LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 1

ESTRATGICAS

MINERA DE DATOS

LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE

DECISIONES ESTRATGICAS

Gustavo Adolfo Valencia Zapata

(info@gustavovalencia.com)
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 2
ESTRATGICAS

LA MINERA DE DATOS COMO HERRAMIENTA PARA LA

TOMA DE DECISIONES ESTRATGICAS

Gustavo Adolfo Valencia Zapata

(info@gustavovalencia.com)
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 3
ESTRATGICAS

Resumen

El presente artculo pretende resaltar la importancia de la minera de datos como

herramienta tecnolgica empresaria para la toma de decisiones, destacando la gran
importancia de la informacin como activo estratgico de las organizaciones y lo
esencial de un adecuado anlisis para lograr identificar la tan anhelada ventaja en los
negocios. La minera de datos enmarca un completo conjunto de tcnicas que buscan la
extraccin de conocimiento de diversas fuentes de informacin; ese conocimiento
oculto entre millones de registros, es lo que anlogamente se llamaran minerales
preciosos que brindaran a la compaa grandes ventajas competitivas y elementos
contundentes para la toma de decisiones estratgicas.

Palabras Clave:
Minera de Datos (Data Mining).
CRISP-DM (Cross Industry Standard Process of data mininig).
SEMMA (Sample, Explore, Modify, Model, Assess)
Sistema de Informacin.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 4
ESTRATGICAS

Introduccin

En la actualidad las compaas manejan en sus sistemas de informacin altos volmenes

de datos, que no son aprovechados en profundidad para la toma de decisiones que
ayudaran a incrementar la rentabilidad de las compaas. Sin darse cuenta, las empresas
ignoran que bajos sus pies, se alojan grandes yacimientos de oportunidades con
facilidades de explotacin. Cada da se evidencia como la informacin es el motor vital
de una compaa y su dependencia a los niveles de integridad, disponibilidad y
confidencialidad de la misma, la convierten en un activo estratgico. Cul es la utilidad
de la informacin cuando esta no es integral, cuando aloja registros errados o de poca
validez?, Qu sentido tiene almacenar informacin cuando se imposibilita el acceso a
la misma? y Qu validez o ventaja estratgica da la informacin cuando carece de
confidencialidad y mis competidores la conocen?

Las compaas de hoy en da deben convertir los costos de la diferenciacin en

ventajas. Explorar todas las fuentes de diferenciacin. Muchas actividades pueden
hacerse ms exclusivas aadiendo un pequeo costo extra. Una empresa puede ser
capaz de diferenciase a si misma simplemente coordinndose mejor internamente
(Porter, 1998). Un pensamiento estratgico en miras a la diferenciacin y a la
rentabilidad de la empresa, implica realizar una inversin inicial en tecnologa como de
anlisis de informacin para el aprovechamiento de oportunidades y el mejoramiento
continuo de los procesos de la compaa.

Con una adecuada administracin de la informacin, la minera de datos busca

encontrar en aquellos mares de datos y montaas, los elementos preciosos difcilmente
perceptibles; identificando relaciones no aparentes o difciles de detectar de forma
tradicional. Surge entonces la pregunta, Cmo utilizar la minera de datos dentro de
una la compaa?
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 5
ESTRATGICAS

Inicialmente es importante crear una conciencia, donde los sistemas de informacin han
sido creados e implementados para brindar ventajas competitivas y servir como insumo
estratgico; olvidando el estigma impuesto bajo excusas regulatorias, contabilidad,
actividades secundarias, entre otros elementos considerados como apoyo y peyorativos
al interior de la empresa. Asimilada la importancia de la informacin como activo
estratgico, prosigue mapear lo ofrecido por la minera de datos versus la razn de ser
de la compaa, es decir, como el proceso de descubrimiento de patrones sobre los datos
con el enfoque del negocio y el despliegue predictivo se interceptan con los propsitos
de la empresa. Encontradas estas innegables coincidencias, se proceder al
desenvolvimiento de las actividades propias de la minera de datos.

Concepto de minera de datos

Segn Muoz (2003) en su artculo sobre sistemas de informacin de las empresas,

durante las ltimas dcadas se ha realizado mltiples esfuerzos y estudios
fundamentados en analizar la informacin como factor clave para la toma de decisiones
en la empresa.

