CURSOS INMOBILIARIOS Y URBANISMO
LIBRERÍA INMOBILIARIA / CURSOS / Pdf/E-Book / E-LEARNING. Servicio GRATUITO.*

CURSOS - LIBRERÍA - Pdf DE LA CONSTRUCCIÓN, URBANISMO E INMOBILIARIO.

BIG DATA INMOBILIARIO

  • Gestión empresarial de la información. 
  • Business Intelligence. Data Mining. 
  • 719 págs. Pdf IMPRIMIBLE. 
'Eche un Vistazo'
Precio 99,9 euros

COMPRAR / 
INFORMACIÓN

INfórmese sin compromiso

SI LO PREFIERE PUEDE CONTACTARNOS MEDIANTE EMAIL
inmoley@inmoley.com
Folleto general de presentación y precios de las guías prácticas (Pdf).
¿QUÉ APRENDERÁ?
Big Data, el valor  de negocio con los datos. 

Herramientas  informáticas del  Business Intelligence.

Acumulación y análisis de datos. Data Mining

La calidad de datos. El proceso KDD Extracción de datos ocultos en bases de datos (KDD)

Ventajas del BIG DATA en el mercado inmobiliario. 

El ‘BIG DATA’ en el urbanismo. Ciudades inteligentes (smart cities). 
 

PONGA A PRUEBA SU CONOCIMIENTO EN LA MATERIA. 
VÍDEO DE JORNADA DE PRESENTACIÓN.
OPINIONES DE CLIENTES.
Somos 3 socios y a medida que crecimos y contratamos personal nos encontramos con que no sabíamos como enfocar el futuro de nuestra empresa o mejorar las relaciones de trabajo. Nos ha sido muy útil porque no es lo mismo un negocio de tres amigos con lo que empezamos que una empresa como la nuestra que ya tiene vida propia. Muy recomendable.

Lorenzo Ruíz

ÍNDICE
Introducción

PARTE PRIMERA

PARTE SEGUNDA PARTE TERCERA PARTE CUARTA PARTE QUINTA
Las herramientas de apoyo a la toma de decisiones de los ejecutivos.
PARTE SEXTA
Inteligencia artificial y Aprendizaje automático.
Introducción
¿Cómo ha transformado el Big Data el sector inmobiliario?
1. Lo más importante está por venir.
2. Un gramo de "oro" de toneladas de "mineral" digital (data mining).
3. La tasación inmobiliaria no se entiende sin el Big Data.
4. Big Data en la publicidad y marketing inmobiliario.
5. Mejora en la toma de decisiones sobre la compra de bienes inmuebles.
6. Detección de zonas ideales para la promoción inmobiliaria.
7. Inversión inmobiliaria con riesgo cero.
8. Internet de las cosas para mejorar la eficiencia y la rentabilidad.
9. Planificación de seguros y análisis del clima
1. Lo más importante está por venir.

La implementación de Big Data en el campo de bienes inmuebles es probable que sea lenta. Sin embargo, muchas empresas inmobiliarias y empresas de desarrollo de software inmobiliario ya están aprovechando los beneficios de esta tecnología para mejorar la eficiencia de los agentes inmobiliarios, simplificar el proceso de búsqueda de viviendas para los clientes y eliminar los costes innecesarios en el desarrollo.

El universo digital se está expandiendo. En 2012 la informática entró en la era Zettabyte. Las redes sociales, dispositivos móviles, datos de dispositivos portátiles, información de negocios son solo algunos tipos de fuentes que pueden generar enormes cantidades de datos. El pronóstico para el volumen de datos creados en todo el mundo muestra que en 2025 alcanzaremos 163 zettabytes. En comparación, la cantidad total de información digital creada por la humanidad en 2009 fue la mitad de un zettabyte. Si ya le sorprende el tamaño de la cantidad de información que se procesa, este es otro hecho interesante. Hoy en día, solo se procesa el 0,5% de todos los datos disponibles. Por eso, lo más importante está por venir.

2. Un gramo de "oro" de toneladas de "mineral" digital (data mining). 

Sin embargo, las tecnologías de Big Data no tienen tanto que ver con el volumen, sino con los enfoques, las herramientas y los métodos de procesamiento de datos que ayudan a extraer un gramo de "oro" de toneladas de "mineral" digital (data mining). 

Durante la última década, las tecnologías de innovación han reformado casi todas las áreas de las actividades de las inmobiliarias, ya sea construyendo un modelo de negocio, utilizando recursos humanos u optimizando los costes. 

3. La tasación inmobiliaria no se entiende sin el Big Data.

Por ejemplo, cualquier inmueble, como propiedad tangible, tiene su valor en el mercado inmobiliario. Es útil saber su precio al realizar cualquier transacción. Como regla general, la evaluación es realizada por expertos tasadores. El Big Data inmobiliario ha realizado ajustes a la situación actual.

