Tesis de BI

Tesis de Magister en Ingeniera en Sistemas de Informacin
Deteccin de Patrones de Daos y Averas en la Industria

Automotriz

Ing. Hugo Daniel Flores

Directora: Dra. Paola V. Britos
Codirector: Dr. Ramn Garca Martnez

- 2009 -

Universidad Tecnolgica Nacional
Facultad Regional Buenos Aires
DETECCION DE PATRONES DE DAOS Y/O AVERAS

Pgina 1 de287 Ing. Hugo Daniel Flores
Resumen

En la industria automotriz uno de los temas relevantes en la produccin y distribucin de unidades
es la deteccin e identificacin de daos y/o averas producidas a lo largo del circuito que recorren
los autos desde que salen de planta de produccin hasta que llegan a su destino final.

Con el incremento de la globalizacin, los fabricantes de vehculos han ido rediseando sus redes de
produccin en todo el mundo. Para optimizar los costes, determinados pases son escogidos para
especializarse en la produccin de ciertos modelos. Esta situacin ha dado lugar a un inevitable
aumento del transporte de los vehculos desde los pases productores a los mercados finales.
Durante estos trayectos los vehculos se ven sometidos a daos, en grado variable, en toda la cadena
de suministro.

El objetivo del proyecto es utilizar la metodologa CRISP-DM para detectar patrones en la
produccin de daos y/o averas en la cadena de distribucin para permitir a la industria:

Identificar daos y/o averas.
Determinar responsabilidad de siniestralidad en funcin del tipo de avera y tipo de
transporte.
Imputar incidentes segn el tipo de transporte.
Determinar tipos de averas y/o daos.
Determinar partes averiadas y/o daadas que muestren algn tipo de comportamiento.
Especificar gravedad de daos y/o averas.
Definir e identificar modelos con daos especificando partes, tipo de dao y gravedad.
Especificar lugares donde se producen daos y/o averas tratando de definir patrones de
comportamiento.
Especificar estadsticamente: tipos de transporte que producen daos y/o averas como as
tambin, partes, tipos de averas, gravedades, lugares donde se producen.
Descubrir informacin oculta en funcin de los modelos generados a partir de los datos
disponibles.





Dedicatoria

A mi esposa y familia

Sandra, Mara Elena, Paula y Marcos




Agradecimiento

A la Universidad Tecnolgica Nacional, Facultad Regional Tucumn y por su intermedio al Estado
Nacional por darme la posibilidad de estudiar y acceder a un nivel acadmico superior.

A la Escuela de Posgrado de la Universidad Tecnolgica Nacional, Facultad Regional Buenos Aires
por haberme permitido acceder a este nivel de estudio.

A mis tutores Dra. Paola Britos y Dr. Ramn Garca Martnez por haberme conducido a lo largo del
desarrollo de este trabajo de tesis.

A la Dra. Zulma Cataldi por su colaboracin y asesoramiento en la especificacin de los
lineamientos generales para el desarrollo de esta tesis.

A mis colegas y asociados por haber contribuido abierta y desinteresadamente en las pruebas y
consultas realizadas no solo para este proyecto en particular sino tambin por todos los
emprendimientos que vamos logrando.

A mi esposa por darme la confianza y el apoyo, y soportar diariamente la ardua labor que implica
mi desarrollo profesional permanente.

A mi madre por haberme inculcado desde nio a seguir el camino de la educacin para mejorar mi
futuro como persona, como hijo, como hermano y como hombre de familia.

Espero que este trabajo y su propuesta de futuras lneas de investigacin sirvan como
agradecimiento y devolucin hacia la sociedad por las oportunidades que me brind a travs de la
Universidad Estatal.




ndice

1. Introduccin.....................................................................................................................................9
1.1. Minera de Datos (Data Mining)...............................................................................................9
1.2. Lineamientos del documento de tesis.....................................................................................10
2. Tcnicas de Minera de Datos........................................................................................................11
1. Anlisis estadstico.....................................................................................................................11
2. Anlisis a travs de sistemas inteligentes..................................................................................12
3. Conclusiones..............................................................................................................................13
3. Metodologas de Minera de Datos................................................................................................15
3.1. SEMMA..................................................................................................................................15
3.2. CRISP-DM..............................................................................................................................16
3.3. Microsoft.................................................................................................................................18
3.4. Comparacin de Metodologas...............................................................................................21
4. La metodologa CRISP-DM...........................................................................................................23
4.1. Introduccin............................................................................................................................23
4.1.1. La Metodologa CRISP-DM............................................................................................23
4.1.2. Pasaje de modelos genricos a modelos especializados..................................................24
4.2. El modelo de referencia CRISP-DM......................................................................................25
4.2.1. Comprensin del Negocio................................................................................................27
4.2.2. Comprensin de Datos.....................................................................................................31
4.2.3. Preparacin de Datos.......................................................................................................33
4.2.4. Modelado.........................................................................................................................37
4.2.5. Evaluacin........................................................................................................................39
4.3. La gua de usuario de CRISP-DM..........................................................................................43
4.3.1. Comprendiendo el negocio..............................................................................................43
4.3.3. Preparacin de los datos...................................................................................................56
4.3.4. Modelado.........................................................................................................................60
4.3.5. Evaluacin........................................................................................................................64
4.3.6. Desarrollo.........................................................................................................................67
4.4. Las salidas del CRISP-DM.....................................................................................................69
4.4.1. Comprensin del Negocio................................................................................................70
4.4.3. Preparacin de Datos.......................................................................................................72
4.4.4. Modelado.........................................................................................................................73
4.4.5. Evaluacin........................................................................................................................74
4.4.6. Desarrollo.........................................................................................................................75
4.4.7. Resumen de dependencias...............................................................................................75
4.5. Apndice.................................................................................................................................77
4.5.1. Glosario/Terminologa.....................................................................................................77
4.5.2. Tipos de problemas de minera de datos..........................................................................77
5. Descripcin y desarrollo de la industria.........................................................................................85
5.1. La industria automotriz y el control de daos y/o averas......................................................85
5.2. Circuitos logsticos..................................................................................................................86
5.3. Transportes y lugares de almacenamiento..............................................................................87
6. Procesos a analizar, lmites y alcance............................................................................................89
6.1. Puntos de Control....................................................................................................................89
6.2. Estndares de inspeccin........................................................................................................89
7. Informacin y datos.......................................................................................................................91

7.1. Proceso de inspeccin y captura de datos...............................................................................91
7.2. Sistema normalizado de codificacin de daos y/o averas....................................................91
7.3. Proceso de educcin de requerimientos del proyecto.............................................................91
8. Aplicacin de la metodologa propuesta........................................................................................95
8.1. Comprensin del Negocio.......................................................................................................95
8.2. Comprensin de Datos..........................................................................................................104
8.3. Preparacin de Datos............................................................................................................112
8.4. Modelado..............................................................................................................................115
8.4.1. Seleccin de las tcnicas de modelado..........................................................................115
8.4.2. Generacin de la prueba de diseo................................................................................115
8.4.3. Construccin de los modelos.........................................................................................116
8.4.4. Descripcin de los modelos...........................................................................................119
8.4.4.1. Modelo de Clasificacin.........................................................................................119
8.4.4.2. Modelo de Clustering..............................................................................................144
8.4.4.3. Modelo de Prediccin.............................................................................................167
8.4.5. Dificultades encontradas................................................................................................190
8.5. Evaluacin.............................................................................................................................190
8.5.1. Evaluacin de los resultados en trminos de minera de datos......................................190
8.5.2. Evaluacin de los resultados en trminos de objetivos de negocio. ..............................218
8.5.2.1. Tipos de averas. .....................................................................................................219
8.5.2.2. Lugares....................................................................................................................220
8.5.2.3. Modelos...................................................................................................................220
8.5.2.4. Partes, Averas y Gravedad.....................................................................................221
8.5.2.5. Lugares, Partes y Tipos de Averas.........................................................................224
8.5.2.6. Modelos, Partes y Tipos de Averas........................................................................232
8.5.2.7. Imputacin Tipo de Transporte...............................................................................238
8.6. Desarrollo..............................................................................................................................241
8.6.1. Plan de desarrollo...........................................................................................................241
8.6.2. Supervisin y mantenimiento del plan...........................................................................250
8.6.3. Produccin de Informe definitivo..................................................................................251
8.6.4. Revisin del proyecto.....................................................................................................252
9. Conclusiones................................................................................................................................253
10. Lneas futuras de investigacin..................................................................................................257
11. Bibliografas y Documentacin.................................................................................................259
12. Anexos.......................................................................................................................................261
Anexo 1: Terminologa de negocio..............................................................................................261
Anexo 2: Terminologa de minera de datos................................................................................262
Anexo 3: Consultas estructuradas para base de datos..................................................................264
Anexo 4: Codificacin.................................................................................................................273
Anexo 5: Presentacin final.........................................................................................................277


1. Introduccin

1.1. Minera de Datos (Data Mining)

El gran desarrollo tecnolgico de los ltimos aos ha potenciado el almacenamiento de grandes
volmenes de informacin. No solo desde el punto de vista del computador personal sino tambin
desde el punto de vista de la computacin como un conjunto de dispositivos electrnicamente
interconectados capaces de soportar el trasporte de grandes cantidades de informacin en una
direccin determinada con el propsito de ser almacenada centraliza o descentralizadamente, o bien
desde el punto de vista de redes electrnicas donde desde cada nodo se permite la posibilidad de
cargar informacin en una o ms bases de datos.

Al mayor poder de procesamiento y transporte de informacin se suman los avances tecnolgicos
en materia de base de datos que soportan grandes volmenes de informacin de diferentes
orgenes y fuentes pudiendo incluir texto, nmeros, imgenes, video, etc.

Estos avances en materia de gran capacidad de almacenamiento de informacin han dado lugar a la
creacin de nuevas tecnologas como la Minera de Datos.

Conceptualmente la Minera de Datos o Explotacin de Datos, como tambin ser llamada en el
presente trabajo, se puede definir como un conjunto de tcnicas y herramientas aplicadas al proceso
no trivial de extraer y presentar conocimiento implcito, previamente desconocido, potencialmente
til y humanamente comprensible, a partir de grandes conjuntos de datos con motivo de predecir de
forma automatizada tendencias y comportamientos y/o descubrir de forma automatizada modelos
previamente desconocidos [Piatetski-Shapiro, 1991].

Desde un punto de vista empresarial la minera de datos puede ser definida como un conjunto de
reas que tiene como propsito la identificacin de un conocimiento obtenido a partir de las bases
de datos que aporten un sesgo hacia la toma de decisiones [Molina, 2001].

Lo que realmente hace el data mining es reunir las ventajas de varias reas como la Estadstica, la
Inteligencia Artificial, la Computacin Grfica, el Datawarehouse y el Procesamiento Masivo,
principalmente usando como materia prima bases de datos.

Para tener una aproximacin cercana a las diversas definiciones encontradas en diferentes artculos
de diferentes autores se puede concluir que la minera de datos es un proceso con el cual se pueden
descubrir y cuantificar relaciones predictivas en los datos, y del resultado de este proceso es posible
obtener conocimiento til para el negocio.

Hoy en da realizando las consultas (simplemente navegando los datos) convencionales a grandes
bases de datos no es suficiente para resolver problemas de negocios, sino que se hace necesario
seguir una metodologa ordenada para aplicar herramientas tecnolgicas y tcnicas disponibles en
informticas para as obtener conocimiento y resultados que permitan a las compaas obtener un
beneficio. El entorno natural del Data Mining es el Datawarehouse.

La minera de datos trata de sacar informacin de detalle de un almacn de datos. No se conforma
solo con la visualizacin de datos, sino que es necesario obtener resultados en cuanto a la relacin
que existe entre los mismos y como estos podran repercutir en el negocio.


Para la explotacin de datos aplicando minera de datos existen diferentes tcnicas las cuales
pueden ser desarrolladas segn diferentes metodologas. A continuacin se describirn algunas
tcnicas y metodologas de Data Mining.

1.2. Lineamientos del documento de tesis

El primer captulo desarrolla una breve introduccin a la minera de datos que es la base
operacional del presente proyecto de tesis.

El captulo dos muestra una descripcin de las diferentes tcnicas de minera de datos que pueden
ser aplicadas en funcin de las necesidades del estudio en cuestin.

El tercer captulo realiza una comparacin entre las diferentes metodologa de minera de datos
desarrolladas hasta el presente. Adems muestra el avance tecnolgico de cada tcnica y muestra
como resultado una breve conclusin que motiva la aplicacin de la metodologa seleccionada para
este proyecto.

En el cuarto captulo se desarrolla la metodologa completa a utilizar en este proyecto y esta adems
representa para esta tesis el estado de la tecnologa. Se toma como marco de referencia la
metodologa propuesta por la organizacin creadora de la misma y a la cual se hace referencia en
las respectivas citas.

Le quinto captulo describe la situacin actual de la industria automotriz en lo referente a daos y/o
averas. Adems se muestran los posibles circuitos logsticos estndares en la industria y dems
detalles como los tipos de transporte o lugares de estacionamiento de las unidades automotrices.

El sexto captulo hace referencia a los procesos a analizar, los lmites del proyecto y los alcances del
mismo.

En el sptimo captulo se realiza la descripcin global del sistema de informacin del que se obtiene
toda la informacin para la explotacin de datos.

En el captulo ocho se realiza la aplicacin de la metodologa propuesta a la industria automotriz.
Paso a paso se hace el desarrollo completo de la metodologa propuesta.

El captulo nueve muestra las conclusiones a las que se arriba luego del desarrollo del proyecto de
tesis.

En el captulo diez se presentan las posibles lneas de investigacin que surgen de la realizacin de
este proyecto.

El captulo once muestra la bibliografa a la cual se ha recurrido para el desarrollo del presente
proyecto.

Finalmente en el captulo doce se muestran todos los anexos utilizados para la preparacin, anlisis
y evaluacin de los resultados.


2. Tcnicas de Minera de Datos

Las bases de la minera de datos se encuentran en la inteligencia artificial y en el anlisis estadstico
y mediante los modelos extrados. Utilizando tcnicas de minera de datos se aborda la solucin a
problemas de prediccin, clasificacin y segmentacin.

1. Anlisis estadstico

Debido al gran volumen de datos con el que se puede contar en la actualidad y al poder de proceso
en la tecnologa desarrollada hasta aqu, se hace viable la exploracin de la informacin utilizando
diferentes tcnicas estadsticas.

El Anlisis Estadstico se preocupa ms por el poder de generalizacin de los resultados obtenidos
para inferir los resultados a situaciones ms generales que la estudiada.

A continuacin se presentan algunas tcnicas:

ANOVA o anlisis de la Varianza: Contrasta si existen diferencias significativas entre las
medidas de una o ms variables continuas en grupos de poblacin distintos.
Regresin: Define la relacin entre una o ms variables y un conjunto de variables
predictoras de las primeras.
Chi cuadrado: Contrasta la hiptesis de independencia entre variables.
Componentes principales: Permite reducir el nmero de variables observadas a un menor
nmero de variables artificiales, conservando la mayor parte de la informacin sobre la
varianza de las variables.
Anlisis discriminante: Mtodo de clasificacin de individuos en grupos que previamente
se han establecido, y que permite encontrar la regla de clasificacin de los elementos de
estos grupos, y por tanto identificar cules son las variables que mejor definan la pertenencia
al grupo.
Series temporales: Es el conocimiento de una variable a travs del tiempo para que a partir
de ese conocimiento y bajo el supuesto de que no van a producirse cambios estructurales,
poder realizar predicciones. Suelen basarse en un estudio de la serie en ciclos, tendencias y
estacionalidades, que se diferencian por el mbito de tiempo abarcado, para por composicin
obtener la serie original. Se pueden aplicar enfoques hbridos con los mtodos anteriores, en
los que la serie se puede explicar no slo en funcin del tiempo sino como combinacin de
otras variables de entornos ms estables y, por lo tanto, ms fcilmente predecibles.
Anlisis cluster
1
: Permite clasificar una poblacin en un nmero determinado de grupos, en
base a semejanzas y desemejanzas de perfiles existentes entre los diferentes componentes de
dicha poblacin.
El mtodo Chaid (Chi Squared Automatic Interaction Detector): Es un anlisis que
genera un rbol de decisin para predecir el comportamiento de una variable, a partir de una
o ms variables predictoras, de forma que los conjuntos de una misma rama y un mismo
nivel son disjuntos. Es til en aquellas situaciones en las que el objetivo es dividir una
poblacin en distintos segmentos basndose en algn criterio de decisin. El rbol de
decisin se construye partiendo el conjunto de datos en dos o ms subconjuntos de
observaciones a partir de los valores que toman las variables predictoras. Cada uno de estos
subconjuntos vuelve despus a ser particionado utilizando el mismo algoritmo. Este proceso
contina hasta que no se encuentran diferencias significativas en la influencia de las

1
Anlisis cluster usando mapas autoorganizados (tcnica de sistemas inteligentes) ser aplicado en esta tesis.

variables de prediccin de uno de estos grupos hacia el valor de la variable de respuesta. La
raz del rbol es el conjunto de datos ntegro, los subconjuntos y los subsubconjuntos
conforman las ramas del rbol. Un conjunto en el que se hace una particin se llama nodo.
El nmero de subconjuntos en una particin puede ir de dos hasta el nmero de valores
distintos que puede tomar la variable usada para hacer la separacin. La variable de
prediccin usada para crear una particin es aquella ms significativamente relacionada con
la variable de respuesta de acuerdo con test de independencia de la Chi cuadrado sobre una
tabla de contingencia.

2. Anlisis a travs de sistemas inteligentes

El objetivo de la aplicacin de Sistemas Inteligentes en la minera de datos es extraer informacin
de manera no supervisada. Se preocupa por ofrecer soluciones algortmicas con un costo
computacional aceptable.

A continuacin se presentan algunas de estas tcnicas:

Algoritmos genticos: Son mtodos numricos de optimizacin, en los que aquella variable
o variables que se pretenden optimizar junto con las variables de estudio constituyen un
segmento de informacin. Aquellas configuraciones de las variables de anlisis que
obtengan mejores valores para la variable de respuesta, correspondern a segmentos con
mayor capacidad reproductiva. A travs de la reproduccin, los mejores segmentos perduran
y su proporcin crece de generacin en generacin. Se puede adems introducir elementos
aleatorios para la modificacin de las variables (mutaciones). Al cabo de cierto nmero de
iteraciones, la poblacin estar constituida por buenas soluciones al problema de
optimizacin.
Redes neuronales: Genricamente son mtodos de proceso numrico en paralelo, en el que
las variables interactan mediante transformaciones lineales o no lineales, hasta obtener
salidas. Estas salidas se contrastan con los que tenan que haber salido, basndose en unos
datos de prueba, dando lugar a un proceso de retroalimentacin mediante el cual la red se
reconfigura, hasta obtener un modelo adecuado.
Lgica difusa: Es una generalizacin del concepto de estadstica. La estadstica clsica se
basa en la teora de probabilidades, a su vez sta en la tcnica conjuntista, en la que la
relacin de pertenencia a un conjunto es dicotmica (el 2 es par o no lo es). Si se establece la
nocin de conjunto borroso como aquel en el que la pertenencia tiene una cierta graduacin
(un da a 20 C es caluroso?), dispondremos de una estadstica ms amplia y con resultados
ms cercanos al modo de razonamiento humano.
Mapas autoorganizados: Los mapas autoorganizados o SOM (Self-Organizing Map),
tambin llamados redes de Kohonen son un tipo de red neuronal no supervisada,
competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones,
cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo
del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se
comparan con el vector de peso caracterstico de cada neurona. La neurona que presenta
menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o
BMU, Best-Matching Unit, Unidad con mejor ajuste) y ella y sus vecinas vern modificados
sus vectores de pesos.
Algoritmos de induccin: Encuadrado dentro de las tcnicas de Aprendizaje Automtico
(Machine Learning), estos algoritmos permiten construir automticamente a partir de un
conjunto de datos de entrenamiento un rbol de clasificacin. Para inferir el rbol, el
algoritmo realiza particiones binarias sucesivas en el espacio de las variables explicativas,

de forma que en cada particin se escoge la variable que aporta ms informacin en funcin
de una medida de entropa o cantidad de informacin. El rbol as construido consta del
mnimo nmero de atributos (variables) que se requieren para la clasificacin eficiente de
los ejemplos dados, con lo que es claro el gran poder explicativo de esta tcnica. Tambin se
pueden elaborar, a partir del rbol, reglas de clasificacin fcilmente interpretables, que
definen las caractersticas que ms diferencian a las distintas clases establecidas
inicialmente. Este tipo de sistemas clasificadores presentan la ventaja, frente a las tcnicas
estadsticas, de que tienen un carcter estrictamente no paramtrico. Adems, aunque no
alcanzan el poder predictivo de las redes neuronales, sus resultados son mucho ms
fcilmente interpretables que los modelos de caja negra suministrados por aqullas.
3. Conclusiones

En general, cualquiera que sea el problema a resolver, no existe una nica tcnica para solucionarlo,
sino que puede ser abordado siguiendo aproximaciones distintas. El nmero de tcnicas es muy
grande y es muy probable que siga creciendo.

La experiencia prctica muestra la aptitud de las tcnicas de minera de datos para resolver
problemas empresariales. Tambin es clara su aportacin para resolver problemas cientficos que
impliquen el tratamiento de grandes cantidades de datos.

La minera de datos es, en realidad, una prolongacin de una prctica estadstica de larga tradicin,
la de Anlisis de Datos. Existe, adems, una aportacin propia de tcnicas especficas de
Inteligencia Artificial, en particular sobre la integracin de los algoritmos, la automatizacin del
proceso y la optimizacin del coste.

A diferencia de la IA, que es una ciencia joven, en Estadstica se viene aprendiendo de los datos
desde hace ms de un siglo, la diferencia consiste en que ahora existe la potencia de clculo
suficiente para tratar ficheros de datos de forma masiva y automtica. Esta es una realidad que cada
vez ser ms habitual.

Por otro lado y en relacin a la amplia diversidad de tcnicas disponibles, conviene tener claro que
no existe la tcnica ms inteligente, sino formas inteligentes de utilizar una tcnica y que cada uno
utiliza de forma inteligente aquello que conoce. Tambin que para la mayora de los problemas no
existen diferencias significativas en los resultados obtenidos.




3. Metodologas de Minera de Datos

3.1. SEMMA
2

SAS Institute
3
es el desarrollador de esta metodologa, la define como el proceso de seleccin,
exploracin y modelado de grandes cantidades de datos para descubrir patrones de negocio
desconocidos.

El nombre de esta terminologa es el acrnimo correspondiente a las cinco fases bsicas del proceso
(Figura 1).

