
visión global del negocio. Por el contrario, la minería de datos trabaja con datos individuales,
concretos, descubriendo las regularidades y patrones que presentan entre sí y generalizando a
partir de ellos.

OLAP MD
Razonamiento deductivo inductivo
Trabaja con datos agregados concretos/individuales

QUE SE PUEDE LOGRAR CON MINERIA DE DATOS

El objetivo final de cualquier proyecto de minería de datos puede resumirse en uno de estos dos:

 Ahorrar dinero mejorando la eficacia de sus actividades, o bien,

 Ganar dinero descubriendo nuevas fuentes de beneficios.

¿Cómo se llega a estos objetivos? A partir de un conjunto de datos y un conjunto de técnicas se

puede llegar a unas determinadas conclusiones. Pero, ¿cómo se traducen los resultados de un
proyecto de minería de datos en beneficios tangibles para la empresa? Básicamente, esos
resultados suponen una mejora de la información disponible y será al aplicar dicha información
cuando se obtengan los beneficios.

Los campos en los que pueden utilizarse estas técnicas son extremadamente variados:
prácticamente en cualquier situación en la que se disponga de un conjunto de datos. A continuación
se comentan algunas de las áreas más comunes en las que se ha aplicado frecuentemente la
minería de datos, pero se trata simplemente de algunos ejemplos. En casi cualquier caso que
usted pueda imaginar es probable que la minería de datos pueda aportar importantes beneficios.

¿Parece una exageración? Tal vez no tanto. A modo de curiosidad: 28 de los 29 equipos
que participan en la liga de baloncesto profesional americana (NBA) utilizan técnicas de minería
de datos para detectar patrones de comportamiento y relaciones entre variables del juego (por
ejemplo, detectar que el jugador X realiza el 90% de sus tiros de campo cuando el jugador Y
juega de base), de forma que estas técnicas ofrecen nuevas perspectivas para modificar las
tácticas de juego a fin de mejorar el rendimiento del equipo. Un análisis tradicional podría indicar que
un jugador consigue el 70% de sus puntos en tiros de media distancia desde el lateral derecho.
 En general, disponer de un modelo que permita simular el comportamiento y/o predecir la
evolución de un sistema, un proceso, las ventas de un producto, etc. de forma suficientemente
precisa supone una clara ventaja competitiva, permitiendo adelantarse y aprovechar
oportunidades, así como prevenir problemas. Algunas de las aplicaciones más comunes son:

Marketing

Este es uno de los campos donde los éxitos de la minería de datos son más conocidos. Cuanto más
precisa sea la información que tengamos sobre los clientes, mayores posibilidades tendremos
de aumentar nuestros ingresos y rentabilizar al máximo nuestras acciones. El objetivo
fundamental puede resumirse en determinar quién comprará qué, cuándo y dónde.

Predicción

Conocer a priori cómo evolucionará una variable en el futuro constituye una información muy
valiosa y supone una indudable ventaja competitiva. Se trata de una herramienta de evidente
interés tanto desde el punto de vista comercial, como en gestión o control de procesos.

A partir de los datos históricos almacenados y utilizando técnicas de minería de datos pueden
elaborarse modelos que permitan estimar con precisión la evolución de una variable en el futuro.
Disponer de esta información con tiempo suficiente permite adecuar la respuesta de forma
óptima. Esto puede resultar útil en los campos más diversos:

 Detección de oportunidades.
 Prevención de problemas.
 Gestión óptima del personal.
 Optimización de stocks.

Reducción de riesgos

La minería de datos permite construir sistemas de evaluación automática de riesgos, basados

en la experiencia previa. Estos sistemas resultan de gran utilidad cuando la cantidad de casos a
evaluar es excesiva para su procesamiento manual. El empleo de técnicas de minería de datos ha
aumentado la eficacia y fiabilidad de dichos sistemas, logrando un comportamiento más similar
al de los expertos humanos.

Detección de fraudes

Aplicando técnicas de minería de datos, pueden obtenerse modelos que permitan descubrir
posibles fraudes, basándose en la detección de comportamientos anómalos, en comparación
con los datos registrados anteriormente.