Ya hay muchos servicios que hacen una evaluación de la propiedad inmobiliaria aportando una gran cantidad de parámetros. Por ejemplo, a principios de este siglo, el portal Zillow combinó 180 periódicos locales con anuncios de compra y venta en su plataforma, y hoy ofrece un programa llamado Zestimate que valora el precio de venta de una vivienda y la renta de su alquiler. 

4. Big Data en la publicidad y marketing inmobiliario. 

Una de las tendencias tecnológicas inmobiliarias más recientes es el uso del Big Data en la publicidad y marketing inmobiliario. Casi el 90% de los compradores de viviendas buscan su casa en internet. El portal sabe exactamente qué inmueble está buscando. Cuando un cliente potencial va a una página web elige una búsqueda de parámetros bastante específicos. Gracias al análisis de datos los especialistas en marketing inmobiliario podrán hacerse con los datos de preferencia, la edad, etc.

Dichos datos brindan la oportunidad de hacer un anuncio más personalizado. Por ejemplo, gracias a los algoritmos de análisis de datos, la plataforma Streeteasy de Zillow, un servicio de alquiler de apartamentos en Nueva York, conoce perfectamente a su público y crea campañas publicitarias ingeniosas para todos aquellos que buscan un lugar para vivir en Nueva York.

5. Mejora en la toma de decisiones sobre la compra de bienes inmuebles.

¿Qué suele ver un cliente potencial cuando busca una vivienda para alquilar o comprar? El usuario solo ve la dirección y algunas fotos, mientras que otros datos importantes permanecen ocultos. 

Los filtros avanzados de búsqueda de propiedades y el descubrimiento de información relevante del hogar requieren el procesamiento de una gran cantidad de datos. El portal Trulia brinda la oportunidad de evaluar un apartamento o una casa en términos de una gran cantidad de parámetros. Puede calcular el tiempo para ir al trabajo, dependiendo del tipo de transporte que usa, el promedio de edad de los vecinos, averiguar la cantidad y los tipos de delitos en el área, etc.

6. Detección de zonas ideales para la promoción inmobiliaria.

La ubicación puede considerarse el elemento más importante. El Big Data de bienes inmuebles ayuda a elegir la ubicación óptima teniendo en cuenta su propósito, por ejemplo dónde construir un centro comercial para atraer a más clientes y cómo ubicar un centro de negocios para facilitar el trabajo de los empleados.

Por ejemplo, Deepblocks aplica inteligencia artificial para analizar grandes volúmenes de datos de proyectos inmobiliarios. El proceso de análisis predictivo de bienes inmuebles necesita unos minutos, mientras que anteriormente requería de 3 a 6 meses de trabajo minucioso por parte de muchos expertos en el mercado inmobiliario.

7. Inversión inmobiliaria con riesgo cero.

El análisis de Big Data ofrece una imagen clara de cómo invertir y dónde comprar una propiedad de acuerdo con los conjuntos de datos históricos. Antes invertir en bienes inmuebles era un negocio arriesgado. Pero ahora, con la tecnología del Big Data, a los inversionistas les resulta muy atractivo conocer las perspectivas de los activos que compran en términos de variables demográficas como el suministro de agua, electricidad, tráfico, otros servicios y servicios públicos.

El Big Data ayuda a enmarcar los informes financieros y facilita que los gerentes de carteras y los inversores tomen mejores decisiones al invertir sus fondos.

Dado que la mayoría de las transacciones de fondos se realizan por medios digitales, se debe tener cuidado para evitar cualquier actividad engañosa. Por lo tanto, el Big Data habilita los controles y los puntos de precaución al realizar actividades de transacción de fondos.

8. Internet de las cosas para mejorar la eficiencia y la rentabilidad.

El internet de las cosas (Internet of Things (IoT)) está asociado con la tecnología del Big Data que ayuda a monitorear la propiedad o el edificio. Ayuda a evaluar las mejoras necesarias para alcanzar su eficacia.

9. Planificación de seguros y análisis del clima

De acuerdo con los datos históricos de huracanes y condiciones climáticas catastróficas, el Big Data analiza las restricciones geográficas y evalúa la propiedad a fin de asegurarla.

Estos son los factores clave en función de los cuales Big Data encuentra la solución en el negocio de inversión en bienes inmuebles. 

Estos son algunos de los ejemplos de Big Data que están interrumpiendo en el negocio inmobiliario:

Bowery

Facilita al comprador aspectos clave sobre cada aspecto de la valoración de la propiedad. Ayuda a los profesionales de bienes inmuebles a simplificar el proceso de evaluación que consume tiempo.