Figura 1: Fases de la metodologa SEMMA

El proceso se inicia con la extraccin de la poblacin muestral sobre la que se va a aplicar el
anlisis. El objetivo de esta fase consiste en seleccionar una muestra representativa del problema en
estudio. La representatividad de la muestra es indispensable ya que de no cumplirse invalida todo el
modelo y los resultados dejan de ser admisibles. La forma ms comn de obtener una muestra es la
seleccin al azar, es decir, cada uno de los individuos de una poblacin tiene la misma posibilidad
de ser elegido. Este mtodo de muestreo se denomina muestreo aleatorio simple.

La metodologa SEMMA establece que para cada muestra considerada para el anlisis del proceso
se debe asociar el nivel de confianza de la muestra.

Una vez determinada una muestra o conjunto de muestras representativas de la poblacin en
estudio, la metodologa SEMMA indica que se debe proceder a una exploracin de la informacin
disponible con el fin de simplificar en lo posible el problema para optimizar la eficiencia del
modelo. Para lograr este objetivo se propone la utilizacin de herramientas de visualizacin o de
tcnicas estadsticas que ayuden a poner de manifiesto relaciones entre variables. De esta forma se
pretende determinar cules son las variables explicativas que van a servir como entradas al modelo.

La tercera fase de la metodologa consiste en la manipulacin de los datos, en base a la exploracin
realizada, de forma que se definan y tengan el formato adecuado los datos que sern introducidos en
el modelo.

Una vez que se han definido las entradas del modelo con el formato adecuado para la aplicacin de
la tcnica de modelado, se procede al anlisis y modelado de los datos. El objetivo de esta fase
consiste en establecer una relacin entre las variables explicativas y las variables objeto del estudio,
que posibiliten inferir el valor de las mismas con un nivel de confianza determinado. Las tcnicas
utilizadas para el modelado de los datos incluyen mtodos estadsticos tradicionales (tales como
anlisis discriminante, mtodos de agrupamiento, y anlisis de regresin), as como tcnicas
basadas en datos tales como redes neuronales, tcnicas adaptativas, lgica fuzzy (difusa), rboles de
decisin, reglas de asociacin y computacin evolutiva.

2
SEMMA: Simple, Explore, Modify, Model, Assess.
3
SAS Institute: Es una empresa con sede en Cary (Carolina del Norte, Estados Unidos). Es uno de los principales
fabricantes de software business intelligence.[
Muestreo
(Sample)
Exploracin
(Explore)
Manipulacin
(Modify)
Modelado
(Model)
Valoracin
(Assess)


Finalmente, la ltima fase del proceso consiste en la valoracin de los resultados mediante el
anlisis de bondad del modelo o modelos contrastados con otros mtodos estadsticos o con nuevas
poblaciones muestrales.

3.2. CRISP-DM
4

La metodologa CRISP-DM (Chapman, 1999) consta de cuatro niveles de abstraccin, organizados
de forma jerrquica en tareas que van desde el nivel ms general hasta los casos ms especficos.

A nivel ms general, el proceso est organizado en seis fases (Figura 2), estando cada fase a su vez
estructurada en varias tareas generales de segundo nivel. Las tareas generales se proyectan a tareas
especficas, donde se describen las acciones que deben ser desarrolladas para situaciones
especficas. As, si en el segundo nivel se tiene la tarea general limpieza de datos, en el tercer
nivel se dicen las tareas que tienen que desarrollarse para un caso especfico, como por ejemplo,
limpieza de datos numricos, o limpieza de datos categricos. El cuarto nivel, recoge el
conjunto de acciones, decisiones y resultados sobre el proyecto de Data Mining especfico.

La metodologa CRISP-DM proporciona dos documentos distintos como herramienta de ayuda en
el desarrollo del proyecto de Data Mining: el del modelo de referencia y la gua del usuario.

El documento del modelo de referencia describe de forma general las fases, tareas generales y
salidas del proyecto de Data Mining. La gua del usuario proporciona informacin ms detallada
sobre la aplicacin prctica del modelo de referencia al proyecto de Data Mining especfico,
proporcionando consejos y listas de comprobacin sobre las tareas correspondientes a cada fase.

La metodologa CRISP-DM estructura el ciclo de vida de un proyecto de Data Mining en seis fases,
que interactan entre ellas de forma iterativa durante el desarrollo del proyecto (Figura 2).

Las flechas indican relaciones ms habituales entre las fases, aunque se pueden establecer
relaciones entre cualquier fase. El crculo exterior simboliza la naturaleza cclica del proceso de
modelado.

4
CRISP-DM: Cross Industry Standard Process for Data Mining.


Figura 2: Fases del proceso de modelado metodologa CRISP-DM.

La primera fase anlisis del problema, incluye la comprensin de los objetivos y requerimientos del
proyecto desde una perspectiva empresarial, con el fin de convertirlos en objetivos tcnicos y en
una planificacin.

La segunda fase de anlisis de datos comprende la recoleccin inicial de datos, en orden a que sea
posible establecer un primer contacto con el problema, identificando la calidad de los datos y
estableciendo las relaciones ms evidentes que permitan establecer las primeras hiptesis.

Una vez realizado el anlisis de datos, la metodologa establece que se proceda a la preparacin de
los datos, de tal forma que puedan ser tratados por las tcnicas de modelado. La preparacin de
datos incluye las tareas generales de seleccin de datos a los que se van a aplicar la tcnica de
modelado (variables y muestras), limpieza de los datos, generacin de variables adicionales,
integracin de diferentes orgenes de datos y cambios de formato.

La fase de preparacin de los datos, se encuentra muy relacionada con la fase de modelado, puesto
que en funcin de la tcnica de modelado que vaya a ser utilizada los datos necesitan ser procesados
en diferentes formas. Por lo tanto las fases de preparacin y modelado interactan de forma
sistemtica.

Anlisis del
Problema
Anlisis de
los datos
Preparacin
de los datos
Modelado
Evaluacin
Explotacin
Datos

En la fase de modelado se seleccionan las tcnicas de modelado ms apropiadas para el proyecto de
Data Mining especfico. Las tcnicas a utilizar en esta fase se seleccionan en funcin de los
siguientes criterios:

Ser apropiada al problema
Disponer de datos adecuados
Cumplir los requerimientos del problema
Tiempo necesario para obtener un modelo
Conocimiento de la tcnica

Antes de proceder al modelado de los datos se debe de establecer un diseo del mtodo de
evaluacin de los modelos, que permita establecer el grado de bondad de los modelos. Una vez
realizadas estas tareas genricas se procede a la generacin y evaluacin del modelo. Los
parmetros utilizados en la generacin del modelo dependen de las caractersticas de los datos.

En la fase de evaluacin, se evala el modelo, no desde el punto de vista de los datos, sino del
cumplimiento de los criterios de xito del problema. Se debe revisar el proceso teniendo en cuenta
los resultados obtenidos para poder repetir algn paso en el que a la vista del desarrollo posterior
del proceso se hayan podido cometer errores. Si el modelo generado es vlido en funcin de los
criterios de xito establecidos en la primera fase, se procede a la explotacin del modelo.

Normalmente los proyectos de Data Mining no terminan en la implantacin del modelo, sino que se
deben documentar y presentar los resultados de manera comprensible en orden a lograr un
incremento del conocimiento. Adems en la fase de explotacin se debe de asegurar el
mantenimiento de la aplicacin y la posible difusin de los resultados [Fayyad, 1996].

3.3. Microsoft

En la Figura 3 se describe las relaciones entre cada paso en la metodologa desarrollada por
Microsoft para la implementacin de Data Mining (Figura 3).



Figura 3: Fases del proceso de modelado metodologa Microsoft.

El primer paso del proceso de minera de datos consiste en definir claramente el problema
empresarial.

Este paso incluye analizar los requisitos empresariales, definir el mbito del problema, definir las
mtricas por las que se evaluar el modelo y definir el objetivo final del proyecto de minera de
datos. Estas tareas se traducen en preguntas como las siguientes:

Qu se est buscando?
Qu atributo del conjunto de datos se desea intentar predecir?
Qu tipos de relaciones se intenta buscar?
Se desea realizar predicciones a partir del modelo de minera de datos o slo buscar
asociaciones y patrones interesantes?
Cmo se distribuyen los datos?
Cmo se relacionan las columnas? o en caso de haber varias tablas, cmo se relacionan las
tablas?

Para responder a estas preguntas, es probable que se deba dirigir un estudio de disponibilidad de
datos para investigar las necesidades de los usuarios de la empresa con respecto a los datos
disponibles. Si los datos no son compatibles con las necesidades de los usuarios, puede que se deba
volver a definir el proyecto.

El segundo paso del proceso de minera de datos consiste en consolidar y limpiar los datos
identificados en el paso Definir el problema.

Los datos pueden estar dispersos en la empresa y almacenados en distintos formatos; tambin
pueden contener incoherencias como entradas que faltan o contienen errores.

Definir el
problema
Preparar datos
Explorar datos
Generar
modelos
Validar
modelos
Implementar y
actualizar
modelos
Integracin de
servicio
Integracin de
servicio
Vista de origen
de datos
Diseador de
minera de datos

El tercer paso del proceso de minera de datos consiste en explorar los datos preparados.

Se debe comprender los datos para tomar las decisiones adecuadas al crear los modelos. Entre las
tcnicas de exploracin se incluyen calcular los valores mnimos y mximos, calcular la media y las
desviaciones estndar y examinar la distribucin de los datos. Una vez explorados los datos, se
puede decidir si el conjunto de datos contiene datos con errores y, a continuacin, crear una
estrategia para solucionar los problemas.

El cuarto paso del proceso de minera de datos consiste en generar los modelos de minera de datos.

Antes de generar un modelo, se deben separar aleatoriamente los datos preparados en conjuntos de
datos de entrenamiento y comprobacin independientes. El conjunto de datos de entrenamiento se
utiliza para generar el modelo y el conjunto de datos de comprobacin para comprobar la precisin
del modelo mediante la creacin de consultas de prediccin.

Una vez definida la estructura del modelo de minera de datos, se procesa rellenando la estructura
vaca con los patrones que describen el modelo. Esto se conoce como entrenar el modelo. Los
patrones se encuentran al pasar los datos originales por un algoritmo matemtico.

El modelo de minera de datos se define mediante un objeto de estructura de minera de datos, un
objeto de modelo de minera de datos y un algoritmo de minera de datos.

El quinto paso del proceso de minera de datos consiste en explorar los modelos que se han
generado y comprobar su eficacia.

No se debe implementar un modelo en un entorno de produccin sin comprobar primero si el
modelo funciona correctamente. Adems, puede ser que se hayan creado varios modelos y se deba
decidir cul funciona mejor. Si ninguno de los modelos que se han creado en el paso Generar
Modelos funciona correctamente, puede ser que se deba volver a un paso anterior del proceso y
volver a definir el problema o volver a investigar los datos del conjunto de datos original.

El ltimo paso del proceso de minera de datos consiste en implementar los modelos que funcionan
mejor en un entorno de produccin.

Una vez que los modelos de minera de datos se encuentran en el entorno de produccin, se pueden
llevar acabo diferentes tareas, dependiendo de las necesidades.

stas son algunas de las tareas que se pueden realizar:

Utilizar los modelos para crear predicciones que se puedan utilizar para tomar decisiones
empresariales.
Incrustar la funcionalidad de minera de datos directamente en una aplicacin.
Crear un paquete en el que se utilice un modelo de minera de datos para separar de forma
inteligente los datos entrantes en varias tablas.
Crear un informe que permita a los usuarios realizar consultas directamente en un modelo de
minera de datos existente.
La actualizacin del modelo forma parte de la estrategia de implementacin. A medida que la
organizacin recibe ms datos, se deben volver a procesar los modelos para mejorar as su eficacia.


3.4. Comparacin de Metodologas

Las metodologas SEMMA, CRISP-DM y Microsoft esencialmente son muy parecidas. Las tres
estn compuestas por etapas o fases que interactan entre s.

En referencia a la tecnologa SEMMA est ms ligada a los aspectos tcnicos de la explotacin de
datos. En cuanto a las otras dos, estn ms enfocadas en el negocio en s; es decir en la aplicacin
de la Minera de Datos a los negocios. Esta diferencia se ve especficamente en la primera etapa
donde SEMMA arranca directamente en el trabajo de datos mientras que CRISP-DM y Microsoft
empiezan por el estudio del negocio y sus objetivos, y luego recin se transforma en un problema
tcnico.

Analizando la propuesta metodolgica de Microsoft se puede ver que est ntimamente vinculada a
la aplicacin de las herramientas de su propia compaa (Microsoft) especialmente en lo que
respecta a la integracin de servicios, vista de origen de datos y diseador de minera de datos. Lo
mismo ocurre con la metodologa SEMMA la cual est ligada a herramientas SAS.

Para concluir se puede decir que uno de los motivos por los cuales fue escogida para el presente
proyecto la metodologa CRISP-DM es que este sistema est diseado como una metodologa
independiente de la herramienta tecnolgica a utilizar en la Explotacin de Datos. Esto ltimo la
hace ms flexible. Otro punto importante es que es de libre acceso y cumple con la caracterstica de
ser orientada al negocio. Para esta implementacin su desarrollo ser aplicado a los datos de la
Industria Automotriz.

Finalmente tambin es posible resaltar que la metodologa CRISP-DM es ms completa debido a
que tiene toda una fase dedicada al entendimiento del negocio.

La Tabla 1 muestra un cuadro comparativo entre las diferentes metodologas descriptas hasta aqu.

Metodologas CRISP-DM SEMMA Microsoft
Estructura Fases y niveles Fases Fases
Niveles Parte de lo general a
lo especfico
No tiene No tiene
Fases Anlisis del problema
Anlisis de datos
Preparacin de Datos
Modelado
Evaluacin
Explotacin
Muestreo
Exploracin
Manipulacin
Modelado
Valoracin
Definir el problema
Preparar los datos
Explorar los datos
Generar modelos
Explorar y validar los modelos
Implementar y actualizar los modelos
Herramientas Genricas SAS Microsoft
Procesos Iterativo e interactivo
entre fases
Iterativo e interactivo entre
fases
Iterativo e interactivo entre fases
Documentacin Modelo de referencia
Gua de usuario
No se especifica No se especifica
Objetivos Se centra en los
objetivos
empresariales del
proyecto
Se centra en las
caractersticas tcnicas del
desarrollo del proceso
Se centra en los objetivos
empresariales del proyecto
Tabla 1: Cuadro comparativo de metodologas




4. La metodologa CRISP-DM

4.1. Introduccin
4.1.1. La Metodologa CRISP-DM

4.1.1.1. Interrupcin jerrquica

La metodologa de CRISP-DM est descrita en trminos de un modelo de proceso jerrquico
consistente en un conjunto de tareas descritas en cuatro niveles de abstraccin (de lo general a lo
especfico): fase, tarea genrica, tarea especializada, e instancia de procesos. (Ver figura 4.)

Figura 4: Cuatro niveles de interrupcin de la metodologa CRISP-DM

En el nivel superior, el proceso de minera de datos es organizado en un nmero de fases; cada fase
consiste de varias tareas genricas de segundo nivel. Este segundo nivel es llamado genrico porque
esta destinado a ser bastante general para cubrir todas las situaciones posibles de minera de datos.
Las tareas genricas estn destinadas a ser tan completas y estables como sea posible. Completo
significa que cubre tanto al proceso entero de minera de datos como todas las aplicaciones de
minera de datos posibles. Estable significa que el modelo debera ser vlido para acontecimientos
normales y an para desarrollos imprevistos como tcnicas de modelado nuevo.

El tercer nivel, el nivel de tarea especializado, es el lugar para describir como las acciones en las
tareas genricas deberan ser realizadas en ciertas situaciones especficas. Por ejemplo, en el
segundo nivel podra haber una tarea genrica llamada limpieza de datos. El tercer nivel describe
como esta tarea se distingue en situaciones diferentes, como la limpieza de valores numricos
contra la limpieza de valores categricos, o si el tipo de problema es de agrupamiento o de
modelado predictivo.

La descripcin de fases y tareas como pasos discretos realizados en un orden especfico representa
una secuencia idealizada de eventos.

En la prctica, muchas de las tareas pueden ser realizadas en un orden diferente, y esto a menudo es
necesario para volver a hacer tareas anteriores repetidamente y repetir ciertas acciones. Este modelo

de proceso no intenta capturar todas estas posibles rutas del proceso de la minera de datos porque
esto requerira un modelo de proceso demasiado complejo.

El cuarto nivel, la instancia de proceso, es un registro de las acciones, decisiones, y de los
resultados de una minera de datos real.
Una instancia de proceso esta organizado segn las tareas definidas en los niveles ms altos, pero
representa ms bien lo que en realidad sucede en un caso particular que lo que sucede en general.

4.1.1.2. Modelo de referencia y gua de usuario

Horizontalmente, la metodologa de CRISP-DM distingue entre el modelo de referencia y la gua de
usuario. El modelo de referencia presenta una descripcin rpida de fases, las tareas, y sus salidas, y
describe que hacer en el proyecto de minera de datos. La gua de usuario da consejos ms
detallados e insinuaciones para cada fase y cada tarea dentro de una fase, y representa como realizar
un proyecto de minera de datos.

4.1.2. Pasaje de modelos genricos a modelos especializados

4.1.2.1. Contexto de la minera de datos

El contexto de minera de datos traza un mapa entre lo genrico y el nivel especializado en CRISP-
DM. Actualmente se distinguen cuatro dimensiones diferentes de contextos de minera de datos:

El dominio de aplicacin es el rea especfica en la que el proyecto de minera de datos toma
lugar.
Los tipos de problemas de minera de datos describen la(s) clase(s) especfica(s) de
objetivo(s) con el que el proyecto de minera de datos trata.
El aspecto tcnico cubre cuestiones especficas en minera de datos que describe diferentes
(tcnicas) dificultades que por lo general ocurren durante la minera de datos.
La herramienta y las especificaciones de dimensin tcnica en la que las herramienta(s) de
minera de datos y/o tcnicas son aplicadas durante el proyecto de minera de datos.

La Tabla 2 resume estas dimensiones de contextos de minera de datos y muestra ejemplos
especficos para cada dimensin.

Contexto Data Mining
Dimensin
Dominio
Aplicacin
Tipo
Problema
Data Mining
Aspecto
Tcnico
Herramienta y
Tcnica
Modelar Respuesta Descripcin y
sumarizacin
Valores por
omisin
Clementine
Realizar Prediccin Segmentacin Outliers Mineset
Realizar Prediccin Descripcin
Concepto
Outliers Decision Tree
Clasificacin Decision Tree
Prediccin
Ejemplos
Anlisis
Dependencia

Tabla 2: Dimensin de contextos y ejemplos de minera de datos

Un contexto especfico de minera de datos es un valor concreto para una o ms de estas
dimensiones. Por ejemplo, un proyecto de minera de datos tratando con un problema de
clasificacin que se revuelve con la prediccin constituye un contexto especfico. Lo ms especfico
(los valores) para las dimensiones de contextos diferentes son fijadas (especificadas), lo mas
concreto es el contexto de minera de datos.

4.1.2.2. Pasaje con contextos

Se distinguen dos tipos diferentes de pasajes (plan) entre el nivel genrico y un especializado en el
CRISP-DM:

Pasaje para el presente: Si slo se aplica el modelo de proceso genrico para realizar un
proyecto de minera simple e intentar pasar de tareas genricas y sus descripciones al
proyecto especfico como requerido, se habla sobre un pasaje solo para (probablemente) un
solo uso.

Pasaje para el futuro: Si sistemticamente se especializa el modelo de proceso genrico
segn un contexto predefinido (o se analiza sistemticamente de modo similar y
consolidando las experiencias de un nico proyecto hacia un modelo de proceso
especializado para el uso futuro en contextos comparables), se habla explcitamente de la
sobre escritura de un modelo de proceso especializado en trminos de CRISP-DM.

Cualquiera de los tipos de trazados es apropiado segn sus propios objetivos, depende de su
contexto de minera de datos especficos y las necesidades de su organizacin.

4.1.2.3. Pasaje

La estrategia bsica para pasar un mapa del modelo de proceso genrico al nivel especializado es la
misma para ambos tipos de pasaje:

Analizar su contexto especfico.
Quitar cualquier detalle no aplicable a su contexto.
Agregar cualquier detalle especfico a su contexto.
Especializar (o instanciar) el contenido genrico segn las caractersticas concretas de su
contexto.
Renombrar el contenido genrico posible para proporcionar significados ms explcitos en
su contexto para la aclaracin.

4.2. El modelo de referencia CRISP-DM

El modelo de proceso corriente para la minera de datos proporciona una descripcin del ciclo de
vida del proyecto de minera de datos. Este contiene las fases de un proyecto, sus tareas respectivas,
y las relaciones entre estas tareas. En este nivel de descripcin, no es posible identificar todas las
relaciones. Las relaciones podran existir entre cualquier tarea de minera de datos segn los
objetivos, el contexto, y -lo ms importante- el inters del usuario sobre los datos.

El ciclo de vida del proyecto de minera de datos consiste en seis fases, se muestran en la Figura 2
(Fases del proceso de modelado metodologa CRISP-DM). La secuencia de las fases no es rgida.


El movimiento hacia adelante y hacia atrs entre fases diferentes es siempre requerido. El resultado
de cada fase determina que la fase o la tarea particular de una fase tienen que ser realizados
despus. Las flechas indican las ms importantes y frecuentes dependencias entre fases.

