Palabras clave
inteligencia de negocio
tecnología OLAP
Cómo citar
Resumen
La información se ha convertido en un elemento clave en los procesos organizacionales. En los últimos años, la tecnología ha tenido un crecimiento acelerado como herramienta útil y necesaria para facilitar dichos procesos y mejorar la productividad. La inteligencia de negocio se ha definido como la transformación de datos en conocimiento, a fin de sustentar la toma de decisiones desde el punto de vista estratégico y táctico en el momento y lugar oportuno y de generar una ventaja competitiva y de efectividad. Entre las herramientas utilizadas para la exploración de datos está el procesamiento analítico en línea (OLAP), el cual, aunque permite obtener datos relevantes entre cantidades de información, es deficiente para analizar datos geográficos, por lo que ha surgido SOLAP, que brinda métodos de tratamiento especial para datos espaciales. La minería de datos se ha venido adaptando dentro de las empresas con el fin de realizar exploración y análisis de datos enfocados en el descubrimiento del conocimiento. Dada la importancia que la información espacial está tomando, surge la minería de datos espacial. Este proceso permite descubrir patrones útiles e inesperados dentro de los datos. Las técnicas de minería de datos espacial se aplican para extraer conocimiento a partir de grandes volúmenes de datos, los cuales pueden ser de tipo espacial y no espacial. Entre ellas se encuentran generalización, agrupación, asociación espacial, entre otras.ABRIL, D. y PÉREZ, J. Estado actual de las tecnologías de bodega de datos y OLAP aplicadas a bases de datos espaciales. Revista Ingeniería de Investigación. 2007, vol. 27, núm.1, pp. 58-67. ISSN 0120-5609.
AGRAWAL, R.; IMIELINSKI, T. y SWAMI, A. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data. 1993, pp. 1-4.
AL-HAMAMI, A.; MOHAMMAD, A. y HASSAN, S. Applying data mining techniques in intrusion detection system on web and analysis of web usage. Information Technology Journal. 2006, vol. 5, núm. 1, pp. 1-4.
ASSAF, S.; RAN, W. y DAN, T. A high-performance distributed algorithm for mining association rules. In The Third IEEE International Conference on Data Mining (ICDM’03). Melbourne, 2003.
BALTZER, O. Spatial OLAP and data mining. 2006 [web en línea]. <http://www.cs.dal.ca/news/def-1808.shtml>. [Consulta: 15-04-2008].
BÉDARD, Y.; PROULX, M. J. y RIVEST, S. Enrichissement du OLAP pour l’analyse géographique: exemples de réalisation et différentes possibilités technologiques. En BENTAYEB,
F.; BOUSSAID, O.; DARMONT, J. y RABASEDA, S. (Eds.). Entrepôts de Données et Analyse en ligne, RNTI B_1. Paris: Cépaduès, 2005, pp. 1-20.
BOHÓRQUEZ, J. E. Aproximación metodológica de un Spatial Data Warehouse. 2000 [documento en línea]. < http://proceedings.esri.com/library/userconf/latinproc00/colombia/spatial_data.pdf>. [Consulta 20-04-2009].
BRAMER, M. Date for data mining. En Principles of data mining. London: Springer, 2007, pp. 11-20.
CBR. Spatial business intelligence. 2005 [web en línea]. <http://www.cbronline.com/article_cbr. asp?guid=8D70BDDB-616B-4D66-8D8F-5FFCCD9AF431>. [Consulta: 15-04-2008].
CHEUNGI, D. et al. Maintenance of discovered association rules in large databases: an incremental updating technique. Proceedings of ICDE. 1996, pp. 1-3.
DOMINGO, P. y LOWD, D. Naive bayes models for probability estimation. ACM International Conference Proceeding Series. 2005, vol. 119, pp. 529-536.
EUN-JEONG, S. et al. A spatial data mining method by clustering analysis. Proceedings of the 6th International Symposium on Advances in Geographic Information Systems. Washington, 6-7 de noviembre de 1998.
GIRALDO, R. Análisis exploratorio de variables regionalizadas con métodos funcionales. Revista Colombiana de Estadística. 2007, vol. 30, núm. 1, pp.115-127.