Se podra visualizar una lnea de tiempo donde se evidencia lo citado en el prrafo

anterior, inicialmente los sistemas de informacin tenan una finalidad de dar soporte a
los procesos bsicos de las compaas (regulaciones, ventas, personal, etc.), surgen los
sistema de informacin para la toma de decisiones (EIS, OLAP, Consultas, reportes,
informes, etc.) brindando a los lderes una visin inmediata (diariamente) con
herramientas que informan sobre el estado y las actividades de gestin por medio de
indicadores. Funciones de manipulacin sobre los datos, ofrecen un incremento de
anlisis estratgico y sistemas relacionales brindan mayor versatilidad en la
manipulacin de los datos.

La minera de datos puede definirse inicialmente, como un proceso de descubrimiento

de nuevas y significativas relaciones, patrones y tendencias al examinar grandes
cantidades de datos (Prez, 2007).
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 6
ESTRATGICAS

Figura 1. Evolucin de los anlisis de datos

Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5

Interactive
Mass Segment Target Event based Marketing
Marketing Marketing Marketing Marketing
Administracin de
Interaccin relaciones con el
Modelos & Enf ocada a cliente, enf ocada a
Comunicaciones eventos, eventos, Multi-canal
Anlisis personalizadas administracin &
Anlisis Interactivo & Dilogos con el
Exploratorios & Comunicaciones individuo
Comunicaciones en una direccin
ROI

En masa

Haciendo
Qu est que suceda!
Qu paso? Por qu paso? Qu pasar? pasando?
CRM Analtico y
Uso Bsico Anlisis Ad Hoc Anlisis Predictivo Anlisis de Eventos Operativo

Anlisis Modelaje Actualizacin CRM

Reportes
Consultas Predictivo Contnua
Ad Hoc
Descubrimiento Humano Descubrimiento asistido por mquinas
Herramientas para Consulta Herramientas Herramientas
(Query & OLAP) para Minera para CRM

Nota. SPSS, Introduccin a Clementine (2008). Extrado de Junio, 23, 2008.

Dada esta definicin, se puede establecer con mayor claridad el objetivo de la minera
de datos, el cual dirige sus esfuerzos a descubrir patrones, perfiles, anomalas y
tendencias por medio del anlisis de datos. No bastara entonces con el resultado
arrojado por un aplicativo de minera de datos aplicado al sistema de informacin de la
compaa para garantizar el xito y la rentabilidad de la misma; sera necesario la toma
de decisin basada en los resultados arrojados, la medicin de los efectos generados o
resultados finales (incremento de ventas, ahorros, efectividad en procesos, etc.) y la
realimentacin y calibracin de los modelos construidos bajo las tcnicas de minera de
datos.

La minera de datos o descubrimiento de conocimiento en bases de datos (KDD,

knowledge discovery in databases), es una poderosa herramienta informtica de gran
alcance con un gran potencial para la extraccin de informacin previamente
desconocida y potencialmente til a partir de grandes bases de datos. La minera de
datos automatiza el proceso de bsqueda de relaciones y patrones en los datos y
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 7
ESTRATGICAS

proporciona resultados que pueden ser utilizados en un sistema de apoyo a las

decisiones estratgicas del negocio.

Fernndez (2010) en su compendio Statistical Data Mining Using SAS Aplication

menciona que un sinnmero de empresas exitosas emplean tcnicas de minera de datos
para la toma de decisiones. La minera de datos permite la extraccin de piedras
preciosas de conocimiento a partir de los datos de negocio que pueden ayudar a mejorar
la gestin de relaciones con clientes (CRM) y ayudar a calcular el retorno de la
inversin (ROI).
Segn SPSS Inc (2008) compaa reconocida a nivel mundial en inteligencia de
negocios, las situaciones de negocio a resolver bajo el anlisis de los datos, son las
siguientes:

Predecir: valores de categoras o valores numricos. Un ejemplo sera el riesgo

crediticio, es decir, se puede predecir que tan riesgoso es un cliente o negocio
financieramente para la compaa.

Segmentar: agrupar elementos con base a sus caractersticas. Algunos ejemplos

seran identificar diferentes tipos de televidentes de un canal de televisin,
diferentes clientes de una entidad financiera, etc.