El crculo externo en la Figura 2 simboliza la naturaleza cclica de la minera de datos. La minera
de datos no se termina una vez que la solucin es desplegada. Las informaciones ocultas (lecciones
ocultas) durante el proceso y la solucin desplegada pueden provocar nuevas y a menudo ms
preguntas enfocadas en el negocio. Los procesos de minera subsecuentes se beneficiarn de las
experiencias previas. A continuacin se describe brevemente cada fase:

Comprensin del Negocio: Esta fase inicial se enfoca en la comprensin de los objetivos de
proyecto y exigencias desde una perspectiva de negocio, luego se convierte este
conocimiento de los datos en la definicin de un problema de minera de datos y en un plan
preliminar diseado para alcanzar los objetivos.
Comprensin de los datos: La fase de entendimiento de datos comienza con la coleccin
de datos inicial y contina con las actividades que permiten familiarizarse con los datos,
identificar los problemas de calidad de datos, descubrir los primeros conocimientos en los
datos, y/o descubrir subconjuntos interesantes para formar hiptesis en cuanto a la
informacin oculta.
Preparacin de Datos: La fase de Preparacin de Datos cubre todas las actividades
necesarias para construir el conjunto de datos final (los datos que sern provistos por las
herramientas de modelado) de los datos en bruto iniciales. Las tareas de Preparacin de
Datos probablemente van a ser realizadas muchas veces y no en cualquier orden prescripto.
Las tareas incluyen la seleccin de tablas, registros y atributos, as como la transformacin y
la limpieza de datos para las herramientas que modelan.
Modelado: En esta fase, varias tcnicas de modelado son seleccionadas y aplicadas, y sus
parmetros son calibrados a valores ptimos. Tpicamente hay varias tcnicas para el mismo
tipo de problema de minera de datos. Algunas tcnicas tienen requerimientos especficos
sobre la forma de datos. Por lo tanto, volver a la fase de Preparacin de Datos es a menudo
necesario.
Evaluacin: En esta etapa en el proyecto, se ha construido un modelo (o modelos) que
parece tener una alta calidad de la perspectiva de anlisis de datos. Antes de proceder al
despliegue final del modelo es importante evaluar a fondo el modelo y la revisin de los
pasos ejecutados para crearlo para comparar el modelo correctamente obtenido con los
objetivos de negocio. Un objetivo clave es determinar si hay alguna cuestin importante de
negocio que no ha sido suficientemente considerada. En el final de esta fase, una decisin en
el uso de los resultados de minera de datos debera ser tomada.
Desarrollo: La creacin del modelo no es generalmente el final del proyecto. Incluso si el
objetivo del modelo es de aumentar el conocimiento de los datos, el conocimiento ganado
debera ser organizado y presentado en el modo en el que el cliente pueda usarlo. Ello a
menudo implica la aplicacin de modelos "vivos" dentro de un proceso de toma de
decisiones de una organizacin, por ejemplo, en tiempo real la personalizacin de pgina
Web o la repetida obtencin de bases de datos de mercadeo. Dependiendo de los
requerimientos, la fase de desarrollo puede ser tan simple como la generacin de un informe
o tan compleja como la realizacin repetida de un proceso cruzado de minera de datos a
travs de la empresa. En muchos casos, es el cliente, no el analista de datos, quien lleva el
paso de desarrollo. Sin embargo, incluso si el analista realizara el esfuerzo de despliegue,
esto es importante para el cliente para entender que acciones necesitan ser ejecutadas en
orden para hacer uso de los modelos creados en ese momento.


La figura 5 presenta un contexto de fases acompaadas por tareas genricas y las salidas. En las
secciones siguientes, se describen cada tarea genrica y sus salidas ms detalladamente. La atencin
es enfocada en descripciones de tarea y resmenes de salidas.

Figura 5: Tareas genricas y salidas del modelo de referencia CRISP-DM

4.2.1. Comprensin del Negocio

La primera etapa de la metodologa apunta a la comprensin de los objetivos del proyecto desde el
punto de vista de los objetivos de negocio. En funcin del conocimiento obtenido del negocio se
plantea un problema de minera de datos. En esta etapa se desarrollan los pasos preliminares para
lograr los objetivos del negocio con herramientas de minera de datos.



Figura 6: Comprensin del Negocio

4.2.1.1. Determinacin de objetivos de negocio

Tarea: Determinar los objetivos de negocio

El primer objetivo para un contexto es entender desde una perspectiva de negocio lo que el cliente
realmente quiere lograr. A menudo el cliente tiene muchos objetivos que compiten y restricciones
que deben ser correctamente equilibrados. El objetivo debe ser mostrar (destapar) factores
importantes, al principio esto puede influir en el resultado del proyecto.

Una consecuencia posible de la negligencia de este paso es gastar un gran esfuerzo produciendo
respuestas correctas a preguntas incorrectas o erradas.

Salida: Contexto

Se registra la informacin que se conoce sobre la situacin de negocio de la organizacin en el
principio del proyecto.

Objetivos de negocio

Se describe el objetivo primario del cliente, desde una perspectiva de negocio. Adems de los
objetivos del negocio primario all hay tpicamente otras preguntas de negocio relacionadas con lo
que al cliente le gustara administrar. Por ejemplo, el objetivo primario del negocio podra ser
mantener a clientes corrientes por prediccin cuando ellos son propensos a moverse a un
competidor. Los ejemplos de preguntas relacionadas de negocio son Cmo el uso del canal

primario (por ejemplo, ATM, visita al negocio, Internet) afecta si los clientes se quedan o se van? o
Bajar los honorarios de ATM considerablemente reducir el nmero de los clientes ms importante
que se irn?

Criterios de xito de negocio

Se describen los criterios para un resultado acertado o til al proyecto desde el punto de vista del
negocio. Esto podra ser bastante especfico y capaz de ser medido objetivamente, por ejemplo, la
reduccin de clientes se revuelve a un cierto nivel o valor, o esto podra ser general y subjetivo,
como dar ideas tiles en las relaciones. En este ltimo caso, debera indicarse quien hace el juicio
subjetivo.

4.2.1.2. Evaluacin de la situacin

Tarea: Evaluar la situacin

Esta tarea implica la investigacin ms detallada sobre todos los recursos, restricciones,
presunciones, y otros factores que deberan ser considerados en la determinacin del objetivo de
anlisis de datos y el plan de proyecto. En la tarea anterior, su objetivo es ponerse rpidamente al
da con la situacin. Aqu se quiere ampliar sobre los detalles.

Salida: Inventario de recursos

Se listan los recursos disponibles para el proyecto, incluyendo el personal (expertos de negocio,
expertos de datos, soportes tcnicos, expertos en minera de datos), datos (extractos fijos,
aproximaciones a la vida real, almacenes de datos, o datos operacionales), recursos
computacionales (plataformas de hardware), y software (herramientas de minera de datos, otros
software relevantes).

Requerimientos, presunciones, y restricciones

Se listan todos los requerimientos del proyecto, incluyendo el programa de terminacin, la
comprensibilidad y calidad de los resultados, y la seguridad, as como las cuestiones legales. Como
parte de esta salida se debe asegurar que se permita usar los datos.

Se listan las presunciones hechas por el proyecto. Estas pueden ser presunciones sobre los datos que
pueden ser verificados durante la minera de datos, pero tambin puede incluir presunciones no
comprobables sobre el negocio relacionado con el proyecto. Es en particular importante listar si esto
afectar la validez de los resultados.

Se listan las restricciones sobre el proyecto. Estas pueden ser restricciones sobre la disponibilidad
de recursos, pero puede tambin incluir coacciones tecnolgicas como el tamao de conjunto de
datos lo que es prctico para usar el modelado.

Riesgos y contingencias

Se listan los riesgos o los acontecimientos que podran retrasar el proyecto o hacer que falle. Se
listan los planes de contingencia correspondientes, que accin ser tomada si estos riesgos o
acontecimientos ocurren.


Terminologa

Se compila un glosario de terminologa relevante al proyecto. Esto puede incluir dos componentes:

(1) Un glosario de terminologa relevante del negocio, que forma parte de la comprensin del
negocio disponible al proyecto. La construccin de este glosario es una til evocacin al
conocimiento y un ejercicio de educacin.

(2) Un glosario de terminologa de minera de datos, ilustrada con ejemplos relevantes al problema
del negocio en cuestin.

Costos y beneficios

Se construye un anlisis de costo-beneficio para el proyecto, que compare los gastos del proyecto
con los beneficios potenciales al negocio si esto es exitoso. La comparacin debera ser tan
especfica como sea posible. Por ejemplo, usar medidas monetarias en una situacin comercial.

4.2.1.3. Determinacin de los objetivos de la minera de datos

Tarea: Determinar los objetivos de la minera de datos

Un objetivo de negocio declara objetivos en la terminologa de negocio. Un objetivo de minera de
datos declara objetivos de proyecto en trminos tcnicos. Por ejemplo, el objetivo de negocio podra
ser Aumentar catlogos de ventas a clientes existentes. Un objetivo de minera de datos podra ser
Predecir cuantas baratijas un cliente comprar, obteniendo datos de sus compras de tres aos
pasados, informacin demogrfica (edad, sueldo, ciudad, etc.), y el precio del artculo.

Salida: Objetivos de la minera de datos

Se describen las salidas intencionadas del proyecto que permiten el logro de los objetivos de
negocio.

Criterios de xito de la minera de datos

Se definen los criterios de un resultado exitoso para el proyecto en trminos tcnicos por ejemplo,
un cierto nivel de prediccin precisa o un perfil de inclinacin a comprar con un determinado grado
de "elevacin". Como con un criterio de xito de negocio, puede ser necesario describir estos en
trminos subjetivos, en este caso la persona o las personas que hacen el juicio subjetivo deberan ser
identificadas.

4.2.1.4. Producir el plan del proyecto

Tarea: Producir el plan del proyecto

Se describe el plan intencionado para alcanzar los objetivos de minera de datos y as alcanzar los
objetivos de negocio.

El plan debera especificar los pasos para ser realizados durante el resto del proyecto, incluyendo la
seleccin inicial de herramientas y tcnicas.


Salida: Plan del Proyecto

Se listan las etapas a ser ejecutadas en el proyecto, juntos con su duracin, recursos requeridos,
entradas, salidas, y dependencias. Donde sea posible, se debe hacer explcita la iteracin en gran
escala en el proceso de minera de datos. Por ejemplo, las repeticiones del modelado y las fases de
evaluacin.

Como parte del plan de proyecto es tambin importante analizar dependencias entre la planificacin
de tiempo y los riesgos.

Se marcan los resultados de estos anlisis explcitamente en el plan de proyecto, idealmente con
acciones y recomendaciones si los riesgos se manifiestan.

El plan de proyecto contiene proyectos detallados para cada fase. Se decide en este punto que
estrategia de evaluacin ser usada en la fase de evaluacin.

El plan de proyecto es un documento dinmico debido a que en el final de cada fase son necesarios
una revisin del progreso y logros y es recomendada una actualizacin correspondiente del plan de
proyecto. Los puntos de revisin especficas para estas actualizaciones son parte del plan del
proyecto.

Evaluacin inicial de herramientas y tcnicas

En el final de la primera fase, una evaluacin inicial de herramientas y tcnicas debera ser
realizada. Aqu, por ejemplo, se puede seleccionar una herramienta de minera de datos que soporte
varios mtodos para las distintas etapas del proceso. Es importante evaluar herramientas y tcnicas
tempranamente en el proceso desde la seleccin de herramientas y tcnicas y esto puede influir en el
proyecto entero.
4.2.2. Comprensin de Datos

En esta fase se desarrolla el entendimiento de datos y todas aquellas actividades relacionadas con la
limpieza de datos, identificacin de problemas vinculados con la toma de datos, procedimientos
para determinar la calidad de datos y todo lo tendiente a facilitar la familiarizacin con los datos. A
partir de esta etapa se determinan los primeros subconjuntos de datos que pueden contener la
informacin que se est buscando.



Figura 7: Comprensin de Datos

4.2.2.1. Recoleccin de datos iniciales

Tarea: Recolectar datos iniciales

Se adquieren en el proyecto los datos (o el acceso a los datos) listados en los recursos del proyecto.
Esta coleccin inicial incluye carga de datos, si es necesario para la comprensin de los datos. Por
ejemplo, si se usa un instrumento especfico para la comprensin de los datos, esto perfectamente se
entiende para abrir sus datos en esta herramienta. Este esfuerzo posiblemente conduce a los pasos
iniciales de Preparacin de Datos.

Si se adquieren datos de mltiples fuentes, la integracin es una cuestin adicional, aqu o ms tarde
en las fases de Preparacin de Datos.

Salida: Informe de coleccin de datos inicial

Se lista el conjunto de dato(s) adquirido(s), juntos con sus posiciones, los mtodos usados para
adquirirlos, y algunos de los problemas encontrados. Se registran los problemas encontrados y
algunas de las resoluciones alcanzadas. Esto ayuda a la rplica (observacin) futura del proyecto o a
la ejecucin de proyectos similares futuros.


4.2.2.2. Describir los datos

Tarea: Describir los datos

Se examinan las propiedades "gruesas" o "superficiales" de los datos e informes adquiridos en los
resultados.

Salida: Informe de descripcin de datos

Se describen los datos que han sido adquiridos, incluyendo su formato, la cantidad de datos (por
ejemplo, el nmero de registros y campos en cada tabla), los identificadores de los campos, y
cualquier otro rasgo superficial que ha sido descubierto. Se evala si los datos adquiridos satisfacen
las exigencias relevantes.

4.2.2.3. Explorar los datos

Tarea: Explorar los datos

Esta tarea dirige interrogantes de minera de datos usando preguntas, visualizacin, y tcnicas de
reporte. Estos incluyen la distribucin de atributos claves (por ejemplo, el atributo objetivo de una
tarea de prediccin) relacionados entre pares o pequeos nmeros de atributos, los resultados de
simples agregaciones, las propiedades de las subpoblaciones significativas, y anlisis estadsticos
simples. Estos anlisis directamente pueden dirigir los objetivos de minera de datos; ellos tambin
pueden contribuir o refinar la descripcin de datos e informes de calidad, y alimentar en la
transformacin y otros pasos de Preparacin de Datos necesarios para anlisis futuros.

Salida: Informe de exploracin de datos

Se describen los resultados de esta tarea, incluyendo primeras conclusiones o hiptesis iniciales y su
impacto sobre el resto del proyecto. Si es apropiado, se pueden incluir grficos y plots para indicar
las caractersticas de datos que sugieren ms examen de subconjuntos de datos interesantes.

4.2.2.4. Verificar la calidad de los datos

Tarea: Verificar la calidad de los datos

Se examina la calidad de los datos, dirigiendo preguntas como: Los datos estn completos? Esto
cubre todo los casos requeridos? Son correctos, o estos contienen errores y, si hay errores, que tan
comunes son estos? Hay valores omitidos en los datos? Si es as, como se representan estos,
donde ocurre esto, y que tan comunes son estos?

Salida: Informe de calidad de datos

Se listan los resultados de la verificacin de calidad de datos; si existen problemas de calidad, se
listan las posibles soluciones. Las soluciones a los problemas de calidad de datos generalmente
dependen tanto del conocimiento de los datos como del negocio.
4.2.3. Preparacin de Datos


En esta etapa se desarrollan las actividades para construir el conjunto de datos final. Aqu se
relaciona directamente el formato de los datos obtenidos con las herramientas de minera de datos a
utilizar. La tarea de Preparacin de Datos probablemente ser desarrollada en ms de una fase en
paralelo a lo largo de todo el proyecto. Esta fase y sus tareas estn vinculados con los aspectos
tcnicos de sistemas como lo son las base de datos, tablas, registros, documentos electrnicos y
todos los programas / procesos para la transformacin de los datos en informacin utilizable por los
modelos de minera de datos.

Figura 8: Preparacin de Datos

Salida: Conjunto de datos

Este es el conjunto (o conjuntos) producido por la fase de Preparacin de Datos, que es usada para
modelar o para el trabajo principal de anlisis del proyecto.


Descripcin del conjunto de datos

Se describe el conjunto de datos (o conjuntos) que es usado para el modelado y el trabajo principal
de anlisis del proyecto.

4.2.3.1. Seleccin de datos

Tarea: Seleccionar datos

Se decide si los datos son usados para el anlisis. Los criterios incluyen tanto la importancia a los
objetivos de la minera de datos, la calidad, y las restricciones tcnicas como los lmites sobre el
volumen de datos o los tipos de datos. La seleccin de datos puede cubrir tanto la seleccin de
atributos (columnas) como la seleccin de registros (filas) en una tabla.

Salida: Razonamiento para la inclusin/exclusin

Se listan los datos para ser incluidos o excluidos y los motivos para estas decisiones.

4.2.3.2. Limpieza de datos

Tarea: Limpiar datos

Se eleva la calidad de los datos al nivel requerido por las tcnicas de anlisis seleccionadas. Esto
puede implicar la seleccin de los subconjuntos de datos limpios, la insercin de datos por defecto
adecuados, o tcnicas ms ambiciosas tales como la estimacin de datos faltantes mediante
modelado.

Salida: Informe de la limpieza de los datos

Se describe que decisiones y acciones fueron tomadas para dirigir los problemas de calidad de datos
informados durante la tarea de Verificacin de Calidad de Datos de la fase de Comprensin de
Datos. Las transformaciones de los datos para una apropiada limpieza y el posible impacto en el
anlisis de resultados deberan ser considerados.

4.2.3.3. Construir datos

Tarea: Construir datos

Esta tarea incluye la construccin de operaciones de preparacin de datos tales como la produccin
de atributos derivados o el ingreso de nuevos registros, o la transformacin de valores para atributos
existentes.

Salidas: Atributos derivados

Los atributos derivados son los atributos nuevos que son construidos de uno o ms atributos
existentes en el mismo registro. Ejemplo: rea =longitud x anchura.


Registros generados

Se describe la creacin de registros completamente nuevos. Ejemplo: Crear registros para los
clientes quienes no hicieron compras durante el ao pasado. No habra ninguna razn de tener tales
registros en los datos brutos, pero para el objetivo del modelado esto podra tener sentido para
representar explcitamente el hecho que ciertos clientes no hayan hecho ninguna compra.

4.2.3.4. Integrar datos

Tarea: Integrar datos

Estos son los mtodos por el cual la informacin es combinada desde mltiples tablas o registros
para crear nuevos registros o valores.

Salida: Combinacin de datos

La combinacin de tablas se refiere a la unin simultnea de dos o ms tablas que tienen
informacin diferente sobre el mismo objeto. Ejemplo: una cadena de venta al pblico tiene una
tabla con la informacin sobre las caractersticas generales de cada tienda (por ejemplo, el espacio,
el tipo de comercio), otra tabla con datos resumidos de las ventas (por ejemplo, el beneficio, el
cambio porcentual en ventas desde el ao anterior), y la otra con informacin sobre los datos
demogrficos del rea circundante. Cada una de estas tablas contiene un registro para cada tienda.
Estas tablas pueden ser combinadas simultneamente en una nueva tabla con un registro para cada
tienda, combinando campos de las tablas fuentes.

Los datos combinados tambin cubren agregaciones. La agregacin se refiere a operaciones en la
que nuevos valores de informacin resumida son calculados desde mltiples registros y/o tablas.
Por ejemplo, convirtiendo una tabla de compra de clientes donde hay un registro para cada compra
en una tabla nueva donde hay un registro para cada cliente, con campos tales como el nmero de
compras, el promedio de la cantidad de compra, el porcentaje de ordenes cobrados a tarjeta de
crdito, el porcentaje de artculos bajo promocin, etc.

4.2.3.5. Formatear datos

Tarea: Formatear datos

Se refiere a modificaciones principalmente sintcticas hechas a los datos que no cambian su
significado, pero podra ser requerido por la herramienta de modelado.

Salida: Datos reformateados

Algunas herramientas tienen requerimientos sobre el orden de los atributos, tales como el primer
campo que es un nico identificador para cada registro o el ltimo campo que es el campo resultado
que el modelo debe predecir.

Podra ser importante cambiar el orden de los registros en el conjunto de datos. Quizs la
herramienta de modelado requiere que los registros sean clasificados segn el valor del atributo de
resultado.


Comnmente, los registros del conjunto de datos son ordenados al principio de algn modo, pero el
algoritmo que modela necesita que ellos estn en un orden moderadamente arbitrario. Por ejemplo,
cuando se usan redes neuronales, esto es generalmente mejor para los registros para ser presentados
en un orden aleatorio, aunque algunas herramientas manejen esto automticamente sin la
intervencin explicita del usuario.

Adems, hay cambios puramente sintcticos hechos para satisfacer las exigencias de la herramienta
de modelado especfica. Ejemplos: el quitar las comas de adentro de campos de texto en ficheros de
datos delimitados por coma, cortar todos los valores a un mximo de 32 caracteres.
4.2.4. Modelado

En esta fase se eligen diferentes tcnicas de modelado de datos y se estudian y ajustan parmetros
con los valores correctos para el proyecto. Existen en el universo tecnolgico muchas tcnicas para
la resolucin del mismo problema de minera de datos. Es altamente probable que desde el
modelado sea necesario volver a la fase de preparacin de datos puesto que todas las tcnicas en
evaluacin pueden tener requisitos de formato de datos diferentes. Durante esta etapa los datos son
procesados ms de una vez posiblemente por cada herramienta.

Figura 9: Modelado


4.2.4.1. Seleccin de la tcnica de modelado

Tarea: Escoger la tcnica de modelado

Como primer paso en modelado, se debe seleccionar la tcnica de modelado real que va a ser
usado.

Aunque se haya podido seleccionar una herramienta durante la fase de Comprensin del Negocio,
esta tarea se refiere a la tcnica de modelado especfico, por ejemplo, un rbol de decisin
construido con C4.5, o la generacin de redes neuronales Back-Propagacin. Si mltiples tcnicas
son aplicadas, se realiza esta tarea separadamente para cada tcnica.

Salida: Tcnicas de modelado

Se documenta la tcnica de modelado real que se est por usar.

Presunciones del modelado

Muchas tcnicas de modelado hacen presunciones especficas sobre los datos como por ejemplo que
todos los atributos tengan distribuciones uniformes, no encontrar valores no permitidos, el atributo
de clase debe ser simblico, etc. Se debe registrar cualquiera de tales presunciones hechas.

4.2.4.2. Generacin de la prueba de diseo

Tarea: Generar la prueba de diseo

Antes de construir un modelo, se debe generar un procedimiento o el mecanismo para probar la
calidad y validez del modelo. Por ejemplo, en tareas de minera de datos supervisados como la
clasificacin, es comn usar tasas de errores como medida de calidad para modelos de minera de
datos. Por lo tanto, tpicamente se separa el conjunto de datos en una serie y en un conjunto de
prueba construimos el modelo sobre el conjunto de series, y se estima su calidad sobre el conjunto
de prueba separado.

Salida: Prueba de diseo

Se describe el plan intencionado para el entrenamiento, la prueba, y la evaluacin de los modelos.
Un componente primario del plan determina como dividir un conjunto de datos disponible en datos
de entrenamiento, datos de prueba, y conjunto de datos de validacin.

4.2.4.3. Construccin del modelo

Tarea: Construir el modelo

Se ejecuta la herramienta de modelado sobre el conjunto de datos preparados para crear uno o ms
modelos.

Salidas: Parmetros de ajustes


Con cualquier herramienta de modelado, hay a menudo un gran nmero de parmetros que pueden
ser ajustados. Se listan los parmetros y sus valores escogidos, tambin con el razonamiento para
elegir los parmetros de ajustes.

Modelos

Estos son los modelos reales producidos por la herramienta de modelado, no un informe.

Descripciones del modelo

Se describen los modelos obtenidos. Se informa sobre la interpretacin de los modelos y se
documenta cualquier dificultad encontrada con sus significados.