GONZALES, M. Spatial business intelligence. The spatial & visual components for effective BI Documento en línea]. 2004. <http://www.brio.nl/files/SpatialBI-v4-1-Generic_01.pdf> [Consulta: 10-05-2008].
HAN, J.; KAMBER, M. y TUNG, A. Spatial clustering methods in data mining: a survey. En MILLER, H. y HAN, J. Geographic data mining and knowledge discovery. London: Taylor and Francis, 2001.
HAN, J. y KAMBER, M. Data mining: Concepts and techniques. 7th. ed. Morgan Kaufmann, 2006.
HARMS, S. K.; DEOGUN, J. y GODDARD, S. Building knowledge discovery into a geo-spatial decision support system. Proceedings of the 2003 ACM symposium on Applied Computing, 2003, pp. 445-449.
HERNÁNDEZ, J. et al. Parte 3: Técnica de minería de datos. En Introducción a la minería de datos. New York: Pearson Prentice Hall, 2007, pp. 281-351.
HSU, W.; LI, M. y WANG, J. Parte 1: Spatial data mining introduction. Temporal and spatiotemporal data mining. Hershey: Igi Publishing, 2008, pp. 1-10.
INMON, W. H. Parte 2. The data warehouse environment. En Building data warehouse. 4th ed. Indianapolis: Wiley, 2005, pp. 9-46.
KURGAN, L. y MUSILEK, P. A survey of knowledge discovery and data mining process models. The Knowledge Engineering Review. 2006, vol. 21, núm. 1, pp. 1-24.
LUTU, P. An integrated approach for scaling up classification and prediction algorithms for data mining. ACM International Conference Proceeding Series, 2002, vol. 30, pp. 110-117.
MALINOWSKI, E. y ZIMÁNKY, E. Parte 2. Introduction to databases and data warehouse. En Advanced data warehouse design: from conventional to spatial and temporal applications. Berlin: Springer, 2008, pp. 16-51.
—. Representing spatiality in a conceptual multidimensional model. Proceedings of the 12th ACM Int. Symp. on Advances in Geographic Information Systems, ACM GIS, 2004, pp. 12-21.
MAN, L. Y. y NIKOS, M. Clustering objects on a spatial network. Proceedings of the 2004 ACM SIGMOD International Conference on Management of Data, Paris, 2004.
MARCANO, A.; YELITZA, J. y TALAVERA, R. Minería de datos como soporte a la toma de decisiones empresariales. Revista de Ciencias Humanas y Sociales, 2006, núm. 52, pp. 104-118.
MARTÍN SÁNCHEZ, F.; LÓPEZ CAMPOS, G. y MAOJO GARCÍA, V. Bioinformática y salud: impactos de la aplicación de las nuevas tecnologías para el tratamiento de la información genética en la investigación biomédica y la práctica clínica. Informática y Salud. 1999 [web en línea]. <http://www.seis.es/i_s/i_s19/i_s19l.htm>. [Consulta: 22-03-2008].
MARTIN, E.; KRIEGEL, H.-P. y SANDER, J. Algorithms and applications for spatial data mining. In MILLER, H. y HAN, J. Geographic data mining and knowledge discovery. London: Taylor & Francis, 2001. pp. 1-10.
MARTÍNEZ DE PISÓN, F. et al. Minería de datos en series temporales para la búsqueda de conocimiento oculto en históricos de procesos industriales. I Congreso Español de Informática, Granada, 13-16 de septiembre de 2005.
MATIAS, R. y MOURA-PIRES, J. Spatial On-Line Analytical Processing (SOLAP): A tool the to analyze the emission of pollutants in industrial installations. 2005 [documento en línea]. <http://centria.fct.unl.pt/~jmp/page11/page14/files/EPIA05-RM-JMP.pdf>. [Consulta: 30-03-2008].
MENNIS, J. y LIU, J. W. Mining association rules in spatio-temporal data: an analysis of urban socioeconomic and land cover change. Transactions in GIS, 2005, pp. 1-17.
