Clase 01

M.C. José Concepción Roberto Olvera López · 1 sep 2026 · Temas 1 y 2 — introducción a la minería de datos y al proceso KDD (con 5 casos de estudio de los equipos) y arranque de la arquitectura de minería de datos.

En corto

Tres tareas base: regresión (predecir un número, p. ej. demanda), agrupamiento / clustering (grupos con comportamiento parecido) y clasificación (asignar categorías, p. ej. demanda alta / media / baja).
Flujo general: datos crudos → modelos de minería → patrones → predicciones → mejores decisiones de negocio.
Datos internos (dependen de la empresa: fecha, producto, cantidad, precio, sucursal, inventario, promociones) vs. externos (festivos, clima, eventos).
Preparación de datos: limpieza (duplicados por regla de unicidad; faltantes por extrapolación o eliminación), outliers (eventos atípicos, no errores) y transformación (generalización, suavizado, normalización a [0, 1]).
Cada modelo se valida: regresión con un error de estimación ≤ 10 %; clustering con la consistencia de cada sucursal; el modelo de operación con la cobertura de la demanda alta/media/baja.
Tema 2: la minería vive sobre un ecosistema heterogéneo de tecnologías (nube ≈ 70 % de los datos corporativos) y sobre repositorios (más amplios que una base de datos: TB–PB, estructurado y no estructurado, con metadata y control de acceso).

🎯 Para el examen y proyectos

Diagrama arquitectónico: se exige saber representar cómo las tecnologías de minería y el equipo analítico se conectan y consumen los servidores de datos corporativos. En clase se verán 4–5 diagramas de referencia para aprender a modelarlos.
Proyecto 2 del curso: 1) el profesor asigna a cada equipo un proveedor de base de datos (Oracle, Amazon, etc.); 2) el equipo investiga a fondo y hace una presentación para "vender" esa plataforma a la clase; 3) los demás equipos actúan como clientes evaluadores y califican viabilidad, costo y propuesta; 4) se usan empresas / entornos nuevos, no los del Proyecto 1.

Las tres tareas y el flujo del proceso

Regresión — modela cómo las variables independientes afectan a una variable numérica (p. ej. relación entre ventas y demanda). Explica el efecto de cada variable sobre el producto.
Agrupamiento / clustering — identifica grupos de productos o sucursales con comportamiento semejante; analiza tendencias por sucursal.
Clasificación — asigna categorías (p. ej. clasificar la demanda de una sucursal en alta, baja o media). Los árboles de decisión ayudan a prever si un día tendrá alta demanda para preparar la producción.

Cadena de valor: datos crudos → modelos → patrones → predicciones → mejores decisiones.

Datos internos y externos (ejemplo: los pastes de Pachuca)

Internos (dependen de la empresa): fecha, producto, cantidad vendida, precio, sucursal, inventario, promociones.
Externos (factores ajenos): calendario de días festivos, clima (el antojo de pastes calientes sube con el frío de Pachuca), eventos especiales.

Fases de preparación de datos

Limpieza. Eliminar duplicados con una regla de unicidad: combinar campos que identifican la transacción (fecha + lugar + tipo de compra) para detectar redundancias por fallas eléctricas o respaldos. Los valores faltantes (captura manual, fallas de equipo) se tratan con extrapolación estadística o eliminación directa del registro.
Outliers (valores atípicos). No son errores: son eventos con condiciones distintas a las normales (p. ej. un pico de ventas de pastes cuando juegan "Los Tuzos" en Pachuca). Se identifican y se les da un tratamiento aparte.
Transformación. Adecuar los datos para que los modelos sean más eficientes:
- Generalización: agrupar días en semanas, meses o años.
- Suavizado: reducir picos agudos para analizar la distribución.
- Normalización: escalar los valores numéricos a un rango fijo, típicamente [0, 1].

Validación (según el tipo de modelo)

Regresión: error de estimación ≤ 10 % para evitar mermas o sobreproducción.
Clustering: que las agrupaciones por sucursal sean consistentes con el comportamiento típico de esa sucursal.
Modelo de operación: que cubra correctamente la demanda alta, media y baja.

En el audio quedó un término sin identificar ("GS", para "ver tendencias por sucursal") y frases fragmentadas de los expositores; el resto del contenido se pudo reconstruir del contexto.

Casos de estudio KDD de los equipos

Cada equipo aplicó el proceso KDD (entender el negocio → datos → limpieza → transformación → algoritmos → validación) a una empresa real:

