1. Introducción

Sistematización teórica de minería de datos en el área de marketing

Las empresas en el pasado tomaban sus decisiones de negocios de acuerdo a sus procesos ( Gutierrez-Camelo, Devia-Llanos, & Tarazona-Bermudez, 2016), pero en la actualidad, y gracias al avance tecnológico, existen herramientas informáticas que apoyan en la ejecución de los negocios y la toma de decisiones, conociéndose qué datos se deben recopilar, gestionar y en qué contexto utilizarlos ( Xie & Zhou, 2008). Sin embargo, la problemática radicaba en analizar e interpretar los grandes volúmenes de datos y convertirlos en información de calidad para utilizarla en las empresas; así como, en la capacidad de almacenamiento limitada y la necesidad de procesar los datos en tiempo real.

En ese sentido, la inteligencia de negocios o en inglés Business Intelligence (BI) se refiere a la habilidad para convertir datos en información, y ésta a su vez en conocimiento, para apoyar a las empresas en la toma de decisiones, identificar sus tendencias, oportunidades y amenazas, y competir con otras empresas u organizaciones ( Riofrio, Encalada, Guaman, & Aguilar, 2015; Medina, Sarzosa, & Ortiz, 2016; Rosado-Gómez & Rico-Bautista, 2010). Además, el BI permite el cálculo eficiente del valor de las variables de gestión de riesgos y la comparación entre variables y umbrales ( Cuihua & Shiquan, 2008), apoya y desarrolla procedimientos para la toma de decisiones ( Dinter & Lorenz, 2012); razón por la cual, las empresas al utilizar la inteligencia de negocios, aprovechan los datos de los clientes y usuarios para definir estrategias adecuadas para esos clientes, sus deseos y necesidades; así como, analizar y tomar decisiones oportunas en entornos de riesgo.

Dentro del BI, se maneja el término Big Data que se refiere a la recolección de datos tanto de fuentes tradicionales como de fuentes digitales no tradicionales, y conlleva una fuente para posteriores descubrimientos, análisis y aplicaciones ( Arthur, 2013). De forma similar, otra de las herramientas es la minería de datos ( Barrera-Cuesta, 2009), la cual es una tecnología de BI que utiliza modelos para obtener conocimientos de los datos recolectados ( Witten & Frank, 2005). A su vez, estima la probabilidad de que ocurra un evento, como complemento a los juicios cualitativos de los gerentes ( Rezaee, Sharbatoghlie, Elam, & McMickle, 2002). Por consiguiente, para que las empresas u organizaciones sobrevivan y puedan competir en un mercado variable y saturado de otras empresas rivales, gestionar la información a través de la minería de datos resulta una herramienta clave para la toma de decisiones empresariales y para determinar patrones de comportamiento de los clientes, enfocándose en ellos las estrategias y acciones de marketing.

Con base a estos antecedentes, la investigación se encamina a realizar una sistematización teórica de minería de datos en el área de marketing, puesto que aún no se cuenta con suficiente desarrollo en éste ámbito empresarial.

2. Materiales y métodos

Los elementos teóricos de este trabajo se sustentaron a partir de una revisión bibliográfica en Google Académico y Microsoft Academic Search, recopilándose los aportes más destacados en la inteligencia de negocios (Business Intelligence), a través de la herramienta tecnológica Perish ( Harzing, 2007). La búsqueda se realizó en los idiomas español e inglés de las siguientes palabras clave: inteligencia de negocios (business intelligence), big data, minería de datos (data mining), minería de texto (text mining), análisis de sentimientos (opinion mining), análisis de audio (audio analítics), toma de decisiones (decision making).

Por lo descrito, se encontraron las siguientes métricas de la investigación que muestran el entorno relacional de la inteligencia de negocios, también, la tendencia evolutiva en el tiempo, como se detalla en la Tabla 1.

