Análisis comparativo de técnicas de minería de datos aplicadas a business intelligence

Abstract

La toma de decisiones constituye un proceso de vital importancia para las universidades, siendo uno de los indicadores más importantes en sus sistemas business intelligence el rendimiento académico. No obstante, el crecimiento de los sistemas de información genera un reto para la gestión y procesamiento de grandes volúmenes de datos de los cuales se desea obtener información relevante. En ese sentido, la minería de datos ofrece una serie de técnicas que permite realizar este descubrimiento con un alto nivel de precisión. El presente trabajo titulado “ANÁLISIS COMPARATIVO DE TÉCNICAS DE MINERÍA DE DATOS APLICADAS A BUSINESS INTELLIGENCE” tiene como objetivo general analizar comparativamente el rendimiento de técnicas de minería de datos aplicadas a soluciones business intelligence. El método propuesto inició con la selección de dos técnicas de minería de datos bajo el método no probabilístico con base a las técnicas de minería de datos disponibles y documentadas en diversas investigaciones. Posteriormente, se diseñó un método de aplicación conformado por cinco etapas: análisis y comprensión de las fuentes de datos, implementación de la base de datos en SQL Server, proceso ETL, implementación de los algoritmos de minería de datos a partir de los datos de entrada obtenidos del proceso business intelligence y procesamiento de datos. Los resultados evidenciaron que el modelo propuesto, el cual utilizó datos de entrada obtenidos de un proceso business intelligence obtuvo un rendimiento en cuanto a su precisión superior al 90% en ambas técnicas de minería de datos. Árbol de decisiones obtuvo 93.69% y Naive Bayes 93.67%. Asimismo, en cuanto al análisis de error, Naive Bayes fue la que mejor resultado obtuvo, obteniendo un error porcentual absoluto medio (MAPE) de 6.2%. La investigación concluye que las técnicas de minería aplicadas a datos obtenidos de un proceso business intelligence tienen muy buena precisión para la predicción del rendimiento académico y podrían ser utilizada en el análisis de otras variables académicas como la morosidad y la deserción, siendo la de mejor rendimiento Naive Bayes.