Caso	Problema	Algoritmos	Validación
Retail — inventario y venta cruzada (Equipo 7)	Fuga de capital por sobrestock de baja rotación; ventas perdidas por desabasto de alta demanda	FP-Growth para market basket analysis (venta cruzada, reglas cross-selling); regresión para pronóstico de demanda por zona y periodo	Reglas de asociación, análisis de ROI, monitoreo de precisión, evaluación empresarial
Netflix — retención de usuarios (Equipo 2)	Fatiga de contenido y cancelación (churn) en los primeros 30 días; cold start (usuario nuevo sin historial → recomendaciones genéricas)	Regresión logística (predicción de churn, fácil de interpretar); K-Means (segmentar: maratonistas, ocasionales, indecisos); Apriori (géneros consumidos juntos)	Metas: bajar cancelación de 20 % a 12 %, +20 % de tiempo de reproducción; variables derivadas: tiempo de decisión = inicio de reproducción − inicio de sesión; tasa de finalización = minutos vistos / duración total
Jugos Boing — expansión internacional (Cooperativa Pascual)	No saber a qué países expandirse; riesgo de invertir a ciegas (EE. UU. concentra el 41 % de las exportaciones)	K-Means (agrupar países por nivel comercial, valor de mercado, costo logístico); Apriori (patrones de sabor: zonas con migrantes mexicanos aceptan guayaba); árboles de decisión / regresión logística (score de viabilidad); series de tiempo (demanda mensual por país); modelo prescriptivo (sabor óptimo bajo presupuesto y NOM-051)	Recall y matriz de confusión; Lift en reglas de asociación; MAE en regresión (error < 20 %); validación cruzada contra overfitting; explicabilidad SHAP / LIME; comparación con baseline (promedio móvil) para justificar el modelo complejo
Mercado Libre — última milla (Equipo PMA)	Costos altos y entregas fallidas en zonas rurales, serranas e insulares de difícil acceso	Muestreo estratificado (solo zonas inaccesibles); Expectation-Maximization (EM) para estimar coordenadas cuando se pierde GPS; PCA (sintetizar clima, INEGI y demografía en componentes); clustering jerárquico (microzonas logísticas); priorización de reintentos (el fallido pasa a primer punto de la siguiente ruta); SARIMA (demanda estacional, p. ej. Navidad); VRP (moto / auto / camión según terreno)	MAE y RMSE (costos); precisión y recall (intentos de entrega); índice de silueta (consistencia de microzonas); backtesting con histórico; explicabilidad SHAP
Zara — inventario global (Equipo 8, Inditex)	Punto de equilibrio del stock: sobrestock inmoviliza capital; stockout genera ventas perdidas	Series de tiempo (demanda futura, estacionalidad, tendencias de color/print por región y clima); regresión lineal (sensibilidad de la demanda a precio y descuento); árboles de decisión (tendencia por color/tipo de prenda). Atributo derivado: indicador de rotación	Métricas estándar de precisión de la regresión + validación empresarial de la rentabilidad de las compras

Tema 2 — Arquitectura de minería de datos (arranque)

Minería de datos (definición formal del profesor): "proceso de análisis de grandes conjuntos de datos". Los datos son "la carnita, la esencia, el argumento" de cualquier análisis o decisión industrial.

Ecosistema heterogéneo: las empresas operan con un "mix de tecnologías": AWS, Google Cloud, Azure, SAP, bases relacionales (Oracle, SQL Server), Excel, y entornos analíticos masivos (Hadoop, Data Warehouses). Hoy ≈ 70 % de la información corporativa global vive y se procesa en la nube; la migración va de servidores locales (on-premises) a Data Warehouses y Data Lakes en la nube.

Taxonomía de bases de datos especializadas:

Blockchain — base de datos de cadena de bloques.
Espaciales — coordenadas, distancias y áreas geográficas en tiempo récord (mapas, logística).
Columnares — lectura/escritura analítica masiva a gran velocidad (p. ej. Amazon Redshift); surgieron hace ~15–20 años ante los límites de las relacionales; soportan transacciones críticas con Two-Phase Commit.
Gráficas.
Documentales — grandes volúmenes de documentos (historiales médicos, leyes, periódicos, libros) con búsqueda conceptual inmediata.
Series de tiempo.
Vectoriales — textos, archivos e imágenes representados como vectores; búsquedas de similitud muy veloces (a qué imágenes se parece una imagen de entrada); base de la IA moderna.
En memoria (in-memory) — toda la base reside en RAM en vez de disco → velocidad muy superior.

Arquitectura de datos, seguridad y repositorios

Arquitectura de base de datos: el diseño de esquemas y diagramas que integran redes, servidores y conexiones para mapear cómo fluyen, se integran y se rescatan los datos que alimentan los modelos.
Gobernanza de seguridad (gran avance en los últimos 15 años): acceso restringido por usuario y hasta por columna (un analista ve nombres de empleados pero no salarios), por horario (p. ej. solo de 9:00 a 10:00), firewalls y auditoría automática con alarmas ante cualquier intento de alterar transacciones.
Acceso en tiempo real: imprescindible en finanzas, retail, análisis bursátil y sensores IoT, donde el retraso impide reaccionar al mercado.
Repositorio de datos: contenedor (físico o digital, local o global) que almacena grandes volúmenes con estructura y jerarquía definidas, con metadata obligatoria y control de acceso estricto para administrar, auditar y analizar el ciclo de vida de la información.
- Base de datos relacional (Access, SQL Server local): esquema de tablas y relaciones, normalmente hasta gigabytes, enfoque transaccional inmediato.
- Repositorio: concepto más macro (servidores de archivos, data lakes, contenedores); estructurado y no estructurado; terabytes o petabytes; acceso concurrente de miles de usuarios; registro histórico masivo.

Resumen por subtema en los Temas 1 y 2 de la materia.