Cabe indicar que, de un total de 1454 publicaciones sobre el tema de estudio consta un porcentaje superior de artículos y libros en español, que en inglés, con una brecha representativa entre estos idiomas del 29.64% ( ver Figura 1). De forma similar, los índices de citación en español son superiores al idioma inglés ( ver Figura 2). Entonces se evidencia que, existen un mayor número de investigaciones en este idioma referentes a su impacto y sus aplicaciones en diferentes sectores del mercado, y no solo a nivel tecnológico.

Figura 1
Publicaciones en Español vs Inglés
Perish (Harzing, 2007)

Figura 2
Métricas de la investigación
Perish (Harzing, 2007)

3. Resultados

A continuación, se exploran aquellos aportes más significativos que sobresalen en las tendencias identificadas respecto a inteligencia de negocios y específicamente minería de datos en el área de marketing, abarcándose otros términos importantes para su comprensión.

Inteligencia de negocios

La evolución del término inteligencia de negocios conlleva a un aporte no sólo a nivel tecnológico, sino también a nivel empresarial y del cual se despliega una herramienta fundamental para las empresas, la minería de datos. Así, se analizaron los aportes de varios autores:

De los anteriores planteamientos, se deduce que la inteligencia de negocios se refiere a un proceso que permite la recopilación, análisis e interpretación de grandes cantidades de datos para transformarlos en información útil para una organización o empresa; pues apoya a la oportuna toma de decisiones sobre condiciones comerciales, ventas, demanda del cliente, preferencia del producto o servicio y resolución de problemas. También, ofrece información a las partes interesadas sobre el rendimiento y la flexibilidad de la empresa, almacena datos sobre competidores de un sector y apoya al cumplimiento de los objetivos estratégicos. Referente al área de marketing, permite la valoración y estimación de riesgo, proporcionándose alternativas precisas y analiza las relaciones con los clientes.

Big data

Cabe destacar que, de la inteligencia de negocios (business intelligence) se desprenden el análisis de big data y minería de datos. De esta forma, big data es una colección de conjuntos de datos muy grandes con una gran diversidad de tipos y de difícil procesamiento mediante plataformas de procesamiento de datos tradicionales ( Philip-Chen & Zhang, 2014). A su vez, su análisis se considera como un subproceso dentro del proceso general de obtención de ideas de una gran cantidad de datos ( Fan & Bifet, 2013; Gandomi & Haider, 2015). En consecuencia, el análisis de big data permite una toma de decisiones basada en evidencias e implementación de soluciones, puesto que las empresas necesitan procesos eficientes para convertir grandes volúmenes de datos rápidos y diversos en percepciones significativas ( Gandomi & Haider, 2015). Además, en el área de marketing de acuerdo a ( Erevelles, Fukawa, & Swayne, 2016), captura datos abundantes sobre el comportamiento del consumidor en tiempo real y encuentra patrones ocultos en los datos; porque éstos brindan información conductual sobre los consumidores y los especialistas en marketing traducen esas ideas en la ventaja dentro del mercado.

Minería de datos

El análisis de big data conlleva a la minería de datos (data mining), con el cual se extrae patrones de datos; como se muestra en el cuadro 3.

Por las consideraciones anteriores, la minería de datos (data mining) se refiere a la identificación y extracción de patrones de datos, para después analizar esa información oculta en grandes cantidades de datos. De este modo, ayuda a las organizaciones a discernir patrones en datos que tardarían años en descubrir utilizando técnicas más antiguas (Mauldin & Ruchala, 1999). Por esta razón, al utilizar ésta herramienta del BI se logra la optimización del tiempo y el aprovechamiento óptimo de los recursos empresariales.

