Desde mi punto de vista la minería de datos ha ido ganando credibilidad al ser utilizada por grandes empresas para recolectar información y d esa manera generar proyecciones a futuro con fines estratégicos o comerciales. 

Las empresas tiene que tener la capacidad de adaptarse a un cambio continuo  , ser adaptativas , aprender cómo resolver problemas y generar conocimiento

La estrategia de flexibilización es necesaria para adaptarse a un mercado globalizado y esto incide de forma directa en su sistema estructural

Las aplicaciones para gestionar el flujo de información se dividen en dos  , las aplicaciones que manejan las transacciones y las estadísticas que ayudan a convertir los datos en información útil para tomar decisiones a parte de las bases de datos donde se almacenan los datos importantes para evaluar y mejorar el funcionamiento de la cadena de suministros y los análisis que facilitan la comprensión de las tendencias y patrones presentes en los datos

El uso de la minería de datos como soporte a decisiones en los negocioses más que aplicar  redes neuronales o árboles de decisión sobre los datos  por un lado está el descubrimiento del conocimiento en la base de datos y por otro lado están las técnicas estadísticas como el reconocimiento de patrones y algoritmos de aprendizaje entre otros

Los datos tal y como se almacenan en las bases de datos no suelen proporcionar beneficios directos , el valor está en la información que podamos extraer de ellos , que es la información que nos ayuda en la toma de decisiones o mejorar la comprensión del entorno que nos rodea, como puede ser la comprobación de que todo va bien , analizar diferentes aspectos de la evolución de la empresa , comparar información en diferentes periodos de tiempo , comparar resultados con previsiones….para ello se tienen que definir medidas cualitativas para los patrones obtenidos como son la precisión , utilidad y beneficio obtenido

Indicadores significativos:

La implementación de procesos de minería de datos a través de la aplicación de técnicas estadísticas avanzadas y nuevos métodos de extracción de conocimiento en grandes bases de datos se pueden determinar las características contables de empresas más rentables al igual que el perfil de sus  clientes , es necesario , por tanto , un análisis exploratorio profundo de la base de datos y el empleo de métodos que hagan que dichos modelos sean menos sensibles a los casos estadísticos

La mayoría de los trabajos de minería de datos están orientados al data warehouse , arquitectura de algoritmos , herramientas y técnicas utilizadas para agrupar los datos provenientes de múltiples bases de datos u otras fuentes de información en un repositorio común sobre el cual de harán consultas y análisis , se esta forma se consigue orientar los datos hacia el negocio

Técnicas que ayudan a la resolución de problemas de la organización basándose en los datos que se poseen:

La minería de datos bien empleada   , se convierte en una herramienta estratégica que mejora los niveles de competencia en el mundo empresarial , la toma de decisiones efectivas se basa en la rapidez con que se identifica y analiza la información , las metodologías para desarrollar el proceso de identificación y análisis mejora la ventaja competitiva y aumenta el número de clientes

La capacidad de almacenamiento ha crecido exponencialmente pero no la capacidad para poder analizarla  , por lo que hacen falta técnicas para procesar y entender los datos para dar soporte a la toma de decisiones.

https://youtu.be/P5oxLVOu8qU

Pero para saber más sobre las posibles acciones y resultados futuros y su probabilidad, y para actuar en base a ese conocimiento, las organizaciones se involucran en nuevos tipos de relaciones. Como mirar hacia el exterior: Con el análisis, las organizaciones han implementado conjuntos de datos más grandes, una potencia de computación en la nube más barata y algoritmos más agresivos para estandarizar con éxito procesos previamente no estándar, como ventas y servicios, lo que los hace más repetibles, predecibles y susceptibles de ser analíticos.
Desarrollar relaciones abiertas de múltiples lados: el altruismo o la apertura por sí solos no darán acceso a la diversidad de datos necesarios para comprender el futuro predictivo.
Actualización de las prácticas de gestión y liderazgo: un motor de análisis extendido impulsado por múltiples fuentes de información, sin embargo, puede lograr poco sin la capacidad de actuar en futuras predicciones. La práctica de la administración en sí misma debe evolucionar para que surja esta capacidad.
https://hbr.org/2014/09/what-the-companies-that-predict-the-future-do-differently
Manuel Bermeo Martínez
código 08490012019

Por lo anterior podemos decir que la minería de datos es de mucha utilidad ya que mediante conjuntos de técnicas Clustering, posibilitan el reconocimiento de grupos de datos y de esta forma disminuir el riesgo de fracaso.

http://www.deguate.com/artman/publish/gestion_admin/prediccion-pronosticos-administracion-empresas.shtml

Mauricio Pajoy Rodriguez
Código: 084900202019

Como ya se ha visto, con nuestra actividad diaria generamos una gran cantidad de datos, donde las organizaciones se han dado cuenta de la importancia de estos datos, a la hora de tomar decisiones y a la mejora de la experiencia de los usuarios. De hecho, incluso una preocupación tan simple como conseguir una máquina de café para los empleados está basada hoy en día en los datos. 
Todo esto nos hace suponer que el futuro de Big Data parece sólido, y que no va a parar de crecer. Para dar datos más exactos. 
 Big Data ha estado presente entre los principales tópicos de empresa durante los pasados años, y parece que esto no va a cambiar en un futuro próximo. Esto a su vez es algo extraño en este mundo donde la tecnología avanza tan rápidamente que lo que hace un par de años era novedoso, hoy ya está obsoleto. 
Tendencias futuras 

Datos “oscuros”:  los datos “oscuros “(dark data) es una de las tendencias que se espera que llegue en el futuro. Estos son los datos de origen no digital y los datos que han sido descartados por su falta de valor; también se puede referir a ellos como “datos polvorientos” (dusty data). La evolución del Big Data hace pensar que esos datos “no explotados” serán el foco de atención en un futuro cercano, haciendo que la tecnología evolucione aún más. 