Podemos encontrar aplicaciones concretas en operadores de telefonía o empresas de gestión de

tarjetas de crédito. Estas compañías analizan el uso que los clientes hacen de sus servicios y
pueden localizar, de manera muy rápida, un uso fraudulento de los mismos.

Control de calidad

Existen numerosos ejemplos en los que se han aplicado técnicas de minería de datos para
desarrollar sistemas automáticos de control de calidad. Estos sistemas suponen un considerable
ahorro en el proceso productivo, puesto que facilitan:

Detección más precisa de productos defectuosos

A menudo el control de calidad se realiza de forma manual y, por tanto, depende de una
evaluación subjetiva por parte del personal encargado del mismo. El principal problema de este
método es que el criterio de calidad no es estable sino que depende de la persona que realiza el
análisis. La minería de datos permite desarrollar sistemas automáticos de control de calidad que
discriminan los productos defectuosos con un alto grado de precisión y fiabilidad, según un criterio
objetivo.
Esto no sólo evita el problema mencionado anteriormente. Además, al aumentar la exactitud de
la evaluación se ahorran los costes derivados de las clasificaciones erróneas: productos defectuosos que
se consideraron correctos por error y productos correctos, desechados por un exceso de precaución.

Localización precoz de defectos

El control de calidad no sólo debe realizarse al final del proceso. Cuanto antes se detecte un fallo,
menor será su impacto. Además de las ventajas de los sistemas automáticos ya comentadas,
en este caso existe un problema añadido. A menudo no resulta fácil medir la variable que
determina la calidad del producto en tiempo real o en la cadena de producción. En estos casos, es
imprescindible utilizar técnicas de minería de datos para descubrir posibles relaciones que
permitan detectar los fallos utilizando las variables disponibles durante el proceso.

Identificación de causas de fallos

La minería de datos no sólo resulta útil para discriminar los productos defectuosos. También
ayuda a determinar los fallos más frecuentes así como identificar las causas de los mismos. Esto
permite adoptar medidas para evitarlos en el futuro.

Análisis no destructivo

A menudo, para obtener la información que se necesita, hay que realizar un análisis destructivo. Un
ejemplo típico es la evaluación de la resistencia de un material, medida que se establece forzándolo
hasta que se rompe. Utilizando minería de datos es posible estimar con bastante exactitud el valor de
este tipo de parámetros en función de otras características que sí pueden medirse sin destruir el
producto. Esto permite controlar la calidad de todos los productos fabricados y no sólo de una pequeña
muestra, ya que no se destruyen con el examen.

Procesos industriales

Otra aplicación básica de la minería de datos en el entorno industrial, además del control de calidad,
es el control de procesos. Estas técnicas permiten explotar la información disponible sobre un
sistema o proceso y utilizar los modelos desarrollados (bien de un sistema o proceso global, o
bien de una parte concreta del mismo) para:

 Automatizar y optimizar el control del proceso

 Optimizar su rendimiento

 Implementar programas de mantenimiento predictivo

La minería de datos es una herramienta que permite convertir los datos recogidos durante el
funcionamiento normal de nuestro negocio en información valiosa. No es una tecnología que
suplante a otras, sino que es complementaria y, en muchos casos, se aprovecha de lo que otros
mecanismos, como la estadística, puedan aportarle.

Técnicas como el agrupamiento y la clasificación automática de clientes facilitan el diseño y puesta en

marcha de planes de marketing mucho más eficaces. Si nuestro trabajo se centra en el entorno
industrial, la minería de datos puede aportar información valiosa sobre la calidad de
nuestros productos, el mantenimiento preventivo o la propia optimización de nuestros procesos.
Si nos movemos en las nuevas tecnologías, el análisis del acceso a nuestros servidores de internet,
puesto en relación con las ventas realizadas o los servicios ofrecidos, será más potente utilizando web
mining que haciendo un simple análisis de tráfico. En resumen, la minería de datos nos permite
tomar una posición en nuestro mercado que nos diferencie de nuestros competidores.