Por ello, una de las herramientas que permite aprovechar al máximo información relevante para crear estrategias de marketing es la minería de datos; como se detalla a continuación

Por consiguiente, la minería de datos en el área de marketing se refiere a un proceso de negocios con el cual apoya a la exploración y el análisis de grandes cantidades de datos para descubrir patrones de comportamiento de los clientes. De ahí, ésta herramienta ha sido ampliamente utilizada para identificar potenciales clientes de un nuevo producto o servicio, relacionándose la minería de datos con el marketing directo ( Rivero-Pérez, Peñate-Santana, & Martínez-López, 2016).

Además, para el establecimiento y mantención de la relación con los clientes, es necesario cambiar los métodos de selección intuitiva y tradicional de grupos, por procesos más automatizados de grandes volúmenes de datos ( Karim & Rahman, 2013; Setnes & Kaymak, 2001). Por tanto, es una herramienta vital dentro de las empresas y específicamente en el área de marketing, para obtener respuestas rápidas y concisas que permitan escoger a los clientes potenciales que responderán a una nueva oferta de productos o servicios.

En consecuencia, con el aporte de las Tecnologías de la Información y Comunicación TIC las empresas están adoptando estrategias de marketing directo mediante la minería de datos, con el objetivo de identificar a los clientes potenciales de sus productos y/o servicios, evitándose gastos innecesarios de recursos y tiempos, así como esfuerzos en campañas publicitarias masivas.

Por ello, los autores Rivero-Pérez et al. ( 2016) proponen una plataforma para el procesamiento de datos de clientes procedentes de diferentes fuentes, involucrándose el análisis de datos en tiempo real y facilitándose tareas como la simulación de los entornos distribuidos y la codificación de los datos.

Similarmente, en referencia a Hand ( 2007), se pueden utilizar en los datos de un supermercado, la información se recopila para calcular la factura que se cobra al cliente; después, los datos almacenados se envían al análisis en busca de patrones de transacción de los clientes y utilizarse en futuras estrategias de marketing.

Cabe agregar que, la agrupación puede ayudar a los especialistas en mercadotecnia a descubrir grupos distintos y caracterizar grupos de clientes según los patrones de compra en los negocios ( Vasumathi et al., 2012).

Resulta oportuno, resaltar que de la minería de datos, se desprenden varias técnicas, como: minería de texto (text mining), que se refiere a técnicas que extraen información de datos textuales de fuentes empresariales (redes sociales, correos electrónicos, blogs, foros en línea, respuestas de encuestas, documentos corporativos, noticias y registros de centros de llamadas), ( Gandomi & Haider, 2015). Además, permite a las empresas convertir grandes volúmenes de texto generado por el hombre en concordancias significativas, que respaldan la toma de decisiones basada en la evidencia ( Chung, 2014). Un ejemplo en el área de revisiones de viajes, la minería de texto se ha utilizado para clasificar las reseñas agradables de los clientes satisfechos y las críticas desagradables de los clientes insatisfechos ( García-Barriocanal, Sicilia, & Korfiatis, 2010); identificándose las categorías de revisión de acuerdo a las emociones para las revisiones en español ( Berezina, Bilgihan, Cobanoglu, & Okumus, 2016).

Por tanto, aplicar la minería de texto en aspectos de marketing es crucial para determinar la satisfacción de los clientes o usuarios en medios digitales.

Otra técnica que actualmente las empresas utilizan para capturar cada vez más datos sobre los sentimientos de sus clientes, es el análisis de sentimientos (opinion mining) que analiza el texto comentado, que contiene las opiniones de las personas hacia entidades, tales como productos, organizaciones, individuos y eventos ( Liu, 2012).

El marketing, las finanzas y las ciencias políticas y sociales son las principales áreas de aplicación del análisis de sentimientos, que tienen dos clases: negativo y positivo, otras incorporan más clases de sentimientos (como el sistema de cinco estrellas de Amazon), ( Feldman, 2013). Por ejemplo, las revisiones de productos de los clientes generalmente contienen comentarios sobre diferentes aspectos o características de un producto ( Gandomi & Haider, 2015).