Enertiv

Transforma en tiempo real el conjunto masivo de datos de construcción en valor de activos a través de la tecnología IoT como su principal fortaleza.

Coldwell Banker

Coldwell Banker marca su presencia al equipar al equipo de ventas con una aplicación completa para rastrear al comprador en términos de sus intereses y requisitos.

CrediFi

Como su nombre lo indica, se concentran en los datos cruciales para las evaluaciones financieras en la industria de bienes inmuebles comerciales. También ayuda a gestionar un préstamo.

VTS

VTS destaca en la usabilidad de los datos. Se realiza reuniendo los datos cruciales, modificándolos en una fuente de información y, finalmente, convirtiéndolos en un producto accesible para cualquier persona del equipo de la empresa en cualquier tipo de dispositivo.

Jones Lang LaSalle

JLL ayuda a los agentes inmobiliarios aportando datos e información importantes sobre ubicaciones o el tipo de propiedad que están vendiendo. JLL recopila todos los datos y los hace accesibles para que puedan ahorrar su tiempo en lugar de consultar.

Xceligent

Ayuda en el proceso de compra orientado a la investigación. Se unifica la  información del comprador, la investigación de inquilinos y tendencias recientes del mercado. Estos datos se recogen para identificar a los compradores potenciales, los actores del mercado real. 

Pero todo esto es sólo el principio, lo más importante del Big Data inmobiliario está por venir.

PARTE PRIMERA
  • ¿Qué es el Business Intelligence  (Inteligencia de Negocio)?
<
Capítulo 1. 
Business Intelligence  (Inteligencia de Negocio).
1. Todos tenemos mucha información, pero los que triunfan son los que ven las TENDENCIAS entre montañas de información.
a. Para tomar decisiones empresariales hay que tener herramientas de conocimiento. El conocimiento es hoy en día la herramienta más poderosa.
b. El conocimiento hoy en día viene de la tecnología (informática). Los negocios y la tecnología deben entenderse.
3. ¿Qué es el Business Intelligence?
a. Accesibilidad a la información.
b. Apoyo en la toma de decisiones.
c. Orientación al usuario final.
Proceso interactivo
Explorar
Analizar
Información estructurada y datawarehouse
Área de análisis
Comunicar los resultados y efectuar los cambios.
4. El objetivo del Business Intelligence: conseguir información y analizarla.
5. Ya tengo la información en una base de datos, ¿cómo la entiendo? Con una tecnología que se llama DATA MINING.
a. Ayudar a comprender el contenido de una base de datos.
b. Modelado. Conocimiento de base de datos con valor agregado. 
TALLER DE TRABAJO
¿Has utilizado un buscador? Pues ya has hecho “Data Mining”

TALLER DE TRABAJO
No es lo mismo datos (la paja) que información (el trigo).
1. Lo que hace un programa informático de Data Mining es IMITAR el modo de aprendizaje HUMANO.
2. Recopilamos datos (aprender, experiencia).
3. Asimilamos los datos: conocimiento, información.

a. Las 5 “C” de los datos.
  • Contextualizados
  • Categorizados
  • Calculados
  • Corregidos
  • Condensados
b. Parámetros para utilizar la información.
  • Accesibilidad (información de accesibilidad x)
  • Comprensividad (información de comprensividad igual a x)
  • Precisión (información precisa, o de precisión igual a x)
  • Relevancia (información relevante "vs" información superflua)
  • Puntualidad (información de alta/baja puntualidad)
  • Claridad (información de alta/baja ambigüedad)
  • Flexibilidad (información altamente compartible o de x nivel de compartibilidad)
  • Verificabilidad (información de alta o baja verificabilidad)
  • Cuantificabilidad (información cuantificable "vs" información no cuantificable).
4. Interpretamos la información: Conocimiento, sabiduría.

TALLER DE TRABAJO
Arquitecto Big Data, la profesión del futuro.

Capítulo 2. 
Las ventajas del Business Intelligence.
1. Las ventajas del Business Intelligence.
2. Ventajas económicas (ingresos y costes).
3. Ventajas competitivas.
4. Ventajas estratégicas.

TALLER DE TRABAJO
Big Data, el valor  de negocio con los datos. 
1. El volumen de los datos  almacenados en los depósitos  de las empresas ha pasado  de ocupar megabytes y  gigabytes a “petabytes”. 
2. Big Data puede tener las respuestas a todas nuestras preguntas. Es el fin de la teoría. 
3. Las oportunidades: las empresas se pueden beneficiar de Big Data en varias áreas, como  el conocimiento del cliente, marketing, operaciones y gestión del riesgo. 