4.2.4.4. Evaluacin del modelo

Tarea: Evaluar el modelo

Se interpretan los modelos segn su conocimiento de dominio, los criterios de xitos de minera de
datos, y el diseo de prueba deseado. Se juzga el xito de la aplicacin del modelado y se descubren
tcnicas mas tcnicamente; se necesita tomar contacto con analistas de negocio y expertos en el
dominio luego para hablar de los resultados de la minera de datos en el contexto de negocio. Se
nota que esta tarea slo se considera para modelos, mientras que la fase de evaluacin tambin toma
en cuenta todos los otros resultados que fueron producidos en el curso del proyecto.

Se intenta clasificar los modelos. Se evalan los modelos segn los criterios de evaluacin. Tanto
como es posible, tambin se tiene en cuenta objetivos del negocio y criterios de xito de negocio.
En los grandes proyectos de minera de datos, se aplica una sola tcnica ms de una vez, o se
generan resultados de minera de datos con varias tcnicas diferentes. En esta tarea, se comparan
todos los resultados segn los criterios de evaluacin.

Salida: Evaluacin de modelos

Se resumen los resultados de esta tarea, se listan las calidades de los modelos generados (por
ejemplo, en trminos de exactitud), y se clasifican su calidad en relacin con cada uno.

Parmetros de ajustes revisados

Segn la evaluacin del modelo, se revisan los parmetros de ajuste para la siguiente corrida en la
tarea de Construccin del Modelo. Se repite la construccin y evaluacin del modelo hasta que se
encuentre el/los mejor/es modelo/s. Se documenta todo, tanto las revisiones como las evaluaciones.
4.2.5. Evaluacin

Hasta esta fase se han obtenido algunos modelos de minera de datos con sus datos y parmetros
establecidos en forma ptima pero antes de pasar a la etapa final es necesario evaluar los resultados
obtenidos por la ejecucin de los programas en funcin de los objetivos de negocio. Aqu se puede
presentar la necesidad de eliminar, modificar o considerar nuevas cuestiones relacionadas con el
negocio. Al final de la fase probablemente se tomarn algunas decisiones.



Figura 10: Evaluacin

4.2.5.1. Evaluacin de los resultados

Tarea: Evaluar los resultados

Los pasos de la evaluacin anterior tratan con factores como la exactitud y la generalidad del
modelo. Este paso evala el grado al que el modelo responde (encuentra) los objetivos de negocio y
procura determinar si hay alguna decisin de negocio por el que este modelo es deficiente. Otra
opcin de evaluacin es probar el/los modelo/s sobre aplicaciones de prueba en la aplicacin real, si
el tiempo y las restricciones de presupuesto lo permiten.

Adems, la evaluacin tambin verifica otros resultados generados por la minera de datos. Los
resultados de la minera de datos implican modelos que necesariamente son relacionados con los
objetivos originales de negocio y todas los otros descubrimientos que no son relacionados
necesariamente con los objetivos originales de negocio, pero tambin podra revelar desafos
adicionales, informacin, o insinuaciones para futuras direcciones.

Salida: Evaluacin de los resultados de la minera de datos en lo que concierne a criterios de
xito de negocio

Se resumen los resultados de evaluacin en trminos de criterios de xito de negocio, incluyendo
una declaracin final en cuanto a si el proyecto ya encuentra los objetivos iniciales de negocio.

Modelos aprobados

Despus de la evaluacin de modelos en lo que concierne a criterios de xito de negocio, los
modelos generados que encuentran los criterios seleccionados son los modelos aprobados.


4.2.5.2. Proceso de revisin

Tarea: Revisar el proceso

En este punto, los modelos resultantes pasan a ser satisfactorios y a satisfacer las necesidades de
negocio. Ahora es apropiado hacer una revisin ms cuidadosa de los compromisos de la minera de
datos para determinar si hay algn factor importante o tarea que de algn modo ha sido pasada por
alto. Esta revisin tambin cubre cuestiones de calidad como por ejemplo: Se construy
correctamente el modelo? Se usan slo los atributos que se permitieron usar y que estn
disponibles para anlisis futuros?

Salida: Revisin de proceso

Se resume la revisin de proceso y se destacan las actividades que han sido omitidas y/o aquellas
que deberan ser repetidas.

4.2.5.3. Determinacin de los prximos pasos

Tarea: Determinar los prximos pasos

Segn los resultados de la evaluacin y la revisin de proceso, se decide como proceder. Se decide
si hay que terminar este proyecto y tomar medidas sobre el desarrollo si es apropiado, tanto iniciar
ms iteraciones, o comenzar nuevos proyectos de minera de datos. Esta tarea incluye los anlisis de
recursos restantes y del presupuesto, que puede influir en las decisiones.

Salida: Lista de posibles acciones

Se listan las acciones futuras potenciales, con los motivos a favor y en contra de cada opcin.

Decisin

Se describe la decisin en cuanto a como proceder, junto con el razonamiento.

4.2.6. Desarrollo

El final del proyecto no termina con el modelado de datos y su ejecucin y posterior evaluacin de
los resultados puesto que el conocimiento obtenido hasta aqu debe ser presentado de forma clara y
precisa a todos los actores dentro de la organizacin. Se puede presentar un simple informe de
resultados, desarrollar una aplicacin para la presentacin de los resultados o bien instruir al usuario
de los modelos para que ellos mismos generen y ejecuten los modelos con nuevos datos. Es
importante al final de esta fase tener desarrollada toda la documentacin del proyecto para dar
independencia al usuario final en la utilizacin y generacin de nuevos procesos de explotacin de
datos.



Figura 11: Desarrollo

4.2.6.1. Desarrollo del plan

Tarea: Desarrollar el plan

De acuerdo al desarrollo de los resultados de minera de datos en el negocio, esta tarea toma los
resultados de la evaluacin y determina una estrategia para el desarrollo. Si un procedimiento
general ha sido identificado para crear el/los modelo/s relevante/s, este procedimiento es
documentado aqu para el desarrollo posterior.

Salida: Desarrollo del plan

Resumir la estrategia de desarrollo, incluyendo los pasos necesarios y como realizarlos.

4.2.6.2. Plan de supervisin y mantenimiento

Tarea: Planear la supervisin y el mantenimiento

La supervisin y el mantenimiento son cuestiones importantes si los resultados de minera de datos
son parte del negocio cotidiano y de su ambiente. La preparacin cuidadosa de una estrategia de
mantenimiento ayuda a evitar largos periodos innecesarios de uso incorrecto de resultados de
minera de datos. Para supervisar el desarrollo de los resultados de la minera de datos, el proyecto
necesita un plan detallado de proceso de supervisin. Este plan tiene en cuenta el tipo especfico de
desarrollo.


Salida: Supervisin y plan de mantenimiento

Se resume la estrategia de supervisin y mantenimiento incluyendo los pasos necesarios y como
realizarlos.

4.2.6.3. Informe definitivo de producto

Tarea: Producir el informe final

En el final del proyecto, se sobrescribe un informe final. Segn el plan de desarrollo, este informe
puede ser slo un resumen del proyecto y sus experiencias (si stas an no han sido documentadas
como una actividad en curso) o sta puede ser una presentacin final y comprensiva de los
resultados de minera de datos.

Salidas: Informe definitivo

Esto es el informe escrito final del compromiso de la minera de datos. Esto incluye todo el
desarrollo anterior, el resumen y la organizacin de los resultados.

Presentacin final

Tambin a menudo habr una reunin en la conclusin del proyecto en el que los resultados son
presentados verbalmente al cliente.

4.2.6.4. Revisin del proyecto

Tarea: Revisar el proyecto

Se evala lo que fue correcto y lo que se equivoc, lo que fue bien hecho y lo que necesita ser
mejorado.

Salida: Documentacin de la experiencia

Se resumen las experiencias importantes ganadas durante el proyecto. Por ejemplo, trampas,
accesos engaosos, o las insinuaciones para seleccionar las mejores tcnicas de minera de datos en
situaciones similares podran ser la parte de esta documentacin. En proyectos ideales, la
documentacin de la experiencia tambin cubre cualquier informe que ha sido escrito por miembros
individuales del proyecto durante las fases del proyecto y sus tareas.

4.3. La gua de usuario de CRISP-DM
4.3.1. Comprendiendo el negocio

4.3.1.1. Determinacin de objetivos de negocio

Tarea: Determinar objetivos de negocio

El primer objetivo es comprender a fondo, desde una perspectiva de negocio, lo que el cliente
realmente quiere lograr. A menudo el cliente tiene muchos objetivos y restricciones que compiten
que deben ser correctamente equilibrados. El objetivo debe ser destapar factores importantes en el

principio del proyecto esto puede influir en el resultado final. Una consecuencia probable de
descuidar este paso puede ser a expensas de un gran esfuerzo de producir las respuestas correctas a
las preguntas incorrectas.

Salida: Contexto

Se debe cotejar la informacin sobre la situacin de negocio de la organizacin al principio del
proyecto. Estos detalles no slo sirven para identificar ms estrechamente los objetivos de negocio a
ser alcanzados, sino tambin sirven para identificar los recursos, tanto humanos como materiales,
que pueden ser usados durante el curso del proyecto.

Actividades: Organizar

Desarrollar organigramas que identifiquen divisiones, departamentos, y grupos de proyectos.
El organigrama debera tambin identificar los nombres de los gerentes y sus
responsabilidades.
Identificar a personas claves en el negocio y sus roles.
Identificar a un patrocinador interno (el patrocinador financiero y el experto primario del
dominio de usuario).
Indicar si hay un comit de direccin y lista de miembros.
Identificar las unidades de negocio que son afectadas por el proyecto de minera de datos
(por ejemplo, el Control de comercializacin, Ventas, Finanzas).

rea del problema

Identificar el rea del problema (por ejemplo, el control de comercializacin, el cuidado de
cliente, el desarrollo comercial, etc.).
Describir el problema en trminos generales.
Comprobar el estado actual del proyecto (por ejemplo, comprobar si ya esta claro que dentro
de la unidad de negocio un proyecto de minera de datos debe ser realizado, o si la minera
de datos necesita ser promovida como una tecnologa clave en el negocio).
Clarificar los requisitos previos del proyecto (por ejemplo, Cul es la motivacin del
proyecto? La minera de datos ya est siendo usada en el negocio?).
Si es necesario, preparar presentaciones y demostraciones de minera de datos para el
negocio.
Identificar grupos de objetivos para el resultado de proyecto (por ejemplo, Se espera
entregar un informe para la direccin superior o un sistema operacional para ser usado por
usuarios finales inexpertos?).
Identificar las necesidades de los usuarios y sus expectativas.

Solucin actual

Describir cualquier solucin usada actualmente para dirigir el problema.
Describir las ventajas y las desventajas de la solucin corriente y el nivel al que esto es
aceptado por los usuarios.


Salida: Objetivos de negocio

Describir el objetivo primario del cliente, desde una perspectiva de negocio. Adems del objetivo de
negocio primario, hay tpicamente un gran nmero de preguntas relacionadas al negocio a las que al
cliente le gustara dirigir. Por ejemplo, el objetivo primario de negocio podra ser mantener a
clientes actuales por prediccin cuando ellos son propensos a moverse a un competidor, mientras un
objetivo secundario de negocio podra ser el de determinar si precios (comisiones) inferiores afectan
slo un a segmento particular de clientes.

Actividades

De manera informal describir el problema a ser solucionado.
Especificar todas las preguntas de negocio tan precisas como sea posible.
Especificar cualquier otras exigencias de negocio (por ejemplo, el negocio no quiere perder
a ningn cliente).
Especificar las ventajas esperadas en trminos de negocio.

Se debe tener cuidado

Se debe tener cuidado de establecer objetivos inalcanzables. Deben ser tan realistas como posibles y
hechos por ellos.

Salida: Criterios de xito de negocio

Describir los criterios para un resultado exitoso o til al proyecto desde el punto de vista del
negocio. Esto podra ser bastante especfico y fcilmente medible, como una reduccin de cliente a
un cierto grado, o general y subjetivo, como dar ideas tiles en las relaciones. En el caso ltimo,
se debe estar seguro de indicar quien hara el juicio subjetivo.

Actividades

Especificar criterios de xito de negocio (por ejemplo, Mejorar la tasa de respuesta en una
campaa de correo en el 10 por ciento y marcar la tasa en el 20 por ciento).
Identificar quien evala los criterios de xito.

Se debe recordar

Cada uno de los criterios de xito debera relacionarse con al menos uno de los objetivos
especificados de negocio.

Se recomienda

Antes del comienzo de la evaluacin de situacin, se podra analizar las experiencias anteriores del
problema. Internamente, usando CRISP-DM, o externamente, usando soluciones pre-empaquetadas.


4.3.1.2. Evaluacin de la situacin

Tarea: Evaluar la situacin

Esta tarea implica una investigacin ms detallada sobre todos los recursos, restricciones,
presunciones, y otros factores que deberan ser considerados en la determinacin del objetivo de
anlisis de datos y en el desarrollo del plan de proyecto.

Salida: Inventario de recursos

Listar los recursos disponibles para el proyecto, incluyendo el personal (expertos de datos y de
negocios, soportes tcnicos, expertos en minera de datos), datos (extracciones fijas, acceso a datos
existentes en almacenes de datos u operacionales), recursos computacionales (plataformas de
hardware), y software (instrumentos de minera de datos, otros software relevantes).

Actividades: Recursos de Hardware

Identificar el hardware bsico.
Establecer la disponibilidad del hardware bsico para el proyecto de minera de datos.
Comprobar si la planificacin del mantenimiento de hardware se opone a la disponibilidad
del hardware para el proyecto de minera de datos.
Identificar el hardware disponible para ser usado por la herramienta de minera de datos (si
el instrumento es conocido en esta etapa).

Fuentes de datos y conocimientos

Identificar las fuentes de datos.
Identificar el tipo de fuentes de datos (fuentes en lnea, expertos, documentacin escrita,
etc.).
Identificar fuentes de conocimiento.
Identificar el tipo de fuentes de conocimientos (fuentes en lnea, expertos, documentacin
escrita, etc.).
Comprobar herramientas disponibles y tcnicas.
Describir el conocimiento de generalidades relevantes (de manera informal o formal).

Fuentes de personal

Identificar al patrocinador del proyecto.
Identificar al administrador de sistema, el administrador de base de datos, y el personal de
soporte tcnico para futuras preguntas.
Identificar al analista de mercado, los expertos en minera de datos, y estadsticos, y
comprobar su disponibilidad.
Comprobar la disponibilidad de expertos de dominio para fases posteriores

Se debe recordar

Se debe recordar que el proyecto puede necesitar personal tcnico en cualquier momento en todas
partes del proyecto, por ejemplo durante la transformacin de datos.


Salidas: Requerimientos, presunciones, y restricciones

Listar todos los requerimientos del proyecto, incluyendo la planeacin de la terminacin, la
comprensibilidad, y la calidad y seguridad de los resultados, as como cuestiones legales. Como
parte de esta salida, se debe asegurar que se permiten usar los datos.

Listar las presunciones hechas por el proyecto. Estos pueden ser presunciones sobre los datos, que
pueden ser verificados durante la minera de datos, pero tambin puede incluir presunciones no
comprobables relacionadas con el proyecto. Esto es en particular importante de ponerlos en una
lista si ellos afectarn la validez de los resultados.

Listar las restricciones hechas en el proyecto. Estas restricciones podran implicar la carencia de
recursos para terminar algunas tareas en el proyecto en el tiempo requerido, o pueden ser
restricciones legales o ticas sobre el uso de los datos o la solucin necesaria para terminar la tarea
de minera de datos.

Actividades: Requerimientos

Especificar el perfil del grupo objetivo.
Capturar todos los requerimientos en la planificacin.
Capturar los requerimientos de comprensibilidad, exactitud, desarrollar habilidades,
mantenimiento, y repetibilidad del proyecto de minera de datos y los modelos resultantes.
Capturar los requerimientos de seguridad, restricciones legales, de privacidad, informacin,
y planificacin de proyecto.

Presunciones

Aclarar todas las presunciones (incluyendo las implcitas) y las hechas por ellos
explcitamente (por ejemplo, dirigir las cuestiones de negocio, a un nmero mnimo de
clientes con la edad por encima de 50 es necesaria).
Listar las presunciones sobre calidad de datos (por ejemplo, exactitud, disponibilidad)
Listar las presunciones sobre factores externos (por ejemplo, cuestiones econmicas,
productos competitivos, avances tcnicos).
Aclarar presunciones que conducen a cualquiera de las estimaciones (por ejemplo, el precio
de un instrumento especfico es asumido para ser menor que $ 1.000).
Listar todas las presunciones en cuanto a si es necesario entender y describir o explicar el
modelo (por ejemplo, cmo el modelo y los resultados son presentados a la direccin /
patrocinador).

Restricciones

Comprobar restricciones generales (por ejemplo, cuestiones legales, presupuesto, escalas de
tiempo, y recursos).
Comprobar el correcto acceso a fuentes de datos (por ejemplo, restricciones de acceso, la
contrasea requerida).
Comprobar la accesibilidad de tcnica de datos (los sistemas operativos, el sistema de
administracin de datos, el formato de archivo y de base de datos).
Comprobar si el conocimiento relevante es accesible.
Comprobar restricciones de presupuesto (gastos fijos, gastos de implementacin, etc.).

Se debe recordar

La lista de presunciones tambin incluye presunciones al principio del proyecto, esto es, lo que el
punto de inicio del proyecto ha sido.

Salidas: Riesgos y contingencias

Listar los riesgos, es decir los acontecimientos que podran ocurrir, impactando en la planificacin,
el costo, o el resultado. Listar los planes de contingencias respectivos: que accin ser tomada para
evitar o reducir al mnimo el impacto o recuperarse de la ocurrencia de los riesgos previstos.

Actividades: Identificar riesgos

Identificar riesgos de negocio (por ejemplo, el competidor aparece primero con mejores
resultados).
Identificar riesgos de organizacin (por ejemplo, el departamento que solicita el proyecto no
tiene financiacin para el proyecto).
Identificar riesgos financieros (por ejemplo, aumentar la financiacin depende de los
resultados iniciales de minera de datos).
Identificar riesgos tcnicos.
Identificar los riesgos que dependen de datos y de las fuentes de datos (por ejemplo, la mala
calidad y cobertura).

Desarrollo de planes de contingencia

Determinar condiciones en las que cada riesgo puede ocurrir.
Desarrollar planes de contingencia.

Salida: Terminologa

Compilar un glosario de terminologa relevante al proyecto. Esto debera incluir al menos dos
componentes:

(1) Un glosario de terminologa relevante de negocio, que forma parte de la comprensin de
negocio disponible al proyecto.

(2) Un glosario de terminologa de minera de datos, ilustrada con ejemplos relevantes al problema
de negocio en cuestin.

Actividades

Comprobar la disponibilidad previa de glosarios; sino se debe comenzar a bosquejar
glosarios.
Hablar a expertos de dominio para entender la terminologa.
Familiarizarse con la terminologa de negocio.

Salida: Costos y beneficios

Preparar un anlisis de costo-beneficio para el proyecto, comparando los gastos del proyecto con el
beneficio potencial para el negocio si esto es exitoso.

Actividades

Estimar el costo para la coleccin de datos.
Estimar el costo de desarrollo y realizacin de una solucin.
Identificar beneficios (por ejemplo, mejorar la satisfaccin del cliente, ROI, y el aumento de
las ganancias).
Estimar gastos de operacin.

Se recomienda

La comparacin debera ser tan especfica como sea posible, cmo esto permite un mejor caso de
negocio para ser realizado.


Se deben identificar costos ocultos, como la extraccin y preparacin repetida de datos, cambios en
los procesos laborales, y tiempo requerido para el entrenamiento.

4.3.1.3. Determinar objetivos de minera de datos

Tarea: Determinar objetivos de minera de datos

Un objetivo de negocio declara objetivos en la terminologa de negocio; un objetivo de minera de
datos declara objetivos de proyecto en trminos tcnicos. Por ejemplo, el objetivo de negocio podra
ser, Aumentar la venta por catalogo a clientes existentes, mientras un objetivo de minera de datos
podra ser, Predecir cuantas baratijas comprar un cliente, considerando sus compras durante los
tres aos pasados, informacin demogrfica relevante, y el precio del artculo.

Salida: Objetivos de minera de datos

Describir las salidas planeadas del proyecto que permiten el logro de los objetivos de negocio.

Se debe tener en cuenta que estas son salidas normalmente tcnicas.

Actividades

Traducir las preguntas de negocio a objetivos de minera de datos (por ejemplo, una
campaa de control de comercializacin requiere la segmentacin de clientes para decidir a
quien acercarse en esta campaa; el nivel/tamao de los segmentos deberan ser
especificados).
Especificar datos, tipo de problema de minera de datos (por ejemplo, la clasificacin, la
descripcin, la prediccin, y clustering).

Se recomienda

Puede ser sabio redefinir el problema. Por ejemplo, modelar la retencin de producto ms que la
retencin del cliente cuando la retencin del cliente entrega resultados muy tarde para afectar la
salida.


Salida: Criterios de xitos de minera de datos

Definir los criterios para un resultado acertado para el proyecto en trminos tcnicos, por ejemplo
un cierto grado de exactitud predictiva o un perfil de propensin a comprar con un nivel dado
"elevacin".

Cmo con los criterios de xitos del negocio, puede ser necesario describir estos en trminos
subjetivos, en el caso de que la persona o las personas que hacen el juicio subjetivo debieran ser
identificadas.

Actividades

Especificar los criterios para evaluar el modelo (por ejemplo, la exactitud del modelo, el
funcionamiento y la complejidad).
Definir el patrn de pruebas para los criterios de evaluacin.
Especificar las reglas que dirigen criterios de evaluacin subjetivos (por ejemplo, la
habilidad de explicar del modelo y de los datos y la comprensin de mercadeo
proporcionada por el modelo).


Los datos que extraen criterios de xito son diferentes a los criterios de xito de negocio definidos
antes.

Se debe recordar

Se debe recordar que es sabio planear para el desarrollo desde el principio del proyecto.

4.3.1.4. Produccin del plan del proyecto

Tarea: Producir el plan del proyecto

Describir el plan propuesto para alcanzar los objetivos de minera de datos y as alcanzar los
objetivos de negocio.

Salida: Plan del Proyecto

Listar las etapas para ser ejecutadas en el proyecto, juntos con su duracin, recursos requeridos,
entradas, salidas, y dependencias. En cualquier parte donde sea posible, se deben hacer explcitas
las iteraciones en gran escala en el proceso de minera de datos. Por ejemplo, las repeticiones del
modelado y fases de evaluacin. Como parte del plan de proyecto, es tambin importante analizar
dependencias entre el planeamiento de los tiempos y los riesgos. Marcar los resultados de estos
anlisis explcitamente en el plan de proyecto, idealmente con acciones y recomendaciones para
actuar si los riesgos son manifestados.