Asociar: eventos que ocurren juntos o en secuencia. Un ejemplo sera cuando un

se identifica la relacin en ventas de dos productos en un almacn de cadena,
como por ejemplo paales y cerveza, es decir, se detecta que ciertos clientes
cuando compran paales tiene una tendencia a comprar cerveza.

Anomalas: identificar eventos que no tienen un comportamiento esperado. Un

ejemplo sera un fraude realizado a un cliente en el sector financiero.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 8
ESTRATGICAS

Decisiones gerenciales basadas en los resultados de minera de datos

Para la toma de decisin basada en resultados de minera de datos, es indispensable

contemplar algunos aspectos claves del proyecto de minera de datos al interior de la
compaa. Segn SPSS Inc (2008), Es conveniente tener claros los objetivos que
persigue el negocio y tambin tener claro la naturaleza de los datos.

Algunos aspectos claves son:

Disponibilidad de los datos. Responder preguntas como Dnde estn los

datos?, Cul es su naturaleza?, Existen motores de bases de datos?

Los datos cubren los factores relevantes para el anlisis?

Los datos poseen mucho ruido? Una etapa de reparacin de los datos aportar
mejores resultados para la toma de decisiones.

Hay suficientes datos? Un adecuado conocimiento del negocio da solucin a

este cuestionamiento, resaltando elementos como el sector empresarial, el
tamao de la compaa o el tipo de bien y/o servicio que se ofrece.

Conocimiento de los datos disponibles. No necesariamente el experto en minera

de datos es el experto en el tema a ser analizado por medio de este proceso, es
decir, es importante que un proyecto de minera de datos garantice la presencia
del conocimiento y experticia en el negocio a ser intervenido; lo anterior
generalmente es manejado por un equipo de trabajo interdisciplinario.

Sobre este ltimo aspecto, se podra aludir que en el sector de los negocios es cada vez
ms comn encontrar profesionales adquiriendo competencias en anlisis de
informacin, estadstica y tcnicas de minera de datos; orientando este tipo de
conocimiento a un estado transversal y de apoyo a cualquier disciplina. Es as, como
ingenieros, mdicos, economista, entre otros, se forman en este tipo de saberes. Por otra
parte, el escenario de la investigacin (la academia) aunque no alude esta prctica, se
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 9
ESTRATGICAS

determina por la conformacin de equipos interdisciplinarios, cuyos miembros tienen

competencias especficas altamente desarrolladas y bajo un objetivo comn.

Una metodologa como CRISP-DM (Cross Industry Standard Process of data mininig)
sugerida por SPSS, no solo garantizara una adecuada planeacin sino una mayor
efectividad en los resultados de un proyecto de minera de datos. Se debe tener
presente que a pesar de disponer de la tecnologa o las herramientas ms sofisticadas;
un peso realmente importante del trabajo recaer sobre alguien o un grupo con un
conocimiento profundo del negocio. Bajo la metodologa CRISP-DM, se deben
responder las siguientes preguntas (Chapman, Clinton, Kerber, Khabaza, Reinartz,
Shearer & Wirth, 2007):
Cul es el principal objetivo que se persigue resolver?
Qu datos se tendrn disponibles y cuales son relevantes en cuestin?
Qu clase de depuracin de datos es requerida?
Qu tcnica de minera de datos se emplear?
Cmo se evaluarn los resultados?

Un riguroso proyecto en minera de datos, contempla las anteriores preguntas para

aumentar las posibilidades de xito en los resultados obtenidos. El objetivo del
presente artculo no es abordar en detalle cada uno de estos cuestionamientos, sino dar
un acercamiento a los elementos ms importante y de fcil comprensin por parte de la
cabeza estratgica del rea, equipo o compaa.

SAS es considerada por los expertos como la compaa lder en inteligencia de

negocios a nivel mundial, sin embargo esta corporacin considera su solucin de
minera de datos un proceso ms que un conjunto de herramientas analticas. La
metodologa SEMMA acrnimo se refiere a una metodologa que detalla este proceso;
donde a partir de una muestra estadsticamente representativa de los datos, SEMMA
hace fcil aplicar tcnicas estadsticas de exploracin y visualizacin, seleccionar y
transformar las variables predictoras ms importantes, el modelo de las variables para
predecir los resultados y confirmar la exactitud de un modelo.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 10
ESTRATGICAS