Análisis cuántico: parece que, con todo el avance tecnológico, y la necesidad de más potencia para poder realizar ciertas tareas, los ordenadores actuales se están quedando anticuado. Por ello, parece que el ordenador cuántico ha llegado para quedarse, siendo IBM la primera compañía en presentar uno. 

 Esto puede suponer una gran revolución para la informática tal y como la conocemos, ya que estos superordenadores pueden llegar a ser capaces de procesar una gran cantidad de información en poco tiempo; y una de las ramas que se puede ver positivamente afectada es el del análisis de Big Data, ya que se estas máquinas serán capaces de procesar una gran cantidad de datos en mucho menos tiempo que los actuales. 

Generación de un mayor volumen de datos: debido de la irrupción de nuevas tecnologías en nuestro día a día, las denominadas IoT, como relojes inteligentes, electrodomésticos inteligentes, vehículos inteligentes/autónomos… que son capaces de recopilar datos de manera masiva, generará el terreno perfecto para poder nutrir el análisis de Big Data. Se estima que, a partir de ahora, generamos aproximadamente 2,3 billones de gigabytes de datos cada día, y esto solo crecerá en el futuro. 

Big Data y salud: La industria de la salud también desempeñan una parte importante en el auge de Big Data; ya que esta genera una gran cantidad de datos relevantes por cada paciente. Hasta ahora, los médicos utilizaban sus conocimientos y experiencia para poder decidir sobre qué tratamiento aplicar en qué circunstancia, pero en los últimos años se ha visto un cambio en la forma en que se toman estas decisiones. Los médicos revisan los datos clínicos y toman una decisión en base a esos datos sobre el tratamiento de un paciente. 

Desafíos 
Volumen: como ya hemos mencionado en múltiples ocasiones, cada vez se generan más datos y las empresas empiezan a tener problemas para poder almacenar ese enorme volumen de datos; añadido a esto, el crecimiento de los datos no estructurados agrava aún más la situación 

Falta de personal cualificado: las empresas no tienen fácil el obtener personal cualificado para poder trabajar con Big Data. En el último año, la demanda de expertos en Big Data aumentó un 128%, mientras que hubo un incremento del 68% de estos profesionales en el mercado laboral. 

Seguridad: En un mundo donde existe una amenaza constante respecto a la seguridad de los datos y la privacidad, el aseguramiento de estas debe ser fundamental para las empresas, especialmente por el enorme volumen de datos manejados con el Big Data. 

Conclusión 

En conclusión, el Big Data tiene todas las papeletas para quedarse por un largo tiempo en este mundillo de la informática. Las previsiones son positivas, y los desafíos se están teniendo en cuenta para mejorar lo que se dispone en el futuro. 

CARLOS ANDRES QUIROGA 
COD : 0849000922019
GRUPO 1 ING SISTEMAS

·        Filtrado de Datos: En muchos casos el formato de los datos fuente no son óptimos para ser tratados en determinados procesos, por tal motivo el objetivo en esta fase, es filtrar los datos de tal manera que se eliminen todos los valores incorrectos, todos los valores no validos y desconocidos, reduciendo así el número de valores posibles para ser tratados en un  proceso como lo es el proceso de Data Mining. 

·        Selección de Variables: Para reducir el tamaño de los datos elegidos, se deben establecer las características correspondientes y necesarias para ser aplicadas a la selección correcta de los datos. Asi tener las variables que influyen con mas fuerza en el problema a solucionar

·        Extracción de Conocimiento: Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables".

·        Interpretación y Evaluación Luego de obtener el modelo final, se debe validar las conclusiones obtenidas al finalizaar el proceso de extracción. Se debe comprobar que las conclusiones arrojadas son validas, suficientes y satisfactorias. Podemos tener el caso, en el que nos resulten dos o mas modelos, utilizando distintas técnicas de extracción. En estos casos se comprobaran los modelos en busca del que solucione mejor el problema y en caso en que ninguno de los modelos obtenidos de la solución adecuada al problema, se debe alterar uno de los anteriores pasos.

Adicional teniendo en cuenta el  preprocesamiento y sus etapas; Limpieza de datos, Integración de datos, Reducción de datos, Transformación de datos considero que una predicción del futuro es algo muy inconcluso para argumentar porque si bien la minería de datos genera que las organizaciones realicen estadísticas y proyecciones con un alto nivel de exactitud, estas dependen de factores externos, la toma de decisiones no siempre está ligada a la minera de datos un claro ejemplo es la caída del precio del dólar en la bolsa estadounidense, se pudo haber realizado un excelente proceso de minería que permitiera un análisis de la información tan precio que las estadísticas arrojaran valores positivos sin embargo el resultado no fue como se esperaba por la caída del dólar, por ende considero que la minería de datos aporta en gran manera las proyecciones, estadísticas y metas en una organización pero no es capaz de proveer casos fortuitos que afecten las producción.

Victor Alfonso Lopez Betancourt
Codigo:084900182019