Aunque esta sea la nica tarea en la que el plan de proyecto directamente es llamado, sin embargo
debera ser consultado continuamente y repasado en todas partes del proyecto. Debera ser
consultado el plan de proyecto como mnimo siempre que una tarea nueva sea comenzada o una
iteracin futura de una tarea o una actividad este comenzando.


Actividades

Definir el plan de proceso inicial y hablar de la viabilidad con todo el personal incluido.
Combinar todos los objetivos identificados y tcnicas seleccionadas en un procedimiento
coherente que solucione las cuestiones del negocio y encuentre los criterios de xito de
negocio.
Estimar el esfuerzo y los recursos necesarios para alcanzar y desarrollar la solucin. Es til
considerar la experiencia de otras personas estimando escalas de tiempo para proyectos de
minera de datos. Por ejemplo, es a menudo presumido que el 50-70 por ciento del tiempo y
el esfuerzo en un proyecto de minera de datos es usado en la fase de Preparacin de Datos,
mientras que solo un 20-30 por ciento es usado en la fase de Comprensin de Datos,
mientras que solo un 10-20 por ciento es gastado en cada uno de las fase de Modelado,
Evaluacin, y Comprensin del Negocio y el 5-10 por ciento en la fase de Desarrollo.
Identificar pasos crticos.
Marcar los puntos de decisin.
Marcar los puntos de revisin.
Identificar las principales iteraciones.

Salida: Evaluacin Inicial de herramientas y tcnicas

Al final de la primera fase, el equipo de proyecto realiza una evaluacin inicial de herramientas y
tcnicas. Aqu, es importante seleccionar una herramienta de minera de datos que soporte varios
mtodos para las diferentes etapas del proceso, ya que la seleccin de herramientas y tcnicas puede
influir en el proyecto entero.

Actividades

Crear una lista de criterios de seleccin para herramientas y tcnicas (o usar uno existente si
est disponible).
Escoger herramientas y tcnicas posibles.
Evaluar la adecuacin de tcnicas.
Revisar y priorizar tcnicas aplicables segn la evaluacin de soluciones alternativas

4.3.2.1. Recoleccin de datos iniciales

Tarea: Recoger datos iniciales

Obtener los datos (o el acceso a los datos) listados en los recursos de proyecto. Esta coleccin
inicial incluye carga de datos, si es necesario para la Comprensin de Datos. Por ejemplo, si se tiene
la intencin de usar una herramienta especfica para comprender los datos es lgico cargar los datos
en esta herramienta.

Salida: Informe de la recoleccin de datos inicial

Se debe describir toda la variedad de datos usados para el proyecto, e incluir cualquier
requerimiento de seleccin para datos ms detallados. El informe de coleccin de datos tambin
debera definir si algunos atributos son relativamente ms importantes que otros.


Se debe recordar que cualquier evaluacin de calidad de datos debera ser hecha no solamente de las
fuentes de datos individuales, sino tambin de algunos datos que son resultado de fuentes de datos
que se combinan. Por inconsistencias entre las fuentes, los datos combinados pueden presentar los
problemas que no existen en las fuentes de datos individuales.

Actividades: Planificacin de requerimientos de datos

Se debe planear que informacin es necesaria (por ejemplo, slo para atributos determinados, o la
informacin adicional especfica).

Comprobar si toda la informacin necesaria (para resolver los objetivos de la minera de datos) esta
en realidad disponible.

Criterios de seleccin

Se debe especificar los criterios de seleccin (por ejemplo, Qu atributos son necesarios
para los objetivos especficos de minera de datos? Que atributos han sido identificados
como no pertinentes? Cuantos atributos se pueden manejar con las tcnicas escogidas?).
Elegir tablas/archivos de inters.
Elegir datos dentro de una tabla/archivo.
Pensar cuanto tiempo de un historial habra que usar (por ejemplo, si 18 meses de datos
estn disponibles, slo 12 meses pueden ser necesarios para el ejercicio).


Se debe estar consciente de que los datos recolectados de diferentes fuentes pueden dar lugar a
problemas de calidad cuando sean combinados (por ejemplo, los archivos de direccin combinados
con una base de datos de cliente pueden mostrar inconsistencias de formato, invalidez de datos,
etc.).

Insercin de datos

Si los datos contienen libre entradas de texto, se tendr que codificarlos para modelar o
necesitamos agruparlos en entradas especficas?
Se pueden encontrar atributos omitidos?
Se puede mejorar la extraccin los datos?

Se recomienda

Se debe recordar que algn conocimiento sobre los datos puede estar disponible de fuentes no
electrnicas (por ejemplo, de gente, de texto impreso, etc.).

Puede ser necesario un preproceso de los datos (datos de serie tiempo, promedios ponderados, etc.).

4.3.2.2. Descripcin de datos

Tarea: Describir datos

Examinar las propiedades "gruesas" de los datos obtenidos y el informe sobre los resultados.

Salida: Informe de descripcin de datos

Se deben describir los datos que han sido obtenidos, incluyendo el formato de los datos, la cantidad
de los datos (por ejemplo, el nmero de registros y campos internos de cada tabla), las identidades
de los campos, y cualquier otro rasgo superficial que haya sido descubierto.

Actividades: Anlisis volumtrico de datos

Identificar datos y mtodos de captura.
Acceder a las fuentes de datos.
Usar anlisis estadsticos si es apropiado.
Reportar las tablas y sus relaciones.
Comprobar el volumen de datos, el nmero de mltiplos, la complejidad.
Notar si los datos contienen entradas de texto libres.

Atributo, tipos y valores

Comprobar la accesibilidad y disponibilidad de atributos.
Comprobar los tipos de atributos (numrico, simblico, la taxonoma, etc.).
Comprobar el rango de valores de los atributos.
Analizar los atributos correlativos (correlaciones de atributo).
Comprender el significado de cada atributo y clasificar (describir) el valor en trminos de
negocio.
Para cada atributo se debe calcular la estadstica bsica (por ejemplo, calcular la
distribucin, el promedio, el mximo, el mnimo, la desviacin estndar, la varianza, la
moda, la inclinacin, etc.).
Analizar la estadstica bsica y relacionar los resultados con su significado en trminos de
negocio.
Decidir si el atributo es relevante para los objetivos especficos de la minera de datos.
Determinar si el significado del atributo es usado coherentemente (conscientemente).
Entrevistar a expertos de dominio para obtener su opinin sobre la importancia de los
atributos.
Decidir si es necesario equilibrar los datos (basado en las tcnicas a ser usadas).

Claves

Se deben analizar relaciones claves.
Se debe comprobar la cantidad de coincidencias entre valores de atributos claves a travs de
tablas.

Revisin de Objetivos/Presunciones

Se debe actualizar la lista de presunciones, si es necesario.


4.3.2.3. Exploracin de datos

Tarea: Explorar datos

Esta tarea aborda las preguntas de minera de datos que pueden ser dirigidas usando la
interrogacin, la visualizacin, y tcnicas de informe. Estos anlisis pueden directamente dirigir los
objetivos de minera de datos. Sin embargo, ellos pueden tambin contribuir a refinar la descripcin
de datos e informes de calidad, y alimentar internamente la transformacin y otros pasos de
preparacin de datos necesario antes de que pueda ocurrir un futuro anlisis.

Salida: Informe de exploracin de datos

Describir los resultados de esta tarea, incluyendo las primeras conclusiones o las hiptesis iniciales
y su impacto sobre el resto del proyecto. El informe tambin puede incluir grficos y diseos (plots)
que indican las caractersticas de los datos o los puntos de inters de subconjuntos de datos dignos
de una futura investigacin.

Actividades: Explorar Datos

Se debe analizar en detalles las propiedades de atributos interesantes (por ejemplo, la
estadstica bsica, las sub-poblaciones interesantes).
Identificar las caractersticas de las sub-poblaciones.

Formar suposiciones para anlisis futuro

Considerar y evaluar la informacin y conclusiones en el informe de descripciones de datos.
Formar una hiptesis e identificar acciones.
Transformar la hiptesis en un objetivo de minera de datos, si es posible.
Aclarar objetivos de minera de datos o hacerlos ms exactos. Una bsqueda "ciega" no es
necesariamente intil, pero una bsqueda ms dirigida hacia objetivos de negocio es preferible.
Realizar un anlisis bsico para verificar la hiptesis.

4.3.2.4. Verificacin de la calidad de datos

Tarea: Verificar la calidad de datos

Se debe examinar la calidad de los datos, dirigiendo preguntas como: Son los datos completos?
Estos cubren todos los casos requeridos? Hay en ellos errores o ellos contienen errores? Si hay
errores, como son ellos? Hay valores omitidos en los datos? Si es as, cmo son representados,
donde ocurren, y como son ellos?

Salida: Informe de calidad de datos

Listar los resultados de la verificacin de calidad de datos; si hay problemas de calidad listar las
posibles soluciones.

Actividades

Identificar valores especiales y catalogar su significado.


Revisin de atributos claves

Se debe comprobar la cobertura (por ejemplo, si todos los valores posibles son
representados).
Comprobar las claves.
Verificar que los significados de los atributos y valores contenidos se satisfacen
simultneamente.
Identificar atributos omitidos y campos en blanco.
Establecer el significado de datos que faltan o fallan.
Se deben comprobar los atributos con los valores diferentes que tienen significados similares
(por ejemplo, la grasa baja la dieta).
Comprobar la ortografa y el formato de valores (por ejemplo, mismo valor pero a veces
comienza con una letra minscula y a veces con una letra mayscula).
Comprobar las desviaciones, y decidir si una desviacin es "ruido" o puede indicar un
fenmeno interesante.
Comprobar la plausibilidad de valores, (por ejemplo, todos los campos que tienen el mismo
o casi los mismos valores).

Se recomienda

Se debe repasar cualquiera de los atributos que dan respuestas que estn en desacuerdo con el
sentido comn (por ejemplo, adolescentes con altos niveles de ingreso).

Se pueden usar plots de visualizacin, histogramas, etc. para revelar inconsistencias en los datos.

Calidad de datos en archivos planos

Si los datos son almacenados en archivos planos, se debe comprobar que delimitador es
usado y si esto es usado coherentemente en todos los atributos.
Si los datos son almacenados en archivos planos, comprobar el nmero de campos en cada
registro para ver si ellos coinciden.

Ruido e inconsistencias entre fuentes

Comprobar consistencia y superabundancia entre fuentes diferentes.
Se debe planear para tratar el ruido.
Descubrir el tipo de ruido y que atributos son afectados.

Se recomienda

Se debe recordar que puede ser necesario excluir algunos datos ya que ellos no exponen
comportamiento positivo o negativo (por ejemplo, al comprobar en el comportamiento del prstamo
de clientes, excluye a todo los que nunca han tomado prestado, aquellos que no financian una
hipoteca de casa, aquellos cuya hipoteca se acerca a la madurez, etc.).

Revisar si las presunciones son vlidas o no, considerando la informacin real o actual en los datos
y el conocimiento de negocio.


4.3.3. Preparacin de los datos

Salida: Conjunto de datos

Estos son los conjuntos de dato(s) producidos por la fase de Preparacin de Datos, usada para
modelar o para el trabajo de anlisis principal del proyecto.

Salida: Descripcin del conjunto de datos

Esto es, la descripcin del conjunto de datos(s) usado para el modelado o para el trabajo de anlisis
principal del proyecto.

4.3.3.1. Datos seleccionados

Tarea: Seleccionar datos

Se debe decidir los datos a ser usados para el anlisis. Los criterios incluyen la importancia a los
objetivos de minera de datos, la calidad, y las restricciones tcnicas como los lmites en el volumen
de datos o en los tipos de datos.

Salida: Razonamiento para inclusin/exclusin

Listar los datos a ser usados / excluidos y los motivos para estas decisiones.

Actividades

Recoger datos adicionales apropiados (de diferentes fuentes - internos as como externos).
Realizar las pruebas de importancia y correlacin para decidir si los campos son incluidos.
Reconsiderar Criterios de Seleccin de Datos (ver Tarea 2.1) en la luz de las experiencias de
calidad de los datos y en la exploracin de datos (esto es, se puede desear incluir/excluir
otros juegos de datos).
Reconsiderar Criterios de Seleccin de Datos (ver la Tarea 2.1) en la luz de experiencia de
modelado (esto es, la evaluacin del modelo puede mostrar que otros conjuntos de datos son
necesarios).
Seleccionar diferentes subconjuntos de datos (por ejemplo, atributos diferentes, slo los
datos que encuentran ciertas condiciones).
Considerar el uso de tcnicas de muestreo (por ejemplo, una solucin rpida puede implicar
la prueba dura y el entrenamiento del conjunto de datos o la reduccin del tamao del
conjunto de datos de prueba, si la herramienta no puede manejar conjunto de datos llenos.
Esto puede tambin ser til para tener muestras ponderadas para dar distinta importancia a
atributos diferentes o valores diferentes del mismo atributo).
Documentar el razonamiento para la inclusin/exclusin.
Comprobar tcnicas disponibles para el muestreo de datos.

Se recomienda

Basado en Criterios de Seleccin de Datos se debe decidir si uno o ms atributos son ms
importantes que otros y el correspondiente peso de los atributos. Decidir basado en el contexto (esto
es, el uso, la herramienta, etc.), cmo manejarse con el peso.


4.3.3.2. Limpieza de datos

Tarea: Limpiar datos

Se debe elevar la calidad de datos al nivel requerido por las tcnicas de anlisis seleccionadas. Esto
puede implicar la seleccin de subconjuntos limpios de los datos, la insercin de faltas apropiadas,
o tcnicas ms ambiciosas como la estimacin de datos omitidos por modelado.

Salida: Informe de la limpieza de datos

Describir las decisiones y las acciones que fueron tomados para dirigir los problemas de calidad de
datos informados durante la Tarea de Verificacin de Calidad de Datos. Si los datos estn para ser
usados en el ejercicio de minera de datos, el informe debera dirigir cuestiones de calidad de datos
excepcionales y el efecto posible que esto podra tener sobre los resultados.

Actividades

Reconsiderar como tratar con cualquier tipo de ruido observado.
Corregir, remover, o ignorar el ruido.
Decidir como tratar con valores especiales y su significado. El rea de valores especiales
puede dar lugar a muchos resultados extraos y con cuidado deberan ser examinados. Los
ejemplos de valores especiales podran surgir por los resultados tomados de una revisin
donde algunas cuestiones no fueron preguntadas o no fueron contestadas. Esto podra
terminar en un valor de 99 para datos desconocidos. Por ejemplo, 99 para estado civil o
afiliacin poltica. Los valores especiales tambin podran surgir cuando los datos son
truncados por ejemplo 00 para gente de 100 aos o para todos los coches con 100.000
kilmetros en el odmetro.
los datos limpios (esto es, se puede desear incluir/excluir otros conjuntos de datos).

Se recomienda

Recordar que algunos campos pueden ser irrelevantes a los objetivos de la minera de datos y, por lo
tanto, el ruido en aquellos campos no tiene ninguna importancia. Sin embargo, si el ruido es
ignorado por estos motivos, esto debera ser totalmente documentado como circunstancias que
pueden cambiarse ms tarde.

4.3.3.3. Construccin de datos

Tarea: Construir datos

Esta tarea incluye la construccin de operaciones de preparacin de datos tales como la produccin
de atributos derivados, completar registros nuevos, o transformar valores para atributos existentes.

Actividades

Comprobar los mecanismos de construccin disponibles con la lista de herramientas
sugeridas para el proyecto.
Decidir si esto es lo mejor para realizar la construccin dentro de la herramienta o fuera de
ella (esto es, que es ms eficiente, exacto, repetible).

construccin de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).

Salida: Atributos derivados

Los atributos derivados son los atributos nuevos que son construidos de uno o ms atributos
existentes en el mismo registro. Un ejemplo podra ser: rea =longitud x anchura. Por qu se
debera tener que construir atributos derivados durante el curso de una investigacin de minera de
datos? No debera pensarse que slo los datos de bases de datos u otras fuentes deberan ser usados
en la construccin de un modelo. Los atributos derivados podran ser construidos porque:

El conocimiento del contexto convence que algn hecho es importante y debera ser
representado aunque no se tenga ningn atributo actualmente para representarlo.
El algoritmo de modelado en uso maneja slo ciertos tipos de datos - por ejemplo se est
usando regresin lineal y se sospecha que hay ciertas no-linealidades que sern incluidas en
el modelo.
El resultado de la fase de modelado sugiere que ciertos hechos no sean cubiertos.

Actividades: Derivar atributos

Decidir si cualquier atributo puede ser normalizado (por ejemplo, usando un algoritmo de
agrupamiento (clustering) con el periodo y el ingreso, en ciertas divisas, el ingreso se
controlar).
Considerar agregar nueva informacin sobre la importancia relevante de los atributos para
agregar nuevos atributos (por ejemplo, atributos con peso, normalizacin ponderada).
Cmo se puede construir o imputar atributos faltantes? Decidir el tipo de construccin (por
ejemplo, la combinacin, el promedio, la induccin).
Agregar atributos nuevos a los datos de acceso.

Se recomienda

Antes de agregar Atributos Derivados, se debe intentar determinar si y como ellos facilitan el
proceso de modelado o facilitan el algoritmo de modelado. Quizs el ingreso por persona es un
mejor o ms fcil atributo para usar que el ingreso por casa. No se debe sacar atributos
simplemente para reducir el nmero de atributos de entrada.

Otro tipo de atributo derivado es la transformacin de un atributo individual, por lo general
realizado para cubrir las necesidades de las herramientas de modelado.

Actividades Transformaciones de atributo individual

Especificar los pasos de transformaciones necesarias en los trminos de facilitar la
transformacin disponible (por ejemplo, cambiar un binning de un atributo numrico).
Realizar pasos de transformacin.

Se recomienda

Las transformaciones pueden ser necesarias para cambiar rangos a campos simblicos (por ejemplo,
aos a rangos de edad) o campos simblicos (definitivamente s, s, no se sabe, "no") a
valores numricos. Las herramientas de modelado o los algoritmos a menudo los requieren.

Salida: Registros generados

Los registros generados son registros completamente nuevos, que agregan nuevo conocimiento o
representan nuevos datos que de otro modo no son representados (por ejemplo, habiendo
segmentado los datos, puede ser til generar un registro para representar al miembro prototpico de
cada segmento para un tratamiento futuro).

Actividades

Comprobar por tcnicas disponibles si es necesario (por ejemplo, mecanismos para construir
prototipos para cada segmento de datos segmentados).

4.3.3.4. Integracin de datos

Tarea: Integrar datos

Estos son mtodos para combinar la informacin de mltiples tablas u otras fuentes de informacin
para crear nuevos registros o valores.

Salida: Datos combinados

La combinacin de tablas se refiere a la unin de dos o ms tablas que tienen diferente informacin
sobre los mismos objetos. En esta etapa, tambin puede ser aconsejable generar registros nuevos.
Tambin puede ser recomendado para generar valores agregados.

La agregacin se refiere a operaciones donde los nuevos valores son calculados por informacin
resumida de mltiples registros y/o tablas.

Actividades

Comprobar si las aplicaciones de integracin son capaces de integrar las fuentes de entrada
como se requiere.
Integrar fuentes y resultados almacenados.
Reconsiderar Criterios de Seleccin de Datos (ver la Tarea 2.1) en la luz de las experiencias
de integracin de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).

Se recomienda

Recordar que algn conocimiento puede estar contenido en un formato no-electrnico.

4.3.3.5. Formateo de datos

Tarea: Formatear datos

Transformar formateando se refiere principalmente a modificaciones sintcticas hechas a los datos
que no cambian su significado, pero podra ser requerido por la herramienta de modelado.


Salida: Datos reformateados

Algunas herramientas tienen requerimientos sobre el orden de los atributos, tal que el primer campo
sea un nico identificador para cada registro o el campo ltimo ser el juego de resultados que el
modelo debe predecir.

Actividades: Atributos reorganizados

Algunas herramientas tienen requerimientos sobre el orden de los atributos, tal que el primer campo
es un nico identificador para cada registro o el campo ltimo es el juego de resultados que el
modelo debe predecir.

Reordenando registros

Podra ser importante cambiar el orden de los registros en el conjunto de datos. Quizs el
instrumento de modelado requiere que los registros sean clasificados segn el valor del atributo de
resultado.

Reformateado de valores internos

Estos son cambios puramente sintcticos hechos para satisfacer las exigencias de la herramienta
especfica de modelado.
limpieza de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).
4.3.4. Modelado

4.1. Seleccionar tcnicas de modelado

Tarea: Seleccionar tcnicas de modelado

Como primer paso en modelado, seleccionar la tcnica de modelado inicial actual. Si hay mltiples
a ser aplicados, realizar separadamente esta tarea para cada tcnica.

Se debe recordar que no todos los instrumentos y tcnicas son aplicables a todas y cada tarea. Para
ciertos problemas, slo algunas tcnicas son apropiadas.

Requerimientos polticos y otras restricciones adicionales limitan las opciones disponibles para el
ingeniero de minera de datos. Puede ser que solo una herramienta o tcnica estn disponibles para
solucionar el problema a mano y que el instrumento no pueda ser absolutamente lo mejor, desde un
punto de vista tcnico.



Figura 11: Diversidad de Tcnicas

Salida: Tcnicas de modelado

Registrar las tcnicas de modelado real que se usan.

Actividades

Decidir las tcnicas apropiada para el ejercicio teniendo en cuenta la herramienta seleccionada.

Salida: Presunciones de modelado

Muchas tcnicas de modelado realizan presunciones especficas sobre los datos.

Actividades

Definir cualquier presuncin construida por la tcnica sobre los datos (por ejemplo, la
calidad, el formato, la distribucin).
Comparar estas presunciones con aquellas del Informe de Descripcin de Datos.
Se debe asegurar que estas presunciones sostienen y permiten volver a la fase de
Preparacin de Datos, si es necesario.


4.3.4.2. Generar el diseo de prueba

Tarea: Generar el diseo de prueba

Antes de construir un modelo, es necesario definir un procedimiento para probar la calidad del
modelo y la validez. Por ejemplo, en tareas de minera de datos supervisadas como la clasificacin,
es comn usar tasas de error como medidas de calidad para modelos de minera de datos. Por lo
tanto, el diseo de prueba especifica que el conjunto de datos debera ser separado en el
entrenamiento y en el conjunto de prueba. El modelo esta construido sobre el conjunto de
entrenamiento y su calidad estimada sobre el conjunto de prueba.