MORENO, M. et al. Aplicación de técnicas de minería de datos en la construcción y validación de modelos predictivos y asociativos a partir de especificaciones de requisitos de software. 2001 [documento en línea]. <http://www.sc.ehu.es/jiwdocoj/remis/docs/minerw.pdf>. [Consulta: 25-03-2008]
MOSS, L. y ATRE, S. Guide to the development steps. En Business intelligence roadmap: the complete project lifecycle for decision-support applications. New York: Addison Wesley, 2003. 0-201-78420-3.
OLMO, J. y MARTÍNEZ, T. Aplicación de la teoría de variables regionalizadas en la investigación de marketing. Revista Europea de Dirección y Economía de la Empresa. 1992, vol. 1, núm. 1, pp. 125-132.
OLSON, D. y DENLE, D. Parte 2. Data mining methods and tools. Técnicas avanzadas de minería de datos. Berlin: Springer, 2008. pp. 39-144.
PING-YU, H.; YEN-LIANG, C. y CHUN-CHING, L. Algorithms for mining association rules in bag databases. Information Sciences. 2004, vol. 166, pp. 31-35.
RAYMOND T. N. y HAN, J. CLARANS: a method for clustering objects for spatial data mining. IEEE Transactions on Knowledge and Data Engineering. 2002, vol. 14, núm. 5, pp. 1004-1006.
—. Efficient and effective clustering methods for spatial data mining. Proceedings of the 20th International Conference on Very Large Data Bases: September 12-15, 1994.
REINSCHMIDT, J. y FRANCOISE, A. Business intelligence certification guide [Libro en línea]. IBM Redbooks, 2000. <http://www.redbooks.ibm.com/abstracts/sg245747.html>. [Consulta: 25-03-2008]. ISBN e-book 0738415111.
RIVEST, S. et al. SOLAP technology: merging business intelligence with geospatial technology for interactive spatio-temporal exploration and analysis of data. 2005 [Documento en línea]. . [Consulta: 02-04-08].
—. SOLAP: a new type of user interface to support spatio-temporal multidimensional data exploration and analysis. 2003 [documento en línea]. <http://sirs.scg.ulaval.ca/Yvanbedard/article_nonprotege/344.pdf>. [Consulta: 07-04-08].
RODDICK, J. y LEES, B. Paradigms for spatial and spatio-temporal data mining. In MILLER, H. y HAN, J. Geographic data mining and knowledge discovery. London: Taylor & Francis, 2001.
RODDICK, J. F. y SPILIOPOULOU, M. A survey of temporal knowledge discovery paradigms and methods. IEEE Transactions on Knowledge and data engineering. 2002, vol.14, núm. 4, pp. 750-767.
SÁNCHEZ, D.; MIRANDA, M. y CERDA, L. Reglas de asociación aplicadas a la detección de fraude con tarjetas de crédito. En Actas del XII Congreso Español sobre Tecnologías y Lógica Fuzzy, Jaén, 15-17 de septiembre de 2004.
SANTOS, M. y AMARAL, L. Knowledge discovery in spatial databases: the qualitative approach. 2000 [documento en línea]. <http://www.car.busmgt.ulst.ac.uk/papers/santos.pdf>. [Consulta: 10-04-2008].
SAS. ESRI offer solutions for GIS and business intelligence needs. 2004 [web en línea]. <http://www.sas.com/news/preleases/102004/news1.html>. [Consulta: 05-05-2008].
SHEKHAR, S.; ZHANG, P.; HUANG YAN, R. y VATSAVAI R. R. Trends in spatial data mining. En KARGUPTA, H. y JOSHI, A. (Eds.). Data mining: next generation challenges and future directions. AAAI/MIT Press, 2008, pp. 357-380.
SVETLOZAR, N. Mining qualified association rules in distributed databases. En Workshop on data mining and exploration middleware for distributed and grid computing. Minneapolis: University of Minnesota, 2003.
VYAS, R.; KUMAR, L. y TIWARY, U. Exploring spatial ARM (Spatial Association Rule Mining) for geo-decision support system. Journal of Computer Science. 2007, vol. 3, núm. 11, pp. 1-3.
WREMBEL, R. y KONCILIA, C. Parte 1. Modeling and designing. En Data warehouse and OLAP: concepts, architectures and solutions. New York: IRM Press, 2007, pp. 1-58.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2020 María Ximena Dueñas-Reyes