Segn Prez (2007), la clasificacin inicial de las tcnicas de minera de datos se

distinguen entre tcnicas predictivas (las variables pueden clasificarse inicialmente
como dependientes o independientes), tcnicas descriptivas (donde todas las variables
al principio tienen el mismo estatus) y tcnicas auxiliares.
Las tcnicas predictivas especifican el modelo para los datos empleando un
conocimiento terico previo, las tcnicas descriptivas no se asigna ningn papel
predeterminado a las variables. Tanto las tcnicas predictivas como las tcnicas
descriptivas estn enfocadas al descubrimiento del conocimiento embebido en los
datos.
Las tcnicas auxiliares son herramientas de apoyo, ms superficiales y limitadas. Se
basan en tcnicas estadsticas descriptivas, consultas e informes en general hacia la
verificacin.

Contemplando lo sugerido por la metodologa y seleccionadas las variadas tcnicas

apropiadas (Regresin, rboles, Quest, red neuronal, C5.0, red bayesiana, K-medias,
etc.) es cuando el resultado por s mismo ya contienen un valor estratgico para la
compaa. La definicin del objetivo del proyecto plante el camino a seguir,
empleando las diferentes tcnicas de extraccin, reparacin y modelamiento de datos,
y el resultado ser tan contundente como las relaciones o correlaciones ocultas en las
bases de datos; las cuales darn diferentes perspectivas sobre las estrategias planteadas
con anterioridad por la compaa. Otro elemento diferenciador en los resultados,
aborda el tema predictivo, donde el nivel de confianza entregados por el modelo, se
plantean acciones sobre que generarn un posible valor sobre los procesos de la
compaa. Es el apetito de riesgo quien mide en combinacin con la fiabilidad del
modelo predictivo los que llevan a la compaa a la toma de decisiones estratgicas
sobre el objetivo que deseaba alcanzar; adicional a lo anterior, se incluyen en las
decisiones estratgica los posibles controles que mitiguen el riesgo de que el resultado
del modelo no sea efectivo al llevarlo a produccin.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 11
ESTRATGICAS

Figura 2. Clasificacin de las tcnicas de minera de datos

Nota. Prez Lpez, Csar. (2007). Minera de datos: Tcnicas y herramientas. Extrado
de Julio, 4, 2008.

Un ejercicio saludable es el entrenamiento del modelo con diferentes periodos de

tiempo segn la realidad de cada compaa, lo anterior, para evidenciar que lo
predicho por la herramienta sea coherente con la realidad de la empresa.

Segn Prez (2007), las siguientes son las herramientas de minera de datos ms
conocidas en el mercado:
IBM SPSS Modeler Microstrategy
Knowledge Seeker (Angoss) Polyanalyst
CART (Salford Systems) Darwin
Enterprise Miner (SAS Institute) SGI MineSet
Data Surveyor Wizsoft/Wizwhy
Gain Smart
Intelligent Miner (IBM)
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 12
ESTRATGICAS

Qu no es minera de datos?

Segn SPSS Inc (2008), en su curso de introduccin a la minera de datos, aborda

conceptos errneos atribuidos a la minera de datos. La minera de datos no es:
Una bsqueda de patrones a ciegas
El sustituto de personal.
Un Data Warehousing
SQL, Ad Hoc Queries, reportes
OLAP
Visualizacin de datos

Es comn encontrar constantes confusiones entre minera de datos y anlisis

estadsticos, donde en realidad son ejercicios diferentes pero con cierta relacin.

La estadstica en el mundo de los negocios es considerada de gran importancia, ya que

suministra los mejores instrumentos de investigacin, no slo para observar y
recopilar toda gama informativa incubada dentro de la misma empresa o fuera de ella,
sino tambin en el control de ciertas actividades de produccin, ventas, proyecciones o
estimaciones a corto plazo, mediano y largo plazo, en la formulacin de hiptesis y en
el anlisis de procesos encaminados a facilitar la toma de decisiones por parte de los
encargados de la buena marcha de la empresa (Martnez, 2008).

En pocas palabras el anlisis estadstico es el proceso de validar o rechazar hiptesis y

la minera de datos es el proceso de generar anlisis a partir del comportamiento de los
datos, es decir, la minera de datos hace uso de la estadstica de forma implcita
aplicando tcnicas matemticas y modelamiento que ayudar al entendimiento de los
datos. Es verdico que los mineros ms versados y reconocidos en el escenario de la
investigacin son profesionales formados bajo las ciencias estadsticas.