Salida: Diseo de Prueba

Describir el plan deliberado para el entrenamiento, las pruebas, y la evaluacin de los modelos. Un
componente primario del plan es para decidir como dividir el conjunto de datos disponible sobre
datos que se entrenan, datos de prueba, y conjunto de pruebas de validacin.

Actividades

Comprobar que existen diseos de prueba separadamente para cada objetivo de minera de
datos.
Decidir los pasos necesarios (el nmero de iteraciones, el nmero de desviaciones o curvas,
etc.).
Preparar los datos requeridos para la prueba

4.3.4.3. Construccin del modelo

Tarea: Construir el modelo

Se corre la herramienta de modelado sobre el conjunto de datos listo para crear uno o ms modelos.

Salida: Parmetros de ajuste

Con cualquier herramienta de modelado hay a menudo un gran nmero de parmetros que pueden
ser ajustados. Se debe listar los parmetros y sus valores seleccionados, con la explicacin (el
razonamiento) para la eleccin.

Actividades

Determinar los parmetros iniciales.
Documentar las razones para elegir aquellos valores.

Salida: Modelos

Controlar la herramienta de modelado en el conjunto de datos listos para crear uno o ms modelos.

Actividades

Ejecutar la tcnica seleccionada sobre el conjunto de datos de entrada para producir el
modelo.

Post-procesar los resultados de minera de datos (por ejemplo, editar reglas, mostrar
rboles).

Salida: Descripcin del modelo

Describir el resultado del modelado y evaluar su exactitud esperada, la robustez, y defectos
posibles.

Informar sobre la interpretacin de los modelos y encontrar cualquier dificultad.

Actividades

Describir cualquier caracterstica del modelo actual que puede ser til para el futuro.
Ajustar parmetro de entorno (de registro) usado para producir el modelo.
Dar una descripcin detallada del modelo y cualquier rasgo especial.
Para modelos basados por regla, listar las reglas producidas, ms cualquier evaluacin de
cada regla o la exactitud y alcance total del modelo.
Para modelos no transparentes, listar cualquier informacin tcnica sobre el modelo (como
la topologa de las redes neuronales) y cualquier descripcin de comportamiento producido
por el proceso de modelado (como la exactitud o la sensibilidad).
Describir el comportamiento del modelo y la interpretacin.
Expresar conclusiones respecto a los patrones en los datos (si hay alguno); a veces el
modelo revela hechos importantes sobre los datos sin un proceso de evaluacin separado
(por ejemplo, que la salida o la conclusin son duplicadas en una de las entradas).

4.3.4.4. Evaluacin del modelo

Tarea: Evaluar el modelo

El modelo ahora debera ser evaluado para asegurar que se encontr criterio de xito de la minera
de datos y aprobar los criterios de prueba deseados. Esto es una evaluacin puramente tcnica
basada en el resultado de las tareas de modelado.

Salida: Evaluacin del modelo

Resumir los resultados de esta tarea, listar las calidades de los modelos generados (por ejemplo, en
trminos de exactitud), y el nivel de su calidad en relacin a otro.

Actividades

Evaluar los resultados en lo que concierne a criterios de evaluacin.
Probar los resultados segn una estrategia de prueba (por ejemplo: Corrida y Prueba,
Validacin cruzada, bootstrapping, etc.).
Comparar los resultados de la evaluacin y la interpretacin.
Crear la clasificacin de resultados en lo que concierne a criterios de xito y evaluacin.
Seleccionar los mejores modelos.
Interpretar los resultados en trminos de negocio (tanto como sea posible en esta etapa).
Conseguir comentarios de los modelos por expertos en datos o en el dominio.
Chequear la credibilidad del modelo.

Comprobar los efectos sobre los objetivos de minera de datos.
Comprobar los modelos contra una base de conocimiento determinada para ver si la
informacin descubierta es nueva y til.
Comprobar la fiabilidad de los resultados.
Analizar el potencial para el desarrollo de cada resultado
Si hay una descripcin verbal del modelo generado (por ejemplo, en forma de reglas),
evaluar las reglas: Ellas son lgicas, o ellas son factibles, hay demasiadas reglas o hay
demasiado poco, ellos violan el sentido comn?
Evaluar resultados.
Conseguir ideas especficas de cada tcnica de modelado y ciertos parmetros de ajustes que
conduzcan a resultados buenos/malos.

Se recomienda

Tablas de Elevacin y Tablas de Beneficio pueden ser construidas para determinar bien lo que
el modelo predice.

Salida: Revisin de parmetros de ajuste

Segn la evaluacin del modelo, se debe revisar parmetros de ajuste para la siguiente corrida en la
tarea de Construccin del Modelo. Iterar (repetir) la construccin del modelo y evaluar hasta que se
encuentre el mejor modelo.

Actividades

Ajustar parmetros para producir mejores modelos.

4.3.5. Evaluacin

Los pasos de evaluacin previa tratan con factores como la exactitud y la generalidad del modelo.
Este paso evala el grado en el que el modelo encuentra los objetivos de negocio, y procura
determinar si hay alguna razn de negocio por la qu este modelo sea deficiente. Se comparan
resultados con los criterios de evaluacin definidos en el principio del proyecto.

Un modo bueno para definir las salidas totales de un proyecto de minera de datos es usar la
ecuacin:

RESULTADOS = MODELOS + CONCLUSIONES

En esta ecuacin, definimos que la salida total del proyecto de minera de datos no son solamente
los modelos (aunque ellos sean, desde luego, importantes) sino tambin las conclusiones, las que
definimos como algo (aparte del modelo) que es importante en:

la bsqueda de los objetivos de negocio o importancia para arribar a nuevas preguntas,
las lneas de aproximacin, o
los efectos negativos (por ejemplo, los problemas de calidad de datos descubierto por el uso
de la minera de datos).


Se debe tener en cuenta que aunque el modelo est directamente conectado a las preguntas de
negocio, las conclusiones no necesariamente estn relacionadas con cualquiera de las preguntas u
objetivos, mientras ellos son importantes para el promotor del proyecto.

4.3.5.1. Evaluacin de los resultados

Tarea: Evaluar los resultados

Esta etapa evala el grado al que el modelo encuentra los objetivos de negocio, y procura
determinar si hay alguna razn de negocio por el cual este modelo es deficiente. Otra opcin es
probar el (los) modelo(s) sobre la aplicacin de prueba en el sistema verdadero, si las restricciones
de tiempo y de presupuesto as lo permiten.

Adems, la evaluacin tambin evala otros resultados generados por la minera de datos. Los
resultados de minera de datos cubren los modelos que estn relacionados con los objetivos
originales de negocio y todas las dems conclusiones. Unos son relacionados con los objetivos de
negocios originales mientras que otros podran revelar desafos adicionales, informacin, o ideas
para futuras administraciones (direcciones).

Salida: Evaluacin de los resultados de minera de datos en lo que respecta a criterios de xito
de negocio

Resumir resultados de evaluacin en trminos de criterios de xito de negocio, incluyendo una
declaracin final relacionada a si el proyecto encuentra los objetivos iniciales de negocio.

Actividades

Comprender los resultados de la minera de datos.
Interpretar los resultados en trminos de la aplicacin (del uso).
Comprobar efectos sobre los objetivos de minera de datos.
Comprobar los resultados de minera de datos contra la base de un conocimiento
determinado para ver si la informacin descubierta es nueva y til.
Evaluar y estimar los resultados en lo que respecta a criterios de xito de negocio (esto es, si
el proyecto ha alcanzado los Objetivos de Negocio originales).
Comparar los resultados de la evaluacin y la interpretacin.
Clasificar los resultados en lo que respecta a criterios de xito de negocio.
Comprobar el efecto de los resultados sobre el objetivo (fin) de la aplicacin inicial.
Determinar si hay nuevos objetivos de negocio para ser dirigidos ms tarde en el proyecto, o
en nuevos proyectos.
Expresar recomendaciones para proyectos futuros de minera de datos

Salida: Modelos aprobados

Despus de evaluar los modelos con respecto a los criterios de xito de negocio, se debe seleccionar
y probar los modelos generados que encontraron los criterios seleccionados.


4.3.5.2. Proceso de revisin

Tarea: Revisar el proceso

En este punto, el modelo resultante parece ser satisfactorio y parece satisfacer necesidades de
negocio. Es ahora apropiado hacer una revisin ms cuidadosa de las promesas de minera de datos
para determinar si hay algn factor importante o tarea que de algn modo ha sido pasada por alto.
En esta etapa del ejercicio de minera de datos, el Proceso de Revisin toma la forma de una
Revisin de Garanta de Calidad.

Salida: Revisin de procesos

Resumir el proceso de revisin y poner en una lista las actividades que han sido omitidas y/o
deberan ser repetidas.

Actividades

Proporcionar una descripcin del proceso de minera de datos usado.
Analizar el proceso de minera de datos. Para cada etapa del proceso: Esto fue necesario?
Esto fue ejecutado de forma ptima? En que modo podra ser mejorado?
Identificar fracasos.
Identificar pasos desviados (de engaos).
Identificar acciones alternativas posibles y/o caminos inesperados en el proceso.
Revisar resultados de minera de datos en lo que concierne a criterios de xito de negocio.

4.3.5.3. Determinacin de los prximos pasos

Tarea: Determinar los prximos pasos

Basado en los resultados de evaluacin y la revisin de proceso, se debe decidir como proceder.

Las decisiones a ser tomadas incluyen si hay que terminar este proyecto y seguir adelante al
desarrollo para iniciar futuras iteraciones, o establecer nuevos proyectos de minera de datos.

Salida: Lista de acciones posibles

Listar acciones futuras posibles con los motivos para y contra de cada opcin.

Actividades

Analizar el potencial para el desarrollo de cada resultado.
Estimar el potencial para la mejora de proceso actual.
Comprobar los recursos restantes para determinar si ellos permiten iteraciones de proceso
adicionales (o si recursos adicionales pueden estar siendo disponibles).
Recomendar continuar con las alternativas.
Refinar el plan de proceso.

Salida: Decisin

Describir las decisiones hechas, con el razonamiento para ello.

Actividades

Clasificar las acciones posibles.
Seleccionar una de las acciones posibles.
Documentar las razones para la eleccin.

4.3.6. Desarrollo

4.3.6.1. Plan de desarrollo

Tarea: Desarrollo del Plan

Esta tarea comienza con la evaluacin de los resultados y concluye con una estrategia para el
desarrollo de los resultados de la minera de datos en el negocio.

Salida: Plan de Desarrollo

Resumir la estrategia de desarrollo, incluyendo los pasos necesarios y como realizarlos.

Actividades

Resumir resultados desarrollados.
Construir y evaluar los planes alternativos para el desarrollo.
Decidir para cada resultado conocimiento o informacin distintos.
Determinar como el conocimiento o la informacin sern propagados (generados) a los
usuarios.
Decidir como ser supervisado el uso del resultado y medir sus beneficios (donde sea
aplicable).
Decidir por cada resultado de modelo desarrollado o de software.
Establecer como el modelo o el resultado de software sern desplegados dentro de los
sistemas de la organizacin.
Determinar como su empleo ser supervisado y como se miden sus beneficios (donde sea
aplicable).
Identificar posibles problemas durante el desarrollo (peligros a ser evitados).

4.3.6.2. Supervisin y mantenimiento del plan

Tarea: Supervisar y mantener el plan

La supervisin y el mantenimiento son cuestiones importantes si los resultados de la minera de
datos se hacen parte del negocio cotidiano y de su ambiente. Una preparacin cuidadosa de una
estrategia de mantenimiento ayuda a evitar innecesariamente largos perodos de uso incorrecto de
los resultados de minera de datos. Para supervisar el desarrollo de los resultados de minera de
datos, el proyecto necesita un plan detallado para supervisar y mantener. Este plan tiene en cuenta el
tipo especfico de desarrollo.


Salida: Plan de supervisin y mantenimiento

Resumir la estrategia de supervisin y mantenimiento, la inclusin de pasos necesarios y como
realizarlos.

Actividades

Comprobar aspectos dinmicos (esto es, qu cosas podran cambiar en el entorno?).
Decidir como ser supervisada la precisin.
Determinar cuando el resultado de minera de datos o el modelo no deberan ser usados ms.
Identificar criterios (la validez, el lmite de la exactitud, nuevos datos, cambios en el
dominio de aplicacin, etc.), y que debera pasar si el modelo o el resultado no pueden ser
usados ms. Actualizacin del modelo, establecimiento de nuevos proyectos de minera de
datos, etc.
Cambiarn con el tiempo los objetivos de negocio del empleo del modelo? Documentar
totalmente el problema inicial que el modelo intentaba solucionar.
Desarrollar el plan de mantenimiento y la supervisin.

4.3.6.3. Produccin de Informe definitivo

Tarea: Producir Informe definitivo

En el final del proyecto, el equipo de proyecto sobrescribe un informe definitivo. Segn el plan de
desarrollo, este informe puede ser slo un resumen del proyecto y su experiencia, o una
presentacin final de los resultados de minera de datos.

Salida: Informe definitivo

En el final del proyecto, habr al menos un informe definitivo en el que todos los hilos son
encontrados. As como la identificacin de los resultados obtenidos, el informe tambin debera
describir el proceso, mostrar los costos que se han encontrados, definir cualquier desviacin del
plan original, describir proyectos de implementacin, y hacer cualquier recomendacin para el
futuro trabajo. El contenido real detallado del informe depende en gran medida de la audiencia
planeada.

Actividades

Identificar cuales informes son necesarios (presentacin de diapositiva, conclusiones de
administracin, detalles encontrados, explicacin de los modelos, etc.).
Analizar que tan bien se han encontrado los objetivos de minera de datos iniciales.
Identificar grupos de objetivos para el informe.
Describir en forma general las estructuras y el contenido de informe(s).
Seleccionar conclusiones para ser incluidas en los informes.
Escribir un informe.

Salida: Presentacin final

As como un informe definitivo, puede ser necesario hacer una presentacin final para concluir el
proyecto (por ejemplo, al patrocinador de direccin). La presentacin normalmente contiene un

subconjunto del contenido de la informacin en el informe definitivo, estructurado de un modo
diferente.

Actividades

Decidir el grupo objetivo para la presentacin final y determinar si ellos ya habrn recibido
el informe definitivo.
Seleccionar cuales de los artculos del informe definitivo deberan ser incluidos en la
presentacin final.

4.3.6.4. Revisin del proyecto

Tarea: Revisar el proyecto

Evaluar que fue lo correcto y que fue lo errado, cual fue el xito obtenido, y que necesidades sern
mejoradas.

Salida: Documentacin de experiencia

Resumir la gran experiencia ganada durante el proyecto. Por ejemplo, trampas, accesos a
informacin incorrecta (misleading approaches), o los puntos para seleccionar las mejores tcnicas
de minera de datos en situaciones similares podran ser la parte de esta documentacin. En
proyectos ideales, la documentacin de experiencia tambin cubre cualquier informe que ha sido
escrito por miembros individuales del proyecto durante el proyecto.

Actividades

Entrevistar a toda la gente significativa involucrada en el proyecto y preguntarles sobre su
experiencia durante el proyecto.
Si los usuarios finales trabajan en el negocio con los resultados de minera de datos,
entrevistarlos: Estn satisfechos? Cmo podra haber sido mejor realizado? Necesitan de
apoyo adicional?
Resumir la realimentacin y escribir la documentacin de experiencia.
Analizar el proceso (las cosas que se trabajaron bien, los errores producidos, las lecciones
aprendidas, etc.).
Documentar el proceso de minera de datos especfico (Cmo pueden los resultados y la
experiencia de aplicacin del modelo ser realimentado en el proceso?)
Generalizar desde los detalles para producir la experiencia til para proyectos futuros.

4.4. Las salidas del CRISP-DM

Esta seccin contiene las breves descripciones de los objetivos y el contenido de los informes ms
importantes. Aqu, se enfoca en los informes que son significativos para comunicar los resultados
de una fase a la gente no involucrada en esta fase (y posiblemente no involucrada en este proyecto).
Estos no son necesariamente idnticos a las salidas como lo descrito en el modelo de referencia y la
gua de usuario. El objetivo de estas salidas es mas para documentar resultados mientras se est
realizando el proyecto.


4.4.1. Comprensin del Negocio

Los resultados de la fase de Comprensin de Negocio pueden ser resumidos en un informe. Se
sugiere las secciones siguientes:

Contexto

La seccin Contexto proporciona una descripcin bsica del contexto de proyecto. Se deben listar
cuales reas estn trabajando en el proyecto, que problemas han sido identificados, y por qu la
minera de datos parece proporcionar una solucin.

Objetivos de negocio y criterios de xito

La seccin de Objetivos de negocio describe los objetivos del proyecto en trminos de negocio.
Para cada objetivo, Los Criterios de xito de Negocio, esto es, describir las medidas para
determinar si realmente el proyecto ha logrado sus objetivos.

Esta seccin tambin debera listar los objetivos que fueron considerados, pero rechazados. El
razonamiento de la seleccin de objetivos debera ser dado.

Inventario de recursos

La seccin de Inventario de Recursos apunta a identificar el personal, fuentes de datos, instalaciones
tcnicas, y otros recursos que pueden ser tiles en la realizacin del proyecto.


Esta seccin lista los requerimientos generales para la ejecucin del proyecto: tipo de resultados de
proyecto, presunciones hechas sobre la naturaleza del problema y de los datos que estn siendo
usados, y restricciones impuestas al proyecto.

Riesgos y contingencias

Esta seccin identifica los problemas que pueden ocurrir en el proyecto, describe las consecuencias,
y declara que acciones pueden ser tomadas para reducir al mnimo tales riesgos.

Terminologa

La seccin de Terminologa permite a la gente desconocida con los problemas que estn siendo
dirigidos por el proyecto hacerse ms familiar con ellos.

Costos y beneficios

Esta seccin describe los costos del proyecto y predice los beneficios del negocio si el proyecto es
exitoso (por ejemplo, la vuelta en la Inversin). Otros beneficios menos tangibles (por ejemplo, la
satisfaccin del cliente) tambin deberan ser destacadas.

Objetivos de minera de datos y criterios de xito


La seccin de Objetivos de Minera de datos declara los resultados del proyecto que permiten el
logro de los objetivos de negocio. Tambin como el listado de los accesos probables de minera de
datos, los criterios de xito para los resultados en trminos de minera de datos tambin deberan ser
puestos en una lista.

Plan de proyecto

Esta seccin pone en una lista las etapas para ser ejecutadas en el proyecto, juntos con su duracin,
recursos requeridos, entradas, salidas, y dependencias. Donde sea posible, esto debera hacer
explcitamente las iteraciones en gran escala en el proceso por ejemplo de minera de datos (por
ejemplo, las repeticiones del modelado y fases de evaluacin).


Esta seccin da una vista inicial de que herramientas y tcnicas probablemente van a ser usadas y
como. Esto describe los requerimientos para las herramientas y tcnicas, ponen en una lista
herramientas disponibles y tcnicas, y los compara con los requerimientos.


Los resultados de la fase Comprensin de Datos por lo general son documentados en varios
informes. Idealmente, estos informes seran los escritos mientras se estaban realizando las
respectivas tareas. Los informes describen el conjunto de datos que es explorado durante la
Comprensin de Datos.

Para el informe definitivo, un sumario de las partes ms relevantes es suficiente.

Informe de coleccin de datos iniciales

Este informe describe como las diferentes fuentes de datos identificadas en el inventario fueron
capturadas y extrados.

Temas a ser cubiertos:

Contexto de datos.
Lista de fuentes de datos con amplia rea de cobertura de datos requeridos por cada uno.
Para cada fuente de datos, mtodo de adquisicin o extraccin.
Problemas encontrados en adquisicin de datos o extraccin.

Informe de descripcin de datos

Cada conjunto de datos adquirido es descrito en este informe.


Cada fuente de datos descrita detalladamente.
Lista de tablas (puede ser slo uno) u otros objetos de base de datos.
Descripcin de cada campo, incluyendo unidades, cdigos usados, etc.


Informe de exploracin de datos

Este informe describe la exploracin de datos y sus resultados.


Contexto, incluyendo los amplios objetivos de exploracin de datos. Para cada rea de exploracin
emprendida:

Las regularidades esperadas o patrones.
Mtodo de deteccin.
Regularidades o patrones encontrados, esperados e inesperados.
Cualquier otra sorpresa.
Conclusiones para transformacin de datos, limpieza de datos, y cualquier otro proceso
previo.
Conclusiones relacionadas con datos que extraen objetivos u objetivos de negocio.
Sumario de conclusiones.

Informe de calidad de datos

Este informe describe lo completo y la exactitud de los datos.


Contexto, incluyendo amplias expectativas sobre calidad de datos. Para cada conjunto de datos:

Acercar temas para evaluar la calidad de datos.
Los resultados de evaluacin de calidad de datos.
Sumario de conclusiones de calidad de datos.

4.4.3. Preparacin de Datos

Los informes en la fase de Preparacin de Datos se enfocan en los pasos de pre-proceso que
producen los datos para ser minados.

Informe de descripcin de conjunto de datos

Este informe proporciona una descripcin del conjunto de datos (despus del pre-proceso) y el
proceso por el que fue producido.


Contexto, incluyendo objetivos amplios y plan para el pre-proceso.

Razonamiento para inclusin/exclusin de conjunto de datos. Para cada conjunto de datos incluir:

La descripcin del pre-proceso, incluyendo las acciones que fueron necesarias para dirigir
cualquier cuestin de calidad de datos.
Descripcin detallada del conjunto de datos resultante, tabla por tabla y campo por campo.

Razonamiento para inclusin/exclusin de atributos.
Descubrimientos de hechos durante el pre-proceso, y cualquier implicacin para futuros
trabajos.
Sumario y conclusiones.

4.4.4. Modelado

Las salidas producidas durante la fase Modelado pueden ser combinadas en un informe. Se sugieren
las secciones siguientes.

Modelado de presunciones

Esta seccin define cualquier presuncin explcita hecha sobre los datos y cualquier presuncin que
est implcita en la tcnica de modelado a ser usado.

Diseo de prueba

Esta seccin describe como los modelos son construidos, probados, y evaluados.


Contexto de fondo para la ocupacin del modelo y su relacin a los objetivos de minera de datos.
Para cada tarea de modelado:

Ampliacin de la descripcin del tipo de modelo y los datos que se entrenan para ser usado.
La explicacin de como el modelo ser probado o evaluado.
Descripcin de cualquier dato requerido para las pruebas.
Plan para produccin de los datos de prueba si hay.
Descripcin de cualquier examen planeado de modelos por expertos en dominio o de datos.
Sumario de plan de prueba.

Descripcin del modelo

Este informe describe los modelos entregados y las descripciones del proceso por el que ellos
fueron producidos.