Áreas que se benefician del Big Data 

• Marketing personalizado utilizando tendencias sociales 
• Visión del negocio precisa 
• Segmentación de los clientes
• Captura de oportunidades en ventas y marketing 
• Toma de decisiones en tiempo real 
• Detección de pérdida de clientes 
• Cuantificación del riesgo 
• Tendencias del sentimiento de mercado
• Comprensión de cambio del negocio 
• Planificación y predicción 
• Mejor análisis de costes 
• Análisis del comportamiento de los clientes
• Rendimiento de la producción 
Las oportunidades del Big Data 

Análisis de los clientes

Marketing impulsado por los clientes: promociones y ofertas personalizadas basándose en las pautas de compras individuales. Prevención de la pérdida de clientes.
Recomendación de productos: filtros colaborativos, recomendaciones basadas en  la actividad multicanal. 
Análisis de marketing 
Modelos del marketing mix: optimización del marketing mix y de las promociones  utilizando modelos econométricos para evaluar el aumento de ventas con diferentes  herramientas de marketing e identificar el más efectivo. 
Optimización de los precios: utilizar los datos para evaluar la sensibilidad de la demanda a los precios y para optimizarlos en diversos puntos del ciclo de vida del producto. 
Efectividad operativa 
Análisis de datos operativos aprovechando abundantes datos de producción para  mejorar los procesos y la calidad del producto. 
Mejor planificación y predicción aprovechando la cantidad de datos de procesos  históricos, recursos y productos. 
Análisis de datos sobre clientes, transacciones y mercados para cuantificar el riesgo de  clientes y productos. 
Detección de fraude en tiempo real aprovechando datos de los puntos de venta y de los  sistemas de transacciones y análisis. 
Análisis de internet/móviles/redes sociales 
Análisis de la actividad del cliente: almacenar las preferencias del cliente para personalizar lo que se muestra, monitorizar el uso para evaluar las métricas de la web. Monitorizar los medios sociales: analizar los sentimientos del consumidor hacia la  marca y sus productos en redes sociales. 
Modelos de negocio  emergentes (visión del sector) 

TALLER DE TRABAJO
Las claves del Big Data.
1. Los datos en crudo carecen de valor.
2. Los datos hay que verificarlos.
3. Los datos hay que estructurarlos.

  • El ejemplo de la geolocalización como suministro de datos.
  • Ejemplos de aprovechamiento de datos en ciudades inteligentes.
  • Ejemplos de datos por sensores (M2M) internet de las cosas.
  • Datos de transacciones
  • Datos oficiales.
  • Licenciamiento de datos
  • Datos que serán explotados por las empresas.
4. Tecnología del almacenamiento de datos. Las bases de datos NoSQL.

TALLER DE TRABAJO
El Big Data ya se ha quedado pequeño: ha llegado el Huge Data.
1. En los últimos 10 años se ha creado más información que en toda la historia de la humanidad.
2. Edge Computing como único modelo de gestión de datos capaz de absorber todo el huge data.

TALLER DE TRABAJO
Big Data empresarial. ¿Para qué podemos usar todos estos datos? ¿De qué nos sirve cuantificar?

TALLER DE TRABAJO
¿Qué es CRM (Customer Relationship Management) y Software CRM?
1. CRM (Customer Relationship Management)

a. ¿Qué es CRM (Customer Relationship Management)?
b. Funcionalidad del CRM
  • CRM operativo
  • CRM analítico
  • CRM colaborativo
2. Ventajas de utilizar un CRM marketing
a. Unificación de todas las bases de datos en una sola.
b. Análisis de datos y toma de decisiones.
c. Segmentación de clientes y oportunidades.
3. Marketing digital inmobiliario y sistema CRM.
4. Utilidades del CRM
a. Marketing de administración de clientes (marketing directo de base de datos).
b. Automatización y promoción de ventas, tecnologías "data warehouse".
5. Utilidad del CRM: gestionar la interacción de una empresa con sus clientes actuales y potenciales.
a. Aporta información completa del cliente sobre el proyecto, las facturas, inventario, etc.
b. CRM como modelo de gestión: la información para obtener una ventaja competitiva.
c. Redes sociales para volver al marketing 1 a 1 de las grandes empresas.
d. Acciones dentro de la base de datos: convertir datos en oportunidades de marketing..
  • Módulo de ventas
  • Módulo de mercado
TALLER DE TRABAJO
El Big data como ayuda para tomar la mejor decisión inmobiliaria.
1. El Big Data permite diseñar y configurar una promoción adaptada a la demanda actual existente en una zona específica de una ciudad.
2. El cliente inmobiliario dispone de más datos para tomar la decisión económica más importante de su vida.

TALLER DE TRABAJO
Big Data inmobiliario. La analítica de datos puede utilizarse para reducir los costos operativos de la construcción o mejorar la eficiencia energética.