Algunas otras diferencias entre minera de datos y anlisis estadstico son (SPSS Inc
2008):
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 13
ESTRATGICAS

Minera de datos Anlisis estadstico

Originalmente desarrollados
para actuar como sistemas
expertos que ayudan a resolver
problemas.
Poco inters en la formulacin
detallada los algoritmos.
Requiere entendimiento de los
datos y el problema de negocio.
Encuentra patrones en grandes
cantidades de datos.
No presta mucha atencin a los
supuestos estadsticos (puede ser
peligroso)
Prueba de Hiptesis.
Requiere de fuertes habilidades
estadsticas.
Trabaja bajo muestras; las
tcnicas no se encuentran
optimizadas para trabajar con
grandes cantidades de datos.
Pruebas estadsticas para la
bondad de ajuste

Acercamiento a resultados de minera de datos

A continuacin se esbozan ejemplos de objetivos y de decisiones estratgicas basadas

en resultados de minera de datos:
Objetivo: Desarrollo de modelos predictivos de fraude electrnico (tarjetas de
crdito o virtual). Decisin estratgica: Realizar un bloqueos de productos o
servicios a los clientes bancarios afectados
Objetivo: Prediccin en el aumento de eficiencia y mayor productividad al
modificar el orden en procesos de manufactura. Decisin estratgica: Cambiar el
orden del proceso y comparar la prediccin con la realidad.
Objetivo: Pronosticar la siguiente pgina que visitar un usuario de Internet.
Decisin estratgica: invertir publicidad de productos y servicios en las pginas
que sern visitadas posteriormente.
Objetivo: Identificar el riesgo de crdito para clientes bancarios. Decisin
estratgica: Evitar entregar el crdito a personas con un nivel de riesgo alto.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 14
ESTRATGICAS

Al tratar de referenciar casos de xito basados en resultados o anlisis va minera de

datos, se evidencia lo tangible y provecho que se convierte una inversin tecnolgica
en anlisis de datos y el positivo retorno de inversin que entrega un proyecto de este
tipo. Para ser ms descriptivos se mencionan algunos casos contundentes de aplicacin
de minera de datos en la industria.

Segn Da Cunha, C., Agard, B. y Kusiak, A (2006), por medio de un proyecto de

minera de datos se pretende dar mejoras a la calidad de produccin industrial.
Inicialmente el proyecto tena como objetivo determinar la secuencia de ensambles que
minimice el riesgo de producir productos defectuosos; arrojando como resultados la
identificacin cinco reglas; las cuales determinaron los siguientes resultados:
Se determina dos procesos que estaban invertidos, es decir, el que estaba
primero debera ser el segundo.
Hay una operacin que sola necesita ser reelaborada.
El modelo propuesto organiza la secuencia de los mdulos de ensamble que
precede o sucede inmediatamente a otra.

Al incorporar un proyecto de minera de datos con los diferentes agentes tecnolgicos

en un Shop Floor Control, se contribuye al dinamismo del proceso, al tratarse de un
modelo de aprendizaje continuo. La modernizacin tecnolgica en los procesos de
manufactura, unidos a la facilidad de procesamiento y anlisis de informacin que
estos entregan continuamente, se convierte en recursos valiosos para la comprensin
del comportamiento de los sistemas y el continuo mejoramiento del proceso (Harding,
J. A., 2008).

En materia de seguridad empresarial y ms especficamente en seguridad de la

informacin, un proyecto de minera de datos como Clustering-Based Network
Intrusion Detection, ayud a la detectar comportamientos asociados a ataques en la red
con relativa facilidad, superando el modelo tradicional supervisado; lo anterior debido
al dinamismo de estos ataques, los modelos supervisados y parametrizables no
aportaran el nivel de deteccin deseado. Al implementar modelos empleando tcnicas
de clustering no supervisado se lograr detectar nuevos tipos de intrusiones sobre la
red, elemento constante y de naturaleza variable en los incidentes de seguridad reales
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 15
ESTRATGICAS

a los que estn expuestas las compaas de hoy (Zhong, S., Khoshgoftaar, Taghi M. y
Seliya, N., 2008)

Adicional a los anteriores casos de xito, se podran mencionar miles de aplicaciones

con diferente naturaleza en donde la minera de datos pueda entregar resultados lo
suficientemente veraces para la toma de decisiones estratgicas en compaas donde
uno de sus activos es la informacin.

