Minería de datos para la predicción en entornos de gestión que manejan datos de alta dimensión: un estudio experimental
Abstract
Los entornos de gestión cuentan con datos generados por sus procesos para la ejecución de sus actividades. Los avances tecnológicos actuales han traído consigo contextos que típicamente trabajan con datos descritos por muchas variables. En particular, existen varios entornos de gestión que basan parte de sus actividades en predicciones realizadas a partir de los datos. La mejora continua de estos entornos de gestión depende significativamente, por tanto, en la mejora de los indicadores que dependen de la exactitud de la predicción. El análisis o minería de esos datos para realizar predicciones es afectado por la gran cantidad de variables presentes, en un fenómeno conocido como “maldición” de la alta dimensión. En la práctica se han identificado tres estrategias generales para lidiar con tal fenómeno. Estas se encuentran a disposición del gestor para la mejora continua de los procesos de su organización, cuando estos incluyen tareas de predicción. Las tres estrategias no han recibido igual atención ni se han desarrollado al mismo ritmo. Existe insuficiente evidencia que permita determinar la factibilidad de la estrategia de predicción mediante ensamblados de modelos, para mejorar los indicadores de gestión en procesos que trabajan con datos de alta dimensión. A través de un estudio experimental, esta investigación aporta la evidencia necesaria para afirmar que la combinación de varios modelos en un ensamblado es la estrategia más prometedora para la mejora continua de los entornos de gestión, en presencia de tareas de predicción a partir de datos de alta dimensión. Most management environments handle data originated through out their activities. Modern technological innovations have induced the appearance of contexts which tipically work with data described by many variables. In particular, several management environments base most of their activities upon predictions deduced from the data. Hence, the continuous improvement of such environments significantly depends on the improvement of those indicators heavily correlated with the prediction accuracy. Such data mining or analysis for prediction is affected by the high number of variables involved, a phenomenon known in the specialized literature as the “curse” of dimensionality. In practice, three general strategies have been identified to deal with this phenomenon. These strategies are available to every manager to approach the continuous improvement of the organization processes where prediction tasks are present. All three strategies have not received the same attention nor have they developed at the same pace. There is insufficient evidence to determine whether or not the prediction by classifier ensembles is a feasible strategy, towards the improvement of those processes wich handle high dimensional data. By means of an experimental study, this research provides enough evidence to claim that combining multiple models in an ensemble is the most promising strategy for the continuous improvement of management enviroments, when dealing with prediction tasks based on high dimensional data.