Así mismo, los autores Pekar & Ou ( 2008), desplegaron la minería de opinión e investigaron la relación entre las expresiones subjetivas y las referencias a las características de habitaciones de hoteles. Entonces, el análisis de sentimientos se puede aplicar en el área de marketing, determinándose qué características o atributos de un producto o servicio son valoradas por los clientes. También se pueden aplicar en medios sociales como las fanpages para conocer los sentimientos de los usuarios frente a productos, servicios, marcas, empresas y también personas, como figuras públicas.

En concordancia, el análisis de audio (audio analítics) analiza y extrae información de datos en formato audio no estructurados, que al aplicarlo en el lenguaje humano hablado, se conoce como análisis de voz. Por ejemplo, los centros de atención al cliente (call center) y la atención médica son las principales áreas de aplicación de análisis de audio; permitiendo la mejora de la experiencia del cliente, evaluar el rendimiento del agente, mejorar las tasas de rotación de ventas, supervisar las políticas de confidencialidad, obtener información sobre el comportamiento del cliente e identificar problemas de productos o servicios ( Gandomi & Haider, 2015).

Así, gracias al análisis de audio se definen estrategias de marketing enfocadas en la satisfacción del cliente, respecto a las ventas, los productos y la percepción del servicio, así como en la atención al cliente en una empresa.

Es evidente entonces, que la minería de datos tiene diferentes aportes dentro del marketing. Sin embargo, el objetivo primordial es la toma de decisiones, para lo cual se detalla a continuación los aportes más destacados de este término relacionado a la minería de datos:

Por consiguiente, la toma de decisiones son las acciones inmediatas que se utilizarán para solucionar un problema. Este proceso se realiza de forma implícita y de forma estructurada. Además, se debe establecer el problema, definir las metas y objetivos, buscar las alternativas de solución, seleccionar y ejecutar esa solución, y finalmente evaluar y medir dicha solución.

Por ello, la minería de datos apoya en la toma de decisiones, puesto que se extraen los datos de interés y se seleccionan las alternativas adecuadas para una empresa, evitándose las decisiones erróneas, minimizándose los riesgos y aprovechándose los recursos.

4. Conclusiones

En resumen, la inteligencia de negocios apoya en una oportuna toma de decisiones sobre condiciones comerciales, ventas, demanda del cliente, preferencia del producto o servicio y resolución de problemas. Además, en el área de marketing permite la valoración y estimación de riesgos, proporcionándose alternativas precisas mediante el análisis de las relaciones con los clientes.

La minería de datos es una herramienta vital dentro de las empresas y específicamente en el área de marketing, para obtener respuestas rápidas y precisas que permitan escoger a los clientes potenciales que responderán a una nueva oferta de productos o servicios, determinar patrones de comportamiento y compra de los clientes. Así mismo, apoya en la toma de decisiones, puesto que se extraen los datos de interés y se seleccionan las alternativas adecuadas para una empresa, evitándose las decisiones erróneas, minimizándose los riesgos y aprovechándose los recursos.

En definitiva, la minería de datos posee varias técnicas como la minería de texto, análisis de sentimientos y análisis de audio, las cuales apoyan en la percepción del servicio, calidad en la atención y satisfacción de los clientes a través de medios y canales sociales.

5. Referencias bibliográficas

1. Arthur, L. (2013). Big data marketing. Hoboken, New Jersey: Wiley.

2. Barrera-Cuesta, C. A. (2009). Las TIC como fuente primaria de información estadística. El caso del comercio electrónico. Transdisciplinary Research Group of Social Sciences-Metodo, 59, 18.

3. Bayus, B. L. (2013). Crowdsourcing new product ideas over time: an analysis of the Dell IdeaStorm community. Management Science, 59(1), 226-244.