CONCLUSIONES

Actualmente se ha reconocido a la informacin como uno de los activos ms

importantes para las organizaciones, dndole un tratamiento cuidadoso para
temas relacionados a la seguridad de la informacin y estratgico para la toma
de decisiones que apunten a los objetivos de la empresa.

La minera de datos es considerada en la actualidad como una herramienta

tecnolgica estratgica que pretender ver ms all de lo evidente al interior y
exterior de las empresas, proporcionando resultados y argumentos a los lderes
empresariales para la toma de decisiones.

La estrategia tecnolgica es uno de los caminos obligados en la bsqueda de la

ventaja competitiva, siendo la innovacin una de las formas ms productivas de
lograrlo; al tratar la informacin como activo fundamental de la compaa,
proyectos tecnolgicos como la minera de datos contribuirn al encuentro con
la diferenciacin y la rentabilidad.
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 16
ESTRATGICAS

BILIOGRAFA

Prez Lpez, Csar. (2007). Minera de datos: Tcnicas y herramientas. Espaa:

Thomson Editores.

SPSS, (2008). Introduccin a Clementine.

Chapman, Pete., Clinton, Julian., Kerber, Randy., Khabaza, Thomas., Reinartz,

Thomas., Shearer, Colin. y Wirth, Rdiger. (2007) CRISP-DM 1.0. USA: SPSS

Martnez Bencardino, Ciro. (2008). Estadstica bsica aplicada. Colombia: Ecoe

editores

Porter E, Michael. (1998). Ventaja competitiva: Compaa editorial continental

Harding, J. A. (2008). A data mining integrated architecture for shop floor control.
Proceedings of the Institute of Mechanical Engineers Part B Engineering
Manufacture, 222 (5), 605-624. Recuperado el 18 de Mayo de 2008 desde las bases de
datos EBSCO (Masterfile) en internet:
http://web.ebscohost.com/ehost/detail?vid=6&hid=108&sid=b379cfad-bc09-47c1-bf38-
6c97967de502%40sessionmgr104&bdata=JmFtcDtsYW5nPWVzJnNpdGU9ZWhvc3Q
tbGl2ZQ%3d%3d#db=buh&AN=32854795

Da Cunha, C., Agard, B. y Kusiak, A. (2006). Data mining for improvement of product
quality. International Journal of Production Research, 44 (18- 9), 4027-4041.
Recuperado el 10 de Octubre de 2008 desde las bases de datos EBSCO (Masterfile) en
internet: En lnea.
http://web.ebscohost.com/ehost/detail?vid=1&hid=114&sid=2062378c-0a66-4b69-
a66a-
676144f468c8%40sessionmgr103&bdata=JmFtcDtsYW5nPWVzJnNpdGU9ZWhvc3Qt
bGl2ZQ%3d%3d#db=buh&AN=21782359
LA MINERA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES 17
ESTRATGICAS

Muoz, Antonio. (2007). Sistemas de informacin en las empresas. Extrado de

noviembre, 08, 2008. del World Wide Web:
http://www.hipertext.net/web/pag251.htm#2577.

Zhong, S., Khoshgoftaar, Taghi M. y Seliya, N. (2008). Clustering-Based Network

Intrusion Detection. International Journal of Reliability, Quality & Safety Engineering,
14 (2), 169-187. Recuperado el 18 de Mayo de 2008 desde las bases de datos EBSCO
(Masterfile) en internet: En lnea. En lnea. En lnea.
http://web.ebscohost.com/ehost/detail?vid=6&hid=108&sid=b379cfad-bc09-47c1-bf38-
6c97967de502%40sessionmgr104&bdata=JmFtcDtsYW5nPWVzJnNpdGU9ZWhvc3Q
tbGl2ZQ%3d%3d#db=buh&AN=32854795

Parr Rud, Olivia. (2001). Data Mining Cookbook. Modeling Data for Marketing, Risk,
and Customer Relationship Management. John Wilwy & Son.

Perner, Petra (2002). Data Mining on Multimedia Data. Springer.

Larose T, Daniel (). Discovering Knowledge in Data. An introduction to data mining.

John Wilwy & Son.