TALLER DE TRABAJO
¿Cómo saber manejar el Big Data inmobiliario? Búsqueda y emplazamiento de inmuebles.
1. Para la búsqueda y emplazamiento de inmuebles.

  • ¿Qué lugar va a ser mejor para la captación y retención del talento altamente cualificado que es imprescindible para vuestro negocio?
  • ¿Es mejor comprar o alquilar?
  • ¿Es preferible que el inmueble esté en una zona céntrica o es mejor algo en la periferia?
  • ¿Tiene sentido construir un edificio desde cero o sería más razonable reformar y adaptar algo existente?
2. ¿Qué necesitamos?
  • Modelos analíticos
  • Datos estructurados y no estructurados (costes inmobiliarios, transporte de la zona, etc.)
3. Edificios inteligentes.

TALLER DE TRABAJO
El Big Data en la valoración inmobiliaria. Herramientas de valoración de los bancos, tasadoras online y de las webs inmobiliarias.

TALLER DE TRABAJO
El Big data aplicado a un sistema de valoración automática de inmuebles basado en inteligencia artificial.
1. Big Data como machine learning que permite automatizar la valoración masiva de inmuebles.
2. Modelización de precios inmobiliarios. Modelo Big Data capaz de aprender y calcular automáticamente el precio de mercado en cada momento
3. Valoración periódica de las garantías inmobiliarias. Uso determinante para la revisión del valor de las garantías de las carteras hipotecarias de la banca.

TALLER DE TRABAJO
El Big Data del Registro de la Propiedad. MVI (Metodología de valoración inmobiliaria).

TALLER DE TRABAJO
El Big Data de predicción de tendencias inmobiliarias.

TALLER DE TRABAJO
Geointeligencia inmobiliaria.
1. El 80% de los datos de las organizaciones son susceptibles de ser geolocalizados.
2. La geointeligencia inmobiliaria muestra la importancia de la explotación inteligente del dato (catastro, etc).
3. Ventajas de la geointeligencia inmobiliaria (comparativas inmobiliarias, predicciones, etc.).

a. Predicciones (precio, liquidez, etc.) y gestionar de forma analítica una cartera inmobiliaria.
b. Combinación de capacidades de Big Data y geolocalización.
c. Digitalización total de procesos de planeamiento urbanístico.
d. Identificar patrones de conducta inmobiliaria.
TALLER DE TRABAJO
Caso práctico. Informe de Big Data inmobiliario del mercado en la Comunidad de Madrid y predecir tendencias.

TALLER DE TRABAJO
Caso práctico. Un análisis inmobiliario realizado mediante Big Data confirma que las viviendas situadas en un radio de 500 metros de un centro escolar eran un 6% más caras que las que se encuentran entre 500 y 1.000 metros.

TALLER DE TRABAJO
Caso práctico: Big data inmobiliario que analiza datos sociodemográficos para descubrir las tendencias de compra, venta o alquilar de cualquier área geográfica en España. Caso real de Big Data específico para inmobiliarias y APIs.

  • ¿Cuántos particulares venden o alquilan una propiedad en una zona determinada?
  • ¿Es el precio de esos inmuebles acorde con la tendencia inmobiliaria de la zona?
  • ¿Cuánto tiempo permanecen las viviendas a la venta o en alquiler en un área?
TALLER DE TRABAJO
Big data BIM
1. El BIM y el Big Data aportan valor porque los datos cruzados generan información útil en la creación de valor empresarial.
2. ¿Qué puede hacer el Big Data por la construcción?
3. La metodología BIM integra bases de datos procedentes del Big Data
4. El control de suministros de proyecto también se monitoriza con técnicas de Big Data.

TALLER DE TRABAJO
Big data y planificación urbanística. Urban Discovery 'reordena' los mapas de Madrid, Barcelona y México con ayuda del 'Big Data'.

  • Los cambios en el entorno de la ciudad (comercios, infraestructuras, fluctuaciones inmobiliarias) influyen en la toma de decisión de la demanda inmobiliaria y en la toma de decisiones de gestión urbanística.
TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: herramienta de geolocalización, basada en Big Data inmobiliario, que ofrece información detallada sobre el mercado de la vivienda residencial en España a nivel de sección censal.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: en el caso de Housfy el Big Data indica, en un radio de 500 metros de dónde se encuentra una vivienda, cuáles son las viviendas que están en venta, a qué precio y cuantos días llevan a la venta. En función de este último se determina cual es el ratio de liquidez de la zona.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: fabricante de electrodomésticos ha implementado un proyecto para mejorar la eficiencia del uso de su edificio corporativo, que incluye instalaciones inteligentes que generan diariamente datos útiles respecto a su ocupación puntual por áreas. A partir de esta información, el sistema ajusta los parámetros de iluminación y aire acondicionado de manera eficiente.