Descripcin de modelos producidos. Para cada modelo:

Tipo de modelo y la relacin a los objetivos de minera de datos.
Los parmetros de ajustes usados para producir el modelo.
Descripcin detallada del modelo y cualquier rasgo especial. Por ejemplo: para modelos
basados por regla, listar las reglas producidas ms cualquier evaluacin de precisin por
regla o el modelo completo y el alcance; para modelos no transparentes, listar cualquier
informacin tcnica sobre el modelo (como la topologa de red de los nervios) y algunas
descripciones de comportamiento producidas por el proceso de modelado (como la precisin
o la sensibilidad).
Descripcin del comportamiento del modelo e interpretacin.

Conclusiones en cuanto a los patrones en los datos (si hay). A veces el modelo revelar
hechos importantes sobre los datos sin un proceso de evaluacin separado (por ejemplo, que
la salida o la conclusin estn duplicadas en una de las entradas).
Sumario de conclusiones.

Evaluacin del modelo

Esta seccin describe los resultados de prueba de los modelos segn el diseo de prueba.


Descripcin de los procesos de evaluacin y los resultados, incluyendo cualquier desviacin del
plan de prueba. Para cada modelo:

Evaluacin detallada, incluyendo medidas como precisin e interpretacin del
comportamiento.
Cualquier comentario sobre los modelos por expertos en el dominio o de datos.
Evaluacin resumida de modelos.
Ideas en por qu una cierta tcnica de modelado y ciertos ajustes de parmetro conducen a
resultados buenos/malos.
Evaluacin sumaria del conjunto de modelos completos.

4.4.5. Evaluacin

Evaluacin de los resultados de minera de datos en lo que respecta a criterios de xito de
negocio

Este informe compara los objetivos de minera de datos con los objetivos de negocio y los criterios
de xito de negocio.


Revisin de objetivos de negocio y criterios de xito de negocio (qu podra haberse cambiado
durante y/o como consecuencia de la minera de datos). Para cada criterio de xito de negocio:

Comparacin detallada entre criterio de xito y resultados de minera de datos.
Conclusiones sobre aceptabilidad (achievability) de criterios de xitos y conveniencia del
proceso de minera de datos.
Revisin del xito de proyecto:
El proyecto ha alcanzado los objetivos originales de negocio?
Objetivos nuevos de negocio deben ser dirigidos despus en el proyecto o en nuevos
proyectos?
Conclusiones para futuros proyectos de minera de datos.

Revisin de proceso

Esta seccin evala la eficacia del proyecto e identifica cualquier factor que podra haber sido
pasado por alto y que debera ser tenido en cuenta si el proyecto es repetido.


Lista de posibles acciones

Esta seccin hace recomendaciones en cuanto a los siguientes pasos en el proyecto.

4.4.6. Desarrollo

Plan de desarrollo

Este informe especifica el desarrollo de los resultados de minera de datos.


Resumen de los resultados desarrollados (derivado de los informes de Prximos Pasos).
Descripcin de plan de desarrollo.

Supervisin y plan de mantenimiento

La supervisin y el plan de mantenimiento especifican como los resultados desarrollados deben ser
mantenidos.


Descripcin de los resultados de desarrollo y la indicacin de que los resultados pueden requerir la
actualizacin (y el por qu). Para cada resultado desarrollado:

Descripcin de como la actualizacin ser provocada (por una normal actualizacin, por un
acontecimiento de activacin, por la ejecucin de una supervisin).
Descripcin de cmo la actualizacin ser realizada.
Resumen de los procesos de actualizacin de los resultados.

Informe definitivo

El informe definitivo es usado para resumir el proyecto y sus resultados.

Contenido:

Resumen de la Comprensin del Negocio: contexto, objetivos, y criterios de xito.
Sumario de proceso de minera de datos.
Resumen de los resultados de minera de datos.
Sumario de la evaluacin de resultados.
Resumen del desarrollo y de los planes de mantenimiento.
Anlisis Costo/Beneficio.
Conclusiones para el negocio.
Conclusiones para futura minera de datos.

4.4.7. Resumen de dependencias


La siguiente tabla (Tabla 3) resume las entradas principales para los operadores. Esto no significa
que solo las listas de entradas puestas deberan ser consideradas, por ejemplo, los objetivos de
negocio deberan ser distribuidos a todo los operadores.

Sin embargo, el operador debera dirigir cuestiones especficas elevadas por sus entradas.

Frase Entregable Referido a Relacionado a
Entender el
negocio
Background
Objetivo de negocio Backgorund Terminologa
Creterio de xito de negocio Objetivo de negocio
Inventario de recursos
Requerimientos, asunciones y
restricciones
Objetivo de negocio
Riesgos y contingencias Objetivo de negocio - Criterio de xito de negocio
Terminologa Backgorund Objetivo de
negocio
Costos y beneficios Objetivo de negocio Plan de proyecto
Metas de minera de datos Objetivo de negocio - Requerimientos, asunciones y
restricciones

Criterio de xito de minera de datos Criterio de xito de negocio - Requerimientos, asumciones y
restricciones - Metas de minera de datos

Plan de proyecto Objetivo de negocio - Inventario de recursos - Requerimientos,
asunciones y restricciones - Riesgos y contingencias
Costos y
beneficios
Comprender
datos
Reporte de coleccin inicial de datos Objetivo de negocio - Inventario de recursos - Objetivos de
minera de datos

Reporte de descripcin de datos Objetivo de negocio - Reporte de coleccin inicial de datos Reporte de calidad
de datos
Reporte de exploracin de datos Objetivo de negocio - Reporte de coleccin inicial de datos Reporte de
descripcin de
datos
Reporte de calidad de datos Objetivo de negocio - Reporte de coleccin inicial de datos
Preparar datos Set de datos y descripcin de set de
datos
Objetivo de negocio - Objetivo de minera de datos - Reporte de
descripcin de datos - Reporte de calidad de datos - Reporte de
exploracin de datos

Modelar Diseo de test Objetivo de minera de datos - Criterio de xito de minera de
datos

Modelos Objetivo de minera de datos Setear parmetros
Setear parmetros Objetivo de minera de datos Modelos
Descripcin de modelo Modelos - Setear parmetros - Diseo de test
Evaluacin de modelo Criterio de xito de negocio - Diseo de test - Modelos
Evaluacin Evaluar resultado de minera de datos
- Criterio de xito de negocio
Criterio de xito de negocio - Terminologa
Revisin de proceso Objetivo de negocio - Evaluacin de resultado de minera de
datos - Criterio de xito de negocio

Pasos a seguir Plan de proyecto - Evaluacin de resultado de minera de datos -
Criterio de xito de negocio

Desarrollo Desarrollo de plan Objetivo de negocio - Requerimientos, asunciones y
restricciones
Plan de
mantenimiento
Plan de mantenimiento Objetivo de negocio - Requerimientos, asunciones y
restricciones
Desarrollo de plan
Reporte final y presentacin Objetivo de negocio - Terminologa - Evaluacin de resultado de
minera de datos - Criterio de xito de negocio

Documentacin de experiencia Plan de proyecto - Revisin de proceso

Tabla 3: Entradas principales de los operadores

4.5. Apndice

4.5.1. Glosario/Terminologa

Actividad: Es parte de una tarea en la Gua de Usuario; describe las acciones para realizar
una tarea.
Metodologa de CRISP-DM: El trmino general para todos los conceptos desarrollados y
definidos en el CRISP-DM.
Contexto de minera de datos: Un conjunto de restricciones y presunciones, tales como el
tipo de problema, las tcnicas o herramientas, el dominio de aplicacin.
Tipos de problemas de minera de datos: Una clase de tpicos problemas de minera de
datos, tales como la descripcin de datos y el resumen, la segmentacin, las descripciones de
conceptos, la clasificacin, la prediccin, el anlisis de dependencia.
Genrico: Una tarea que mantiene un cruce con todos los proyectos de minera de datos
posibles.
Modelo: La capacidad de aplicar algoritmos a un conjunto de datos para predecir atributos
objetivos; ejecutable.
Salida: El resultado tangible de la ejecucin de una tarea.
Fase: Un trmino para la parte de alto nivel del modelo de proceso CRISP-DM; consiste en
tareas relacionadas.
Caso del proceso: Un proyecto especfico descrito en trminos del modelo de proceso
Modelo de proceso: Define la estructura de proyectos de minera de datos y proporciona la
gua para su ejecucin; consiste en el modelo de referencia y en la gua de usuario.
Modelo de referencia: Descomposicin de proyectos de minera de datos en fases, tareas, y
salidas.
Especializado: Una tarea que hace presunciones especficas en contextos especficos de
minera de datos.
Tarea: Una serie de actividades para producir una o ms salidas; parte de una fase
Gua de usuario: Asesoramiento especfico sobre como realizar proyectos de minera de
datos.

4.5.2. Tipos de problemas de minera de datos

Por lo general, los proyectos de minera de datos implican una combinacin de diferentes tipos de
problema, que juntos solucionan el problema de negocio.

4.5.2.1. Descripcin de datos y resumen

La descripcin y el resumen de datos apuntan a la descripcin concisa de las caractersticas de los
datos, tpicamente en forma elemental y agregada. Esto da al usuario una descripcin de la
estructura de los datos. A veces, una descripcin y resumen de los datos solo puede ser un objetivo
de un proyecto de minera de datos. Por ejemplo, un minorista podra estar interesado en el volumen
de ventas de todas las salidas separado por categoras. Los cambios y diferencias de un perodo
anterior podran ser resumidos y destacados. Esta clase de problema estara en lo mas bajo de la
escala de problemas de minera de datos.

En casi todos los proyectos de minera de datos, sin embargo, la descripcin y resumen de los datos
son un objetivo subordinado en el proceso, tpicamente en sus tempranas etapas. En el principio de
un proceso de minera de datos, el usuario a menudo no conoce, ni el objetivo preciso del anlisis,

ni la naturaleza exacta de los datos. La exploracin inicial del anlisis de datos puede ayudar a los
usuarios a entender la naturaleza de los datos y formar hiptesis potenciales de la informacin
oculta. La estadstica descriptiva simple y las tcnicas de visualizacin proporcionan las primeras
ideas sobre los datos. Por ejemplo, la distribucin de clientes por edad y regiones geogrficas
sugiere que partes de un grupo de clientes necesita para ser dirigida para futuras estrategias de
comercializacin (marketing).

La descripcin y el resumen de datos tpicamente ocurren en combinacin con otros tipos de
problemas de minera de datos. Por ejemplo, la descripcin de datos puede conducir a la postulacin
(presuncin) de segmentos interesantes en los datos. Una vez que los segmentos son identificados y
definidos, una descripcin y un resumen de estos segmentos son tiles. Es aconsejable llevar a cabo
una descripcin y resumen de datos antes de que cualquier otro tipo de problema de minera de dato
sea especificado (dirigido). En este documento, esto se refleja en el hecho que la descripcin y
resumen de datos es una tarea en la fase de Comprensin de Datos.

El resumen tambin juega un papel importante en la presentacin de los resultados finales. Los
resultados de otros tipos de problemas de minera de datos (por ejemplo, las descripciones de
conceptos o los modelos de prediccin) tambin pueden ser considerados resumen de datos, pero
sobre un nivel conceptual ms alto.

Muchos sistemas de informe, paquetes estadsticos, OLAP, y sistemas EIS pueden cubrir la
descripcin y resumen de datos, pero hacerlo usualmente no proporciona algunos mtodos para
realizar modelado ms avanzado. Si la descripcin y resumen de datos son considerados un tipo de
problema independiente y ningn modelado futuro es requerido, entonces estas herramientas
pueden ser apropiadas para realizar los compromisos de minera de datos.

4.5.2.2. Segmentacin

La segmentacin apunta a la separacin de los datos en subgrupos o clase significativos e
interesantes. Todos los miembros de un subgrupo comparten caractersticas comunes. Por ejemplo,
en el anlisis de cesta de compras, uno podra definir los segmentos de cestas segn los artculos
que ellos contienen.

La segmentacin puede ser realizada a mano o semi-automticamente. El analista puede suponer
ciertos subgrupos como relevantes para la pregunta de negocio, basada sobre un conocimiento
previo o sobre el resultado de la descripcin y el resumen de datos. En adicin, hay tambin
tcnicas automticas de agrupamiento (clustering) que pueden descubrir las estructuras antes
insospechadas y ocultas en datos que permite la segmentacin.

La segmentacin a veces puede ser un objetivo de minera de datos. Entonces la deteccin de
segmentos sera el objetivo principal de un proyecto de minera de datos. Por ejemplo, todas las
direcciones en reas de cdigo postal con la edad mas alta que el promedio y un ingreso podran ser
seleccionadas para enviar publicidad para seguro de clnica de ancianos.

Muy a menudo, sin embargo, la segmentacin es un paso hacia la solucin de otros tipos de
problema. Entonces, el objetivo es de guardar (mantener) el tamao de los datos manejables o
encontrar los subconjuntos de datos homogneos que son ms fciles para analizar. Tpicamente en
grandes conjuntos de datos variados afectan el alcance de cada uno y obscurece los patrones
interesantes. Entonces, la segmentacin apropiada hace la tarea ms fcil. Por ejemplo, analizar las
dependencias entre artculos en millones de cestas de compras es muy difcil. Esto es mucho ms

fcil (y ms significativo, generalmente) para identificar dependencias en los segmentos
interesantes de cestas de compras -por ejemplo, cestas de alto valor, cestas que contienen bienes de
confort, o cestas de un da o de un periodo particular.

Nota: En la literatura, hay algo de ambigedad en el significado de ciertos trminos. A veces llaman
a la segmentacin agrupamiento (clustering) o clasificacin (classification). El ltimo trmino es
confuso porque algunas personas lo usan para referirse a la creacin de clases, mientras que otros
piensan en la creacin de modelos para predecir las clases conocidas para casos antes no vistos. En
este documento, restringimos el trmino de clasificacin al ltimo significado (ver ms abajo) y
usar el trmino segmentacin con el antiguo significado, aunque las tcnicas de clasificacin
puedan ser usadas para obtener descripciones de los segmentos descubiertos.

Tcnicas apropiadas:

Tcnicas de agrupamiento (clustering)
Redes Neuronales
Visualizacin

Ejemplo:

Una empresa de venta de autos con regularidad recoge informacin sobre sus clientes acerca de sus
caractersticas socioeconmicas como el ingreso, la edad, el sexo, la profesin, etc. Usando anlisis
de agrupamiento, la empresa puede dividir a sus clientes en subgrupos ms comprensibles y
analizar la estructura de cada subgrupo. Estrategias de control de comercializacin (marketing)
especficas son desarrolladas para cada grupo separado.

4.5.2.3. Descripciones de conceptos

La descripcin de concepto apunta a una descripcin comprensible de conceptos o clases. El
objetivo no es para completar el desarrollo de modelos con prediccin de exactitud alta, sino para
ganar ideas. Por ejemplo, una empresa puede estar interesada en el estudio sobre sus clientes ms
leales y desleales. De una descripcin de concepto de estos conceptos (clientes leales y desleales) la
compaa infiere que podra estar hecho para encontrar clientes leales o transformar clientes
desleales a clientes leales.

Una descripcin de concepto tiene una conexin cercana tanto a la segmentacin como a la
clasificacin. La segmentacin puede conducir a una enumeracin de objetos que pertenecen a un
concepto o clase sin proporcionar cualquier descripcin comprensible. Tpicamente la segmentacin
es llevada a cabo antes de que la descripcin de concepto sea realizada. Algunas tcnicas -tcnicas
de agrupamiento conceptuales, por ejemplo-ejecutan la segmentacin y descripcin de concepto al
mismo tiempo.

Las descripciones de concepto tambin pueden ser usadas para objetivos de clasificacin. Por otra
parte, algunas tcnicas de clasificacin producen modelos de clasificacin comprensibles, que
pueden entonces ser consideradas descripciones de concepto. La distincin importante es que la
clasificacin apunta a ser completa en algn sentido. El modelo de clasificacin tiene que aplicarse
a todos los casos en la poblacin seleccionada.


De otra manera, las descripciones de concepto no tienen que ser completas. Es suficiente si ellos
describen las partes importantes de los conceptos o clases. En el ejemplo mencionado, puede ser
suficiente conseguir las descripciones de conceptos de aquellos clientes que son claramente leales.

Tcnicas apropiadas:

Mtodos de induccin de reglas
Agrupamiento conceptual

Ejemplo:

Usando datos sobre los compradores de coches nuevos y una tcnica de induccin de regla, una
empresa de coche podra generar las reglas que describen sus clientes leales y desleales. Debajo
estn los ejemplos de las reglas generadas:

Si SEXO =macho y EDAD >51 entonces CLIENTE =leal
Si SEXO =hembra y EDAD >21 entonces CLIENTE =leal
Si PROFESIN =gerente y EDAD <51 entonces CLIENTE =desleal
Si ESTADO CIVIL =soltero y EDAD <51 entonces CLIENTE =desleal

4.5.2.4. Clasificacin

La clasificacin asume que hay un conjunto de objetos caracterizados por algn atributo o rasgo que
pertenece a diferentes clases. La etiqueta de clase es un valor (simblico) discreto y es conocido
para cada objeto. El objetivo es para construir los modelos de clasificacin (a veces llamados
clasificadores), que asigna la etiqueta de clase correcta a objetos antes no vistos y sin etiquetas.

Los modelos de clasificacin sobre todo son usados para el modelado predictivo.

Las etiquetas de clase pueden ser presentadas en el avance -definida por el usuario, por ejemplo, o
derivadas de la segmentacin. La clasificacin es uno de los tipos de problemas ms importantes de
minera de datos que ocurren en una amplia gama de aplicaciones. Muchos problemas de minera de
datos pueden ser transformados a problemas de clasificacin. Por ejemplo, intentando guardar
crditos para evaluar el riesgo de acreditar a un cliente nuevo. Esto puede ser transformado a un
problema de clasificacin para crear dos clases, clientes buenos y clientes malos. Un modelo de
clasificacin puede ser generado de los datos de cliente existentes de acuerdo a su comportamiento
crediticio. Este modelo de clasificacin puede entonces ser usado para asignar a clientes nuevos a
una de las dos clases y aceptarlo o rechazarlo.

La clasificacin tiene conexiones a casi todos los otros tipos de problemas. Los problemas de
prediccin pueden ser transformados a los problemas de clasificacin por discretizacin de etiquetas
de clase continuas, porque las tcnicas de discretizacin permiten transformar rangos continuos en
intervalos discretos. Estos intervalos discretos, ms que los valores numricos exactos, son usados
como etiquetas de clase, y de ah conducen a un problema de clasificacin.

Algunas tcnicas de clasificacin producen una clase comprensible o descripciones de concepto.
Hay tambin una conexin al anlisis de dependencia porque los modelos de clasificacin
tpicamente usan (explotan) y aclaran las dependencias entre atributos.


La segmentacin puede tambin proporcionar las etiquetas de clase o restringir el conjunto de datos
para que buenos modelos de clasificacin puedan ser construidos. Es til analizar desviaciones
antes de que un modelo de clasificacin sea construido. Las desviaciones y contingencias (cosas
fuera de lugar-outliers) pueden obscurecer el patrn que podra permitir un buen modelo de
clasificacin. De otro modo, un modelo de clasificacin tambin puede ser usado para identificar
desviaciones y otros problemas con los datos.

Tcnicas apropiadas:

Anlisis de discriminante
Mtodos de induccin de regla
Aprendizaje por rboles de Decisin
Redes neuronales
La K ms cercana
Razonamiento basado en caso
Algoritmos genticos

Ejemplo:

Los bancos generalmente tienen informacin sobre el comportamiento de pago de sus aspirantes de
crdito.

Combinando esta informacin financiera con otra informacin sobre los clientes, como el sexo, la
edad, el ingreso, etc., es posible desarrollar un sistema para clasificar a clientes nuevos como
clientes buenos o malos (esto es, el riesgo de crdito en la aceptacin de un cliente es alto o bajo).

4.5.2.5. Prediccin

Otro tipo de problema importante que ocurre en una amplia gama de usos es la prediccin. La
prediccin es muy similar a la clasificacin.

La nica diferencia es que en la prediccin el atributo objetivo (la clase) no es un atributo
cualitativo discreto, sino es uno continuo.

El objetivo de la prediccin esta en encontrar el valor numrico del atributo objetivo para objetos no
vistos. En la literatura, este tipo de problema es a veces llamado regresin. Si la prediccin trata con
datos de serie tiempo, entonces a menudo lo llaman pronosticacin.

Tcnicas apropiadas:

Anlisis de regresin
rboles de regresin
Redes neuronales
La K ms cercana
Mtodos de la Caja-J enkins
Algoritmos genticos

Ejemplo:


El rdito anual de una empresa internacional esta correlacionado con otros atributos como la
promocin, la tasa de cambio, la tasa de inflacin, etc. Teniendo estos valores (o estimaciones
confiables), la empresa puede predecir su rdito esperado durante el prximo ao.

4.5.2.6. Anlisis de dependencia

El anlisis de dependencia consiste en encontrar un modelo que describe dependencias
significativas (o asociaciones) entre artculos de datos o acontecimientos. Las dependencias pueden
ser usadas para predecir el valor de unos datos de artculo dada la informacin sobre otros artculos
de datos. Aunque las dependencias pueden ser usadas para el modelado predictivo, aquellos son
mas usados por su comprensin. Las dependencias pueden ser estrictas o probabilsticas.

Las asociaciones son un caso especial de dependencias, que recientemente se han hecho muy
populares. Las asociaciones describen las afinidades de artculos de datos (esto es, artculos de datos
o los acontecimientos que con frecuencia ocurren juntos). Un tpico escenario de aplicacin para
asociaciones es el anlisis de cestas que hacen compras. All, una regla como en el 30 por ciento de
todas las compras, la cerveza y cacahuetes han sido comprados juntos es un ejemplo tpico para
una asociacin.

Los algoritmos para detectar asociaciones son muy rpidos y producen muchas asociaciones.
Seleccionar el ms interesante es un desafo.

El anlisis de dependencia tiene conexiones cercanas a la prediccin y a la clasificacin, ya que las
dependencias implcitamente son usadas para la formulacin de modelos predictivos. Hay tambin
una conexin a descripciones de concepto, que a menudo destacan dependencias.

En aplicaciones, el anlisis de dependencia a menudo co-ocurre con la segmentacin. En grandes
conjunto de datos, las dependencias son raras veces significativas porque muchas influencias cubren
el uno al otro. En tales casos, se aconseja realizar un anlisis de dependencia sobre ms segmentos
homogneos de datos.

