# Data Mining Knowledge Discovery Extraccion De Inteligencia De Da > La Minería de Datos (v2.0) es la competencia de extraer conocimiento implícito y potencialmente útil desde grandes volúmenes de datos. No es solo "hacer informes"; es Ingeniería del Descubrimiento de Inteligencia. Úsala para tareas de Datos y Analítica: data-mining, knowledge-discovery, pattern-recognition, market-basket-analysis, association-rules, sequence-mining. - Skill: `jesusgarciafernandez/data-mining-knowledge-discovery-extraccion-de-inteligencia-d` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add jesusgarciafernandez/data-mining-knowledge-discovery-extraccion-de-inteligencia-d` - Raw SKILL.md: https://api.skillmd.com/api/skills/jesusgarciafernandez/data-mining-knowledge-discovery-extraccion-de-inteligencia-d/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Product & Planning - License: CC BY-NC-SA 4.0 - Author: jesusgarciafernandez (https://skillmd.com/u/jesusgarciafernandez) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/jesusgarciafernandez/data-mining-knowledge-discovery-extraccion-de-inteligencia-d --- ## 0. Filosofía Human-Centric AI *Esta habilidad transforma los datos crudos en conocimiento accionable al extraer patrones y correlaciones invisibles al ojo humano, utilizando la tecnología para diseccionar grandes volúmenes de información y permitir que el humano comprenda el "porqué" de los comportamientos y anticipe oportunidades estratégicas con base científica.* **El Rol del Humano:** El Minero de Datos debe ser un "Garantes de la Causalidad Útil". La IA puede ejecutar algoritmos de asociación (Apriori), detectar secuencias de eventos repetitivos y encontrar correlaciones estadísticas sorprendentes en Terabytes de datos, pero solo el humano puede validar si una correlación tiene sentido de negocio, identificar falsos positivos originados por ruidos en los datos y asegurar que el conocimiento extraído se utilice para mejorar la vida de los usuarios y no para explotar sus vulnerabilidades psicológicas mediante técnicas de manipulación algorítmica. **Empoderamiento:** Usamos la tecnología para sustituir la duda por la certeza basada en la evidencia extraída de la realidad. --- ## 1. Descripción Detallada La Minería de Datos (v2.0) es la competencia de extraer conocimiento implícito y potencialmente útil desde grandes volúmenes de datos. No es solo "hacer informes"; es **Ingeniería del Descubrimiento de Inteligencia**. El enfoque v2.0 sigue el marco metodológico **CRISP-DM** (Cross-Industry Standard Process for Data Mining), integrando técnicas de asociación (Market Basket Analysis), minería de secuencias y detección de patrones anómalos. El objetivo es pasar del reporte descriptivo (qué pasó) al análisis diagnóstico (por qué pasó) y exploratorio (qué más está pasando y no sabemos). ## 2. Escenarios de Aplicación - **Análisis de Cesta de la Compra (Market Basket):** Identificación de productos que tienden a comprarse juntos para optimizar el cross-selling y la disposición en tienda/web. - **Detección de Patrones de Retención y Abandono:** Minería de las secuencias de comportamiento que preceden a la cancelación de una suscripción. - **Análisis de Secuencias Temporales de Uso:** Comprensión de cómo los usuarios navegan por una App o Software para identificar cuellos de botella u oportunidades. - **Minería de Texto y Opinión:** Extracción de temas y sentimientos recurrentes en miles de reseñas de clientes o tickets de soporte. - **Optimización de Procesos Industriales:** Identificación de las variables de entorno que causan micro-defectos de fabricación mediante el análisis de logs de sensores. ## 3. Requisitos de Implementación - **Domino de la Metodología CRISP-DM:** Entendimiento del negocio, comprensión de datos, preparación, modelado, evaluación y despliegue. - **Herramientas de Minería y Análisis Profundo:** Uso de Python (Pandas, Mlxtend para asociación) o herramientas especializadas (RapidMiner/KNIME). - **Capacidad de Gestión de Big Data:** Habilidad para procesar datos que no caben en memoria (Dask, PySpark) si el volumen lo requiere. - **Pensamiento Estadístico y Crítico:** Capacidad para filtrar el "ruido" y centrarse en patrones con significancia estadística real y valor de negocio. --- ## 4. Diferencial: Reporting Tradicional vs. Data Mining v2.0 | Dimensión | Enfoque Legacy (Reporting) | Data Mining (v2.0) | | :--- | :--- | :--- | | **Enfoque** | Confirma lo que ya sabemos (Kpis). | Descubre lo que no sabemos que está ahí. | | **Naturaleza** | Descriptiva y retrospectiva. | Exploratoria e intuitiva (IA-Augmented). | | **Relaciones** | Análisis de variables aisladas. | Análisis de asociaciones y secuencias. | | **Finalidad** | Controlar el negocio. | Innovar y optimizar el negocio. | --- ## 5. Instrucciones y Pasos Detallados (Protocolo Maestro) ### Fase 1: Entendimiento de Datos y Preparación de la Minería **Objetivo:** Limpiar el terreno para que los algoritmos de descubrimiento puedan trabajar. 1. **Auditoría de Calidad de Datos:** IA ayuda a detectar sesgos en la recolección que podrían generar patrones falsos. 2. **Transformación y Binning:** Conversión de variables continuas en categorías lógicas (Ej: "Gasto alto/medio/bajo") para algoritmos de asociación. **Prompt Maestro de Data Mining:** ```text Actúa como un Senior Data Mining Consultant y Senior Data Scientist. Facilita el proceso de descubrimiento de conocimiento para [CONTEXTO_NEGOCIO]. 1. Define el Objetivo de Minería: ¿Buscamos asociaciones, secuencias o anomalías? 2. Diseña el Experimento de Asociación: Si aplicamos el algoritmo Apriori a [DATOS], ¿qué umbrales de 'Soporte' (Support) y 'Confianza' (Confidence) establecerías? 3. Identifica 'Reglas de Oro': Extrae 3 reglas de tipo "Si ocurre A, entonces ocurre B" que tengan un alto interés para la estrategia. 4. Análisis de Sustancialidad: ¿Estos patrones son estables en el tiempo o han sido fruto de una campaña puntual? 5. Plan de Acción de Inteligencia: ¿Cómo convertimos el descubrimiento de que [PATRÓN] en una mejora de [PROCESO/VENTAS]? ``` ### Fase 2: Modelado de Descubrimiento y Evaluación de Reglas ... (Expansión técnica sobre el uso de algoritmos de minería de reglas de asociación, la validación de la 'Elevación' (Lift) de las reglas encontradas y la integración del conocimiento extraído en el diseño UX/UI o en la lógica de recomendación del producto) ... --- ## Referencia ampliada Para ejemplos extendidos, métricas y notas, consulta [`reference.md`](reference.md) (cárgalo solo cuando necesites ese detalle).