4. Berezina, K., Bilgihan, A., Cobanoglu, C., & Okumus, F. (2016). Understanding Satisfied and Dissatisfied Hotel Customers: Text Mining of Online Hotel Reviews. Journal of Hospitality Marketing & Management, 25(1), 1-24. https://doi.org/10.1080/19368623.2015.983631

5. Berson, A., Smith, S., & Thearling, K. (2000). Building data mining applications for CRM. Mc Graw Hill.

6. Chung, W. (2014). BizPro: Extracting and categorizing business intelligence fac-tors from textual news articles. International Journal of Information Management, 34(2), 272?284.

7. Contreras-Chinchilla, L. del C., & Rosales-Ferreira, K. A. (2016). Analysis of the behavior of customers in the social networks using data mining techniques. En 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 623-625). San Francisco, CA, USA: IEEE. https://doi.org/10.1109/ASONAM.2016.7752301

8. Cuihua, H., & Shiquan, Y. (2008). Research on Business Intelligence for Securities Companies? Risk Management. IEEE.

9. Dinter, B., & Lorenz, A. (2012). Social Business Intelligence: a Literature Review and Research Agenda (pp. 1-21). Presentado en Thirty Third International Conference on Information Systems.

10. Erevelles, S., Fukawa, N., & Swayne, L. (2016). Big Data consumer analytics and the transformation of marketing. Journal of Business Research, 69(2), 897-904. https://doi.org/10.1016/j.jbusres.2015.07.001

11. Fan, W., & Bifet, A. (2013). Mining big data: current status, and forecast to the future. ACM SIGKDD Explorations Newsletter, 14(1), 1-5.

12. Feldman, R. (2013). Techniques and applications for sentiment analysis. Communications of the ACM, 56(4), 82?89.

13. Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007

14. García-Barriocanal, E., Sicilia, M. A., & Korfiatis, N. (2010). Exploring hotel service quality experience indicators in user-generated content: A case using Tripadvisor data (Vol. 33). Presentado en In Mediterranean Conference on Information Systems (MCIS) 2010 Proceedings, Israel: Tel Aviv, AIS Electronic Libary (AISeL).

15. Gutierrez-Camelo, A. A., Devia-Llanos, M. A., & Tarazona-Bermudez, G. M. (2016). Research inteligencia de negocios: estudio de caso sector tecnológico colombiano. Redes de Ingeniería, 7(2), 156. https://doi.org/10.14483/udistrital.jour.redes.2016.2.a05

16. Hand, D. J. (2007). Principles of Data Mining (Vol. 30 (7), pp. 621-622). Presentado en Drug Safety. https://doi.org/0114-5916/07/0007-0621/$44.95/0

17. Harzing. (2007). Perish. Recuperado de

18. Karim, M., & Rahman, R. M. (2013). Decision Tree and Naïve Bayes Algorithm for Classification and Generation of Actionable Knowledge for Direct Marketing. Journal of Software Engineering and Applications, 6, 196-206.

19. Ling, C. X., & Li, C. (1998). Data Mining for Direct Marketing: Problems and Solutions, 7.

20. Linoff, G. S., & Berry, M. J. A. (2011). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. Estados Unidos: John Wiley & Sons.

21. Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis Lectures on HumanLanguage Technologies, 5(1), 1?167.

22. Mauldin, E. G., & Ruchala, L. V. (1999). Towards a meta-theory of accounting information systems. Acc. Organ. Soc., 24(4), 317?331.

23. Medina, R. P., Sarzosa, E. S., & Ortiz, A. P. (2016). Aplicación de inteligencia de negocios apoyado en Powerpivot. En 1o Congreso Internacional Virtual Desafíos de las empresas del siglo XXI (p. 11). Málaga, España: eumed.net Universidad de Málaga.

24. Mayer-Schonberger, V., & Cukier, K. (2013). Big data. Boston: MA: Houghton Mifflin Harcourt.

25. Ngai, E. W. T., Xiu, L., & Chau, D. C. K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36(2), 2592-2602. https://doi.org/10.1016/j.eswa.2008.02.021

26. Pekar, V., & Ou, S. (2008). Discovery of subjective evaluations of product features in hotel reviews. Journal of Vacation Marketing, 14(2), 145?155.