TALLER DE TRABAJO
Caso práctico de aplicación del Big Data inmobiliario: técnicas de racionalización de costes inmobiliarios (facility management).

TALLER DE TRABAJO
Caso real de explotación de la información con BIM, Big Data y Data Analytics para el desarrollo de sistemas de gestión inteligente de infraestructuras concesionales y la implantación de plataformas de gestión integrables con las smart cities para sincronizar las operaciones de la compañía con las demandas de las ciudades.

TALLER DE TRABAJO
El Big Data aplicado a los centros comerciales. Monitorizar todos los movimientos en interiores y exteriores para entender los comportamientos de los clientes.
1. Saber de qué parte de la ciudad viene el usuario, para dónde va, y cuándo viene al centro comercial, y si lo hace con regularidad
2. Conocer el perfil de cliente que visita el centro investigando en qué lugares ha estado anteriormente para después enviarle sugerencias específicas de su gusto, o también para controlar a la competencia.
3. Big Data como previsor de la remodelación de una infraestructura (centro comercial).

TALLER DE TRABAJO
Esquemas. Caso práctico. Aplicación del BIG DATA en una cadena de grandes centros comerciales de alimentación.

TALLER DE TRABAJO
Telegestión y monitorización de instalaciones de centros comerciales. Aplicación de técnicas de inteligencia artificial y Big Data para la mejora de estándares de eficiencia de instalaciones multisite.
1. ¿Qué es la telegestión y monitorización de instalaciones de centros comerciales?
2. La implantación de plataforma monitorización y control.
3 Funcionalidades de la implantación de plataforma telegestión y monitorización en centros comerciales.
4. Ejemplos de resultados

a. Equipos de climatización no conectados al sistema de control centralizado.
b. Problemas en circuitos concretos: Escaleras mecánicas.
c. Ejemplo de registro de temperatura ambiente en local en la que una zona tiene problemas de temperatura.
d. Ajustes en la operativa de local comercial con un sistema de refrigeración basada en aporte de agua fría por parte del centro.
e. Averías localizadas remotamente
1. Alarma de máquina derivada de configuración incorrecta del horario
2. Climatización parada por falsa alarma de incendios
3. Red de recarga vehículos eléctricos.
PARTE SEGUNDA
  • Vamos a aplicar un sistema de Business Intelligence  (Inteligencia de Negocio) en nuestra empresa.
<
Capítulo 3. 
Planificación de proyectos de  Business  Intelligence.
1. ¿Cómo crear un sistema de información en la empresa?
  • Una forma simplificada del cálculo del ROI: Valor para el negocio /   Coste del proyecto. 
2. Planificación de proyectos de  Business  Intelligence.
Planificación del proyecto
Arquitectura tecnológica
Diseño
Construcción
Despliegue
Operación
3. Fase preliminar de la planificación de proyectos de  Business  Intelligence.
4. Selección del programa informático adecuado.
Inicio del proyecto
Análisis de los procesos de negocio
Definir los requerimientos
Punto de decisión
Gestión de los proveedores
5. Fase de ejecución de proyectos de  Business  Intelligence.
TALLER DE TRABAJO
Arquitectura del Sistema. También aquí hay un certificado ISO.

TALLER DE TRABAJO
Herramientas  informáticas del  Business Intelligence.

TALLER DE TRABAJO
Selección del programa informático adecuado para un sistema de Business Intelligence.

PARTE TERCERA
  • Primero nos hacemos con los datos.
<
Capítulo 4.
El almacenamiento de datos (datawarehouse).
1. Características del almacenamiento de datos (datawarehouse).
2. Objetivos del almacenamiento de datos (datawarehouse).
3. Clases del almacenamiento de datos. Data Mart

TALLER DE TRABAJO
La experiencia de las grandes empresas españolas con el Big Data.
Consejo para empezar: focalizar los esfuerzos iniciales - tanto de inversión como de recursos - de la transformación Big Data en realizar primeros pilotos más que en construir grandes arquitecturas de almacenamiento y explotación de datos.

TALLER DE TRABAJO
NoSQL: las Bases de Datos del Big Data

Capítulo 5. 
Técnicas de explotación del  Data Warehouse.
1. Técnicas de explotación del  Data Warehouse.
2. OLAP (On Line Analytical Processing)
3. Query & Reporting

TALLER DE TRABAJO
¿Cuál es la diferencia entre el Data Warehouse (almacenar información) y el y Data Mining (extraer de los datos información útil para la empresa)?

