La minería de datos encuentra patrones en grandes conjuntos de datos. Utiliza estadísticas, aprendizaje automático y técnicas de bases de datos para descubrir relaciones que no son evidentes. Un minorista descubre que los clientes que compran pañales también compran cerveza los viernes por la noche. Un banco descubre que ciertos patrones de transacciones predicen el fraude. Un hospital identifica factores de riesgo de reingreso. Los patrones son reales. Su utilidad depende de cómo se utilicen.

La minería de datos no es lo mismo que el análisis de datos. El análisis pone a prueba hipótesis. La minería las genera. No sabes qué estás buscando. El algoritmo encuentra correlaciones y anomalías. Luego, un humano decide cuáles son importantes. Ese último paso es crucial. Correlación no implica causalidad. Un patrón puede ser espurio. Puede reflejar una variable de confusión. Puede ser un artefacto de datos. La minería produce candidatos, no conclusiones. Las técnicas incluyen agrupamiento, clasificación, regresión, reglas de asociación y detección de anomalías. Cada una se adapta a diferentes problemas. Las herramientas se han vuelto accesibles. Las bibliotecas de Python y los servicios en la nube permiten a los analistas ejecutar algoritmos complejos sin necesidad de conocimientos especializados. El riesgo es el mal uso. Ejecutar mil modelos y elegir el que da el mejor resultado no es descubrimiento. Es sobreajuste. El patrón debe mantenerse con nuevos datos para ser real.

Técnicas de minería de datos

• Agrupación: agrupar registros similares
• Clasificación: asignar registros a categorías
• Reglas de asociación: encuentra elementos que coocurren
• Regresión: modela las relaciones entre variables.
• Detección de anomalías: identificar registros inusuales

La minería de datos encuentra patrones. Los humanos deciden qué significan. El algoritmo es una herramienta, no un oráculo.