27. Philip-Chen, C. L., & Zhang, C.-Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on Big Data. Information Sciences, 275, 314-347. https://doi.org/10.1016/j.ins.2014.01.015

28. Rezaee, Z., Sharbatoghlie, A., Elam, R., & McMickle, P. L. (2002). Continuous auditing: building automated auditing capability. Audit. J. Pract. Theory, 21(1), 147?163.

29. Riofrio, G., Encalada, E., Guaman, D., & Aguilar, J. (2015). Business intelligence applied to learning analytics in student-centered learning processes. En 2015 Latin American Computing Conference (CLEI) (pp. 1-10). Arequipa, Peru: IEEE. https://doi.org/10.1109/CLEI.2015.7360045

30. Rivero-Pérez, J. L., Peñate-Santana, Y., & Martínez-López, P. H. (2016). Proposal of data processing platform for direct marketing data. Revista Universidad y Sociedad, 8, 65-71.

31. Rosado-Gómez, A. A., & Rico-Bautista, D. W. (2010). Inteligencia de negocios: estado del arte. Scientia et Technica Año XVI, 321-326.

32. Bayus, B. L. (2013). Crowdsourcing new product ideas over time: an analysis of the Dell IdeaStorm community. Management Science, 59(1), 226-244.

33. Berson, A., Smith, S., & Thearling, K. (2000). Building data mining applications for CRM. Mc Graw Hill.

34. Contreras-Chinchilla, L. del C., & Rosales-Ferreira, K. A. (2016). Analysis of the behavior of customers in the social networks using data mining techniques. En 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 623-625). San Francisco, CA, USA: IEEE. https://doi.org/10.1109/ASONAM.2016.7752301

35. Ling, C. X., & Li, C. (1998). Data Mining for Direct Marketing: Problems and Solutions, 7.

36. Linoff, G. S., & Berry, M. J. A. (2011). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. Estados Unidos: John Wiley & Sons.

37. Mayer-Schonberger, V., & Cukier, K. (2013). Big data. Boston: MA: Houghton Mifflin Harcourt.

38. Ngai, E. W. T., Xiu, L., & Chau, D. C. K. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36(2), 2592-2602. https://doi.org/10.1016/j.eswa.2008.02.021

39. Rygielski, C., Wang, J.-C., & Yen, D. C. (2002). Data mining techniques for customer relationship management. Technology in Society, 24, 483?502. https://doi.org/Rygielski, C., Wang, J.-C., & Yen, D. C. (2002). Data mining techniques for customer relationship management. Technology in Society, 24(4), 483?502. doi:10.1016/s0160-791x(02)00038-6

40. Samiei, R., Kouhzadi, F., MirHesami, A., & Dadi, M. A. (2018). Design banking customer? behavior in Social Media by Theory Mining Method. Amazonia Investiga, 7(12), 203-209.

41. Setnes, M., & Kaymak, U. (2001). Fuzzy modeling of client preference from large data sets: an application to target selection in direct marketing. Fuzzy Systems. IEEE Transactions on, 9(1), 153-163.

42. Vasumathi, D., Chandrashekar-Reddy, P., & Sucharitha, Y. (2012). Analysis of clustering algorithms. International Journal of Emerging Trends in Engineering and Development, 4(2), 7.

43. Witten, I. H., & Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. San Francisco, Estados Unidos: Morgan Kaufmann Publishers.

44. Xie, Q.-S., & Zhou, G.-X. (2008). Developing a Framework for Business Intelligence Systems Based on RosettaNet Frame. En 2008 4th International Conference on Wireless Communications, Networking and Mobile Computing (pp. 1-4). Dalian, China: IEEE. https://doi.org/10.1109/WiCom.2008.2130