PARTE CUARTA
  • Ya tenemos los datos, ahora los analizamos: KDD (en informática). Data Mining (en inteligencia artificial).
<
Capítulo 6. 
  • Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis)
Capítulo 7.
Extracción de datos ocultos en bases de datos (KDD) (Knowledge Discovery in Databases).
1. ¿Qué es el (KDD) (Knowledge Discovery in Databases)? Pues el descubrimiento de datos.
2. Proceso KDD
Pre-procesamiento de Datos: Limpieza, integración y transformación. 
Data Mining: Uso  de  métodos  inteligentes  para  extraer  conocimiento  (búsqueda de oro) . 
Evaluación de patrones encontrados y presentación 
3. ¿Por qué utilizo el KDD? ¿Qué consigo con ello?
4. ¿Qué fases sigue el KDD?
a.  Selección de datos.
b.  Preprocesamiento.
c.  Transformación.
5. ¿Qué herramientas utiliza el KDD?
TALLER DE TRABAJO
El proceso de KDD. Desde el preprocesamiento al post procesamiento.

TALLER DE TRABAJO
El KDD, un proceso interactivo  de búsqueda de información entre un volumen de datos que excede de la capacidad humana.
1. Técnicas de análisis automatizadas de bases de datos.
2. La identificación de los datos útiles para extraer la información que nos permita anticiparnos al FUTURO.

Capítulo 8. 
Acumulación y análisis de datos. Data Mining
1. ¿Qué es el Data Mining?
2. Data Mining: inteligencia  artificial y  análisis estadístico.
a. Clasificación
b. Asociación (linkage  analysis)
c. Secuencia
d. Clúster
TALLER DE TRABAJO
Data Mining (en inteligencia artificial) o KDD (en informática).

TALLER DE TRABAJO
¿Qué es el Data Mining y cómo se relaciona con el KDD?

TALLER DE TRABAJO
La calidad de datos. El proceso KDD Extracción de datos ocultos en bases de datos (KDD)

Capítulo 9. 
Análisis en Data Mining.
1. Análisis en Data Mining.
a. En una montaña de datos, seguro que hay oro (claves para el futuro empresarial).
b. Elegir el sistema informático que analice la información y saque conclusiones.
2.  Los indicadores que miden si el Data Mining es el adecuado.

TALLER DE TRABAJO
Ejemplos de usos empresariales del Data Mining.
1. Relación con el cliente.
2. Patrones de fuga de clientes a la competencia.
3. Recursos humanos.
4. Internet. Comportamiento de los visitantes de páginas web.

TALLER DE TRABAJO
El Data Mining y su aplicación en el marketing.

Capítulo 10. 
Clasificación de sistemas de Data Mining.
1. Clasificación por técnicas del Data Mining.
Visualización.
Verificación.
Descubrimiento.
2. Clasificación por objetivos del Data Mining.
3. Clasificación por tendencias o líneas de investigación del Data Mining.
4. Clasificación por lenguaje de resultados del Data Mining.

TALLER DE TRABAJO
Data Mining: entre la estadística y la inteligencia artificial.

TALLER DE TRABAJO
Data Mining: obtener datos con métodos estadísticos y el  aprendizaje automático (inteligencia artificial) me interpreta el futuro empresarial en base a estos datos.

TALLER DE TRABAJO
Técnicas estadísticas.

  • Visualización
  • Procesamiento paralelo
TALLER DE TRABAJO
Indicadores clave de negocio (KPI)

TALLER DE TRABAJO
En un ticket de compra tenemos mucha información (hora, producto, etc).

TALLER DE TRABAJO
Control del coste de suministro vía el análisis de los pedidos.

Capítulo 11. 
Fases del Data Mining.
1. El Data Mining en la fase de modelamiento.
2. Fases del Data Mining.
3.  Reconocimiento de patrones, parte fundamental de la Data Mining.
TALLER DE TRABAJO
Fases del Data Mining.

TALLER DE TRABAJO
Metodologías  de Data Mining. CRISP-DM y SEMMA.

TALLER DE TRABAJO  
El potencial de Big Data en el análisis del riesgo inmobiliario.  
1. El Big Data en la gestión de riesgos de la construcción e inmobiliarios.  
2. Aplicaciones de Big Data para la gestión de riesgos.  

    a. Identificar tendencias emergentes y factores de riesgo.  
    b. Evaluar ubicaciones potenciales de negocios  
    c. Identificación de posibles fraudes  
    d. Evaluar el riesgo financiero  
    e. Gestión de riesgos asociados a proveedores.  
    f. Control de la competencia para no perder clientes.  
    g. Gestión de impagados.  
    h. Gestión de seguros de la construcción.  
    i. Anti-blanqueo de dinero 
TALLER DE TRABAJO
Ventajas del BIG DATA en el mercado inmobiliario.
1. Estudios de mercado inmobiliario al instante.
2. Anticipar tendencias de preferencias inmobiliarias de los consumidores.
3. Seguimiento del valor de una cartera inmobiliaria
4. Exploración comparativa de inversores inmobiliarios.
5. El Geomarketing o mapas con datos de precios, tipología, etc.

TALLER DE TRABAJO
La revolución del ‘BIG DATA’ en el sector inmobiliario.
1. La información del mercado inmobiliario se está adaptando a los procesos de gestión de grandes datos (Urban Data Analytics).
2. Las inmobiliarias pueden agilizar la toma de decisiones de inversión o venta con un click.
3. ¿Qué puede descubrir un sector tan volátil como el inmobiliario con el Big Data?
4. Casos reales de inmobiliarias que utilizan BIG DATA.

TALLER DE TRABAJO
Ventajas del BIG DATA en el mercado inmobiliario.
1. Estudios de mercado inmobiliario al instante.
2. Anticipar tendencias de preferencias inmobiliarias de los consumidores.
3. Seguimiento del valor de una cartera inmobiliaria
4. Exploración comparativa de inversores inmobiliarios.
5. El Geomarketing o mapas con datos de precios, tipología, etc.

TALLER DE TRABAJO
BIG DATA en el sector inmobiliario. 

  • Informe en inglés de empresa líder en BIG DATA inmobiliario.
1. Grandes volúmenes de datos inmobiliarios ya están siendo recopilados y analizados en tiempo real, lo que permite reformar edificios sobre la marcha.
Ejemplos: mejora de la eficiencia energética.
2. Reduce los costes de las operaciones inmobiliarias. 
3. Los perfiles de los clientes inmobiliarios permiten desarrollar servicios de mayor calidad ajustados a las necesidades concretas.
Ejemplo: servicio de atención al cliente.
4. Las grandes estrategias de datos ayudan a conocer los riesgos inmobiliarios y tomar decisiones de inversión.
5. Mayor impacto del BIG DATA en el sector inmobiliario.
  • Consultoría de transacciones inmobiliarias. Informes del mercado inmobiliario. Predicciones más precisas. Identificación de relaciones complejas que afectan al mercado inmobiliario.
  • Inversión en propiedades. Análisis de riesgos del mercado inmobiliario.
  • Gestión de edificios.
  • Gestión de fondos inmobiliarios.
  • Finanzas inmobiliarias.
  • Desarrollo del proyecto/implementación.
TALLER DE TRABAJO
La revolución del ‘BIG DATA’ en el urbanismo. Ciudades inteligentes (smart cities).
1. Infraestructura de ciudades inteligentes (contadores de servicios públicos, alumbrado público, sistemas de agua, etc.)
2. El diseño del urbanismo eliminará el ruido gracias al BIG DATA.

TALLER DE TRABAJO
La experiencia de IBM en el Data Mining (sistemas de consulta QUERY) y los sistemas SQL. Análisis de datos de empresas.

TALLER DE TRABAJO
Ejemplos de sistemas Data Mining en base a esquemas.

  • IBM Intelligent Miner
  • SAS Enterprise Miner
  • Microsoft SQLServer
  • SGI MineSet
  • Clementine (SPSS) 
  • DBMiner (DBMiner Technology Inc.) 
TALLER DE TRABAJO
Cross-Industry Standard Process for Data Mining (CRISP-DM)

TALLER DE TRABAJO
Recomendación de marcas de programas informáticos para el Data Mining.

PARTE QUINTA
  • Las herramientas de apoyo a la toma de decisiones de los ejecutivos.
<
Capítulo 12. 
  • Sistemas de apoyo a la toma de decisiones.
PARTE SEXTA
  • Inteligencia artificial y Aprendizaje automático.
Capítulo 13. 
Inteligencia artificial y Aprendizaje automático.
1. Inteligencia artificial y Aprendizaje automático.
2. El aprendizaje inductivo.
3.  Agrupamiento. Clustering.  (“Segmentación”)
4.  Reglas de Asociación
5.  La predicción
a. Árboles de Predicción
b. Estimador de Núcleos
c. Árboles de Decisión
d. Redes de Neuronas
e. Técnicas Genéticas: Algoritmos Genéticos  (“Genetic Algorithms”)
TALLER DE TRABAJO
¿Cómo aprenden las máquinas (inteligencia artificial). El aprendizaje inductivo del programa informático NO SUPERVISADO POR EL HOMBRE. En esquemas.

TALLER DE TRABAJO
El Big data aplicado a  la segmentación de clientes mediante inteligencia artificial.

 

Copyright © inmoley.com Todos los derechos reservados. El uso anagramas,  símobolos o información sin autorización expresa de inmoley.com  y al margen de las condiciones generales de contratación de inmoley.com, será perseguido judicialmente.

ir a inicio de página
 
Volver a la página anterior