El modelo secuencial es una clase especial de dependencia en las que el orden de acontecimientos
es considerado. En un anlisis de cesta de compras, las asociaciones describen dependencias entre
artculos en un tiempo dado. El patrn secuencial describe el modelo que hace compras de un
cliente particular o un grupo de clientes en el tiempo.

Tcnicas Apropiadas:

Anlisis de correlacin
Anlisis de regresin
Reglas de asociacin
Redes bayesianas
Programacin de lgica inductiva
Tcnicas de visualizacin

Ejemplo 1:

Usando el anlisis de regresin, un analista de negocio ha encontrado que hay dependencias
significativas entre las ventas totales de un producto y tanto en su precio como en la cantidad de

gastos de publicidad. Este conocimiento permite al negocio alcanzar el nivel deseado de las ventas
por cambio del precio del producto y/o el gasto de publicidad.

Ejemplo 2:

Aplicando algoritmos de regla de asociacin a datos sobre accesorios de coche, una empresa de
coches ha encontrado que en el 95 por ciento de casos, si un CD player es ordenado, una
transmisin automtica es ordenada tambin.

Basado en esta dependencia, la empresa de coche decide ofrecer estos accesorios como un paquete,
que conduce a la reduccin del costo.




5. Descripcin y desarrollo de la industria.

5.1. La industria automotriz y el control de daos y/o averas

El nuevo orden internacional que comenz a gestarse en la dcada del 70 y que luego fue
impulsado por la terminacin de la guerra fra y la oleada de internacionalizacin de las economas
ha dado lugar a un nuevo paradigma en la divisin de trabajo. La especializacin del trabajo no se
realiza solo a nivel empresa o regin sino a nivel mundial y puede involucrar tanto a regiones como
a pases e inclusive a continentes.

Con el desarrollo de las tecnologas de las comunicaciones y los transportes desde hace dos dcadas
se asiste a un nuevo sistema de produccin en la industria automotriz que se sostiene en base a la
distribucin de la produccin de las diferentes marcas y modelos en masa al rededor del mundo.

Todas las compaas automotrices hoy en da no producen todos sus modelos en una sola regin o
pas sino que las mismas realizan acuerdos multinacionales para producir determinados modelos en
determinados lugares para luego intercambiarlos entre los diferentes puntos de produccin. De esta
manera para asistir a cada mercado en cada regin se realizan los convenios internacionales de
intercambio de unidades necesarios para satisfacer las demandas.

Este movimiento de intercambio de unidades entre las diferentes regiones del mundo ha llevado a
esta industria a desarrollar un estricto control en el seguimiento e identificacin del estado de las
mismas a lo largo de su recorrido. Como consecuencia inmediata de este traslado de los productos
surge que los costos por movimiento, reparacin y puesta a punto de los automviles es mayor a los
costos de produccin. Esto es, el costo por unidad producida es inferior al costo de la misma desde
que sale de planta hasta que llega al cliente final.

Las unidades pueden ser movilizados por diferentes tipos de transportes: areos, martimos o
terrestres (camiones o tren). El traslado de los autos puede ser con almacenamiento en contenedores
o trincados independientemente uno de otro. Tambin son estoqueados/almacenados en diferentes
playas o patios con el objeto de ser reparados o simplemente por cuestiones comerciales previas a la
distribucin.

Las cantidades transportadas en masa varan desde unos pocos (7, 11 o 13 unidades por transportes
terrestre, por ejemplo bateas) a cientos (por ejemplo por tren) o inclusive a miles de unidades (por
ejemplo buques equipados segn normas internacionales para transportar desde cientos a miles de
unidades).

Para el control y la verificacin del estado de cada unidad las diferentes empresas (marcas) han
creado sus propios estndares de inspeccin o peritaje o verificacin. Cada unidad es inspeccionada
segn los estndares impuesto por cada compaa en cada uno de los lugares por donde pasan o
bien donde se estacionan.

El camino que recorre cada unidad desde que sale de planta hasta que llega a un cliente final es lo
que se denomina en la industria como circuito logstico o cadena logstica. En cada circuito
intervienen una o varias empresas denominadas operadoras logsticas. Cada operador logstico
puede contratar (tercerizar) a otras empresas para el transporte de las unidades de punto a punto.
Adems tambin es frecuente la tercerizacin en el desarrollo de las inspecciones o peritajes que es
realizado normalmente en los lugares donde se produce el intercambio de responsabilidad de una

empresa a otra. As es que como ejemplos estndares de lugares o puntos de inspeccin se pueden
nombrar:

controles a la bajada o subida de buque;
controles dentro de los buques;
controles a la entrada o salida de un puerto;
controles dentro de los puertos (estiba);
controles a la salida de una planta de produccin;
controles a la entrada o salida de un patio / playa (stock) comercial o por reparacin;
controles a la subida o bajada de bateas (camiones).

5.2. Circuitos logsticos

Los elementos que lo componen son los diferentes medios de transporte (podran ser llamados
enlaces) y los puntos (podran ser denominados nodos) por donde transitan o se estacionan los
autos. Tanto los transportes como los lugares por donde pasan pueden ser lugares de distintas
compaas, transportes de distintas compaas e inclusive el traspaso de un trasporte a un lugar o a
otro trasporte puede ser realizado por otra empresa.

La verificacin o control de una unidad en sus diferentes puntos se desarrolla en funcin de los
estndares de cada empresa. Las empresas pueden ser certificadas segn normas internacionales o
no, esto todava en esta industria es irrelevante para algunas compaas.

Ejemplo 1: Exportacin Argentina

Figura 1: Circuito exportacin

Ejemplo 2: Importacin Argentina

Figura 2: Circuito importacin

5.3. Transportes y lugares de almacenamiento

Como se ha mencionado anteriormente cada transporte puede tener diferentes capacidades.
Normalmente el transporte terrestre se realiza a travs de camiones o bateas. Pero tambin existe la
posibilidad de ser realizado a travs de trenes para lo cual con frecuencia se utilizan contenedores
para resguardar la estructura del auto.

Los transportes martimos son todava el medio de transporte ms rentable para este negocio. Todo
buque o barcaza est equipada con la tecnologa y herramientas necesarias para transportar algunos
miles de autos (hasta 4.000 unidades). Para el transporte de las unidades en el interior de un barco
se realiza lo que en el medio se denomina trincado que consiste en amarrar desde diferentes puntos
del auto (ruedas o parte de la estructura del auto) al piso del buque. De esta forma se evita el
movimiento de los productos cuando el transporte es movilizado a travs de un ocano o ro.

El trasporte por va area es el menos frecuente por razones de costo. Pero al igual que con el
transporte martimo las unidades pueden ir trincadas o bien tambin se suele utilizar contenedores.




6. Procesos a analizar, lmites y alcance

6.1. Puntos de Control

Puntos de control y transporte

Para el desarrollo del presente proyecto se definirn y tomarn muestras de puntos y transportes
estndares en la industria; esto es, se trabajar con muestras tomadas de inspecciones realizadas
frecuentemente por cualquier marca.

A continuacin se describen los puntos de control que intervienen en este proyecto.

Despacho de planta de produccin

Inspecciones realizadas sobre todas las unidades que salen de planta de produccin y se dirigen
por transporte terrestre (camiones) a patios o puertos. La imputabilidad de las observaciones
notadas corresponde a planta de produccin (normalmente denominada origen o averas de
calidad).

Ingreso a puerto

Procedente de diferentes lugares y trasladadas a travs de camiones. La responsabilidad es
imputada a transporte terrestre.

Subida a buque

Luego de estadio en playa de puerto toda unidad es embarcada. Las inspecciones son realizadas
previas a la entrada a rampa. La imputabilidad corresponde a patio de puerto.

Descarga de buque

Unidades inspeccionadas a la descarga de un barco. Los daos y/o averas son imputados a las
empresas de transporte martimo.

Salida de puerto

Luego de una determinada cantidad de tiempo las unidades son despachadas de puerto con
destinos diferentes. Las unidades son cargadas a camiones.

6.2. Estndares de inspeccin

Las observaciones realizadas son parametrizadas segn los estndares impuestos por las compaas
que intervienen como operadoras logsticas.

Los daos y/o averas constan de tres partes claramente diferenciables: parte (rea), avera (tipo de
dao) y gravedad (severidad):

Parte: o denominada frecuentemente rea, es un cdigo alfanumrico de dos dgitos que
identifica una de las partes del auto.

Avera: est compuesto por un cdigo alfanumrico de dos dgitos y es utilizado para definir
el tipo de dao.
Gravedad: o severidad compuesto por un cdigo alfanumrico definido para especificar la
gravedad del dao o avera descubierto.

Un campo de observacin es tambin considerado como parte de la codificacin estndar. Sirve
para realizar cualquier aclaracin sobre un dao que no se ha podido parametrizar directamente
debido a la falta de los cdigos que lo pueden definir.

Algunos estndares incluyen un cuarto cdigo compuesto por tres o cuatro dgitos alfanumricos
definidos para realizar una observacin referente a la avera y que sirve para especificar que la
avera fue descubierta en un lugar dos o tres puntos antes de la inspeccin en ese CP (check point).


7. Informacin y datos

7.1. Proceso de inspeccin y captura de datos

El proceso de inspeccin se realiza solo sobre las partes visibles de la unidad. El presente proyecto
no incluye todas las fallas o desperfectos mecnicos del auto.

Cada perito o inspector aplica la norma estndar para observar y recorrer el vehculo en bsqueda
de daos y/o averas. Las inspecciones sobre cada unidad pueden ser realizadas por uno o ms
peritos. La cantidad de inspectores depende de los acuerdos realizados entre las empresas y de las
verificaciones posteriores o anteriores que se realizan a cada unidad.

Los automviles transitan por las diferentes cadenas logsticas con la documentacin
correspondiente. Esta documentacin incluye lo que se denomina VIN (Vehicle Identification
Number) que es un cdigo alfanumrico de 17 o 18 dgitos.

El VIN tiene una estructura estndar en la industria y a partir de este se pueden conocer datos del
vehculo como el origen, la marca, el modelo, el color, etc. Este nmero alfanumrico viene
impreso en la documentacin en cdigo de barras.

La gran mayora de las marcas trabaja con el cdigo de barras denominado 128. Pero tambin se
usan otras normas como la 3 de 9 o 3 de 6. Siempre el auto tiene impreso el VIN en cdigo de
barras de 17 o 18 dgitos.

Del procedimiento de inspeccin realizado surge un cdigo de avera si es observada en la unidad.
La misma, segn un proceso estndar, hoy en da, es cargada manualmente por cada perito. Luego
esta informacin es almacenada en una base de datos la cual es alimentada diariamente por todas las
inspecciones realizadas.

En algunos procesos de carga masiva de datos se utilizan colectores electrnicos de datos y en otros
simplemente se transforma o procesa la informacin suministrada por la compaa interesada en
verificar las unidades (entrega lo que se denomina parking list de vehculos). Los procesos de carga
masiva se realizan en proceso batch o por radio frecuencia. Este ltimo va almacenando on line en
la base de datos unidad por unidad inspeccionada.

7.2. Sistema normalizado de codificacin de daos y/o averas

Los datos cargados (los cuales son utilizados en este proyecto) son: VIN, parte, avera, gravedad,
observacin y cdigo de clave (o cdigo que especifica el origen real de la avera).

7.3. Proceso de educcin de requerimientos del proyecto

Comprensin del dominio

El objetivo del negocio es determinar comportamientos en la ocurrencia de daos y/o averas. Ms
detalles sobre la determinacin de los objetivos se encontrarn en el mdulo de Comprensin del
Negocio de la metodologa CRISP-DM detallada ms adelante.

Los actores involucrados para la obtencin de los datos necesarios para el desarrollo del presente
trabajo son:

Especialistas en consultora martima y peritajes navales
Especialistas en inspeccin de unidades automotrices
Especialistas en desarrollo de tecnologa para la captura de datos y desarrollo de base de
datos para el almacenamiento de los mismos.

En referencia a los lmites del proyecto se puede hacer referencia al hecho de explotar la
informacin almacenada en las base de datos desde el perodo 2002 a 2008. Se cuenta con dos
cadenas logsticas de exportacin, dos cadenas logsticas de importacin y puntos de control de
carga y descarga de autos en puertos de Argentina y Brasil.

Identificacin de necesidades

El objetivo del requisito es la bsqueda e identificacin de los diferentes tipos de averas y/o daos
en las unidades. Esta necesidad surge de las compaas que intervienen en el proceso como
consecuencia del movimiento fluido de unidades de lugar en lugar. Es necesario tambin por
cuestiones operacionales debido a que en toda la cadena de suministro es necesario poder establecer
los recursos consumidos para el movimiento de las unidades.

Con la posibilidad de asignar recursos es posible establecer los costos que demandar el sistema
logstico. Con el establecimiento de los patrones buscado es posible para cada parte interesada
poder presupuestar en funcin de las cantidades movilizadas los costos por reparacin de los daos.

El equipamiento de los sistemas de transporte es otro tem a cubrir como consecuencia del
descubrimiento de patrones de produccin de daos y averas. Todo proveedor de servicio de
transporte debe cumplir con determinadas condiciones para asegurar la conduccin segura de las
unidades.

El origen de la informacin para este proyecto se encuentra en bases de datos normalizadas. Las
mismas son alimentadas diariamente por personal capacitado y experto en la identificacin de
daos. Se cuenta con equipamiento electrnico para la captura automtica de datos por lo que la
posibilidad de errores en la informacin es mnima.

Del mismo modo la consistencia de la informacin es controlada diariamente tanto por el personal
responsable directamente de la misma como de los clientes que acceden para verificar el estado de
las unidades movilizadas a los largo de los circuitos y/o en los diferentes puntos de control.

Para la realizacin de la bsqueda de la informacin se cuenta con informacin detallada de:

Cantidad de unidades transportadas
Lugares por donde pasan las unidades
Trasportes, tipos y compaas
Partes averiadas
Tipos de averas
Severidad de averas
Responsables de averas


Identificacin de riesgos y contingencias

Al momento de desarrollar el presente proyecto no se detectan riesgos para su desarrollo y por lo
tanto no es necesario definir planes de contingencia. Se cuenta con la informacin electrnicamente
tomada y con el personal capacitado para el anlisis de la informacin.

El hecho de no ver en este momento del proyecto riesgos potenciales no significa que no existan
puesto que al tratarse especficamente de una minera de datos (definida como el intento por
descubrir informacin oculta en los datos) es probable que los resultados obtenidos coincidan con
trabajos relacionados por empresas privadas con el objetivo de reducir o presupuestar costos. En
funcin de esto ltimo se puede describir como plan de contingencia ante este probable riesgo el
desarrollo de un informe parametrizado con datos precisos y/o la valorizacin de los patrones de
daos y/o averas detectadas.

Evaluacin de herramientas de explotacin de informacin

Por cuestiones de ndole prctico y a los efectos de llevar acabo el presente trabajo de tesis de
maestra se utilizan herramientas de explotacin de datos suministradas por los Directores de Tesis,
las mismas son:

Software para Construccin de rboles de Decisin utilizando un Modelo de Clasificacin.
Software para Agrupamiento usando Mapas Autoorganizados.
Software para Construccin de Modelos de Prediccin.




8. Aplicacin de la metodologa propuesta.

8.1. Comprensin del Negocio

8.1.1. Objetivos del negocio

El objetivo del negocio es determinar comportamientos en la ocurrencia de daos y/o averas. De
esto ltimo tambin se puede inferir que es de utilidad para la toma de decisiones el poder
determinar o definir los lugares donde se producen los daos y las imputaciones de las mismas.

Descubrir donde se producen los siniestro conduce a la definicin de polticas para la prevencin de
las fallas en el sistema. De esto ltimo surgen las medidas correctivas a llevar a cabo.

Los objetivos pueden ser resumidos en:

Identificar daos y/o averas.
Determinar responsabilidad de siniestralidad en funcin del tipo de avera y tipo de
transporte.
Imputar incidentes segn el tipo de transporte.
Determinar tipos de averas y/o daos.
Determinar partes averiadas y/o daadas que muestren algn tipo de comportamiento.
Especificar gravedad de daos y/o averas.
Especificar lugares donde se producen daos y/o averas tratando de definir patrones de
comportamiento.
Especificar estadsticamente: tipos de transporte que producen daos y/o averas como as
Descubrir informacin oculta en funcin de los modelos generados a partir de los datos
disponibles.

Contexto actual

En referencia a la situacin global del negocio se puede decir que toda la informacin necesaria
para la explotacin de datos se encuentra disponible electrnicamente pero en forma dispersa. Esto
es, cada organizacin que interviene en cada circuito logstico tiene su propia sistema de anlisis de
daos y/o averas e inclusive los estndares con los cuales se parametriza la informacin es distinta
una de otra.

No hay en el medio un estudio en profundidad sobre el comportamiento de los estados por los que
atraviesa una unidad automotriz en referencia al estudio de daos, averas, responsables e
imputaciones.

Departamentos involucrados en cada compaa

Los departamentos involucrados en el desarrollo en el control y seguimiento de unidades
automotrices de los cuales surge la informacin y hacia los cuales est destinado el resultado del
proyecto son:

Departamento de calidad
Departamento de ventas

Departamento de operaciones
Departamento de sistemas
Departamento de logstica y distribucin

rea del problema

La produccin de daos y averas es prcticamente inevitable debido al movimiento de las unidades
y al traspaso de empresa a empresa y de medio a medio de trasporte. Del mismo modo es vital para
la industria la especificacin y determinacin clara de las responsabilidades por cada siniestro. De
lo afinado que se encuentre el sistema depende el abastecimiento de unidades a los mercados
objetivos.

La minera de datos debe ser promovida en esta actividad debido a que no existen registros
documentados de comportamientos estndares en la produccin de siniestros. Todo lo relacionado
con cantidades tanto de produccin, como exportacin o importacin estn claramente detalladas
tanto para las compaas que intervienen en la industria como en los organismos gubernamentales y
no gubernamentales.

Todo anlisis de siniestros y especificacin de tiempos de abastecimiento y reparacin de unidades
se realiza individualmente y en forma reactiva.

Solucin actual

Actualmente se recurre a las consultas manuales (por ejemplo SQL) para obtener los datos
necesarios para tener conocimiento de la situacin de las unidades. En el caso de que haya
discrepancias en cuanto a las responsabilidades o imputabilidad de daos y/o averas se realiza un
cruce de informacin entre las compaas que intervienen la operatoria logstica.

Objetivo primario de negocio

El objetivo primario de negocio para el presente proyecto es la posibilidad de detectar el
comportamiento de los daos y/o averas que se producen en las unidades automotrices 0 kilmetro
a lo largo de su circuito logstico.

Actividades

Cumplir con los objetivos propuestos por la aplicacin de la metodologa de explotacin de datos
dar respuesta a las siguientes preguntas:

Cules son las partes de los vehculos con mayor y menor incidencia de daos?
Cules son los tipos de daos de mayor y menor frecuencia?
Qu gravedad tienen frecuentemente las averas producidas?
Cules son la mayor y menor cantidad de partes faltantes?
Cules son los lugares donde se producen la mayor y menor cantidad de daos?
Cules son los trasportes que provocan la mayor y menor cantidad de daos?
Qu marcas y modelos son daados con mayor y menor frecuencia?
Cules son las mayores y menores combinaciones de partes y averas producidas?
Cules son los mayores y menores combinaciones de partes y faltantes producidos?

Cules son las mayores y menores combinaciones de partes, averas y gravedades
producidas?
Cules son los periodos de mayor flujo de exportacin e importacin de unidades va
martima?
Cules son los porcentajes de siniestralidad producidas por cantidad de unidades
movilizadas?
Cules son los porcentajes de ms de una averas en las unidades automotrices?
Cules son los porcentajes de unidades daadas por cantidad de unidades inspeccionadas?

Criterios de xito

Desde el punto de vista del negocio se establece como criterio de xito el poder:

Especificar daos y/o averas; cantidades, tipos y severidad.
Establecer responsabilidades especficas.
Especificar tipos de transportes que producen las averas y tipos de avera.
Establecer claramente averas y tipos de averas.
Definir comportamientos de averas y daos.
Especificar lugares de produccin de daos.
Definir estadsticamente tipos de transportes, partes, tipos de averas, gravedades e
imputabilidad de daos y/o averas.

El criterio de xito del proyecto estar definido por personal experto en el desarrollo de las
actividades de inspeccin, captura de datos, anlisis de informacin y tecnologa con experiencia
comprobable en el negocio.

Expertos en el proceso operativo y tecnolgico llevarn adelante todo el proceso de establecimiento
de criterio de xito del proyecto.

8.1.2. Evaluacin de la situacin

Situacin

Se cuenta con informacin detallada de las operaciones vinculadas a las inspecciones de unidades
automotrices desde 2002 a la fecha. Todas las bases de informacin se encuentran normalizadas y
con la documentacin vinculada a las mismas.

Actualmente las bases de datos se encuentran en lnea y funcionando bajo un desarrollo Web. Est
estn siendo utilizadas y alimentadas diariamente.

Recursos de software

Se cuenta con los siguientes sistemas:

Servidor de base de datos.
Software para la Construccin de un rbol de Decisin utilizando un Modelo de
Clasificacin.
Software para Agrupamiento usando Mapas Autoorganizados.
Software para la Construccin de un Modelo de Prediccin.

Recursos de hardware

Estn a disposicin los siguientes sistemas de hardware:

Equipamiento para la produccin y almacenamiento de la base de datos, y el entrenamiento
de los modelos:
1. CPU Microprocesador Intel Core 2, 1.7 GHz, 512 MB RAM, 60 GB HD.
2. CPU Microprocesador Intel Pentium 4, 1.7 GHz, 640 MB RAM, 80 GB HD.
3. Monitor 17.
4. Monitores 17.
5. Impresora Lser.
Servidor de base de datos local instalado para el resguardo de las base de informacin en
lnea.
1. Servidor Microprocesador Intel Pentium , 3 GHz, 1 GB RAM, 160 GB HD.
2. Servidor Microprocesador Intel Pentium , Dual, 1.8 GHz, 1.5 GB RAM, 320GB
HD.
3. Monitor 15.
Acceso irrestricto a las base de datos en lnea y publicadas por Web.
Sistema de banda ancha 3 MB conectado directamente a los servicios publicados en
produccin.

Adems se cuenta con personal experimentado en inspecciones a los cuales se puede acceder para
realizar las consultas necesarias para aclarar cualquier inquietud.

Fuentes de datos y conocimiento

Se cuenta con la siguiente informacin:

Base de datos con informacin vinculada a los movimientos de importacin y exportacin
de vehculos (dos marcas del mercado argentino con destino y origen Brasil y Francia, ao
2002 a 2008).
Base de datos con informacin vinculada a los movimientos de exportacin de vehculos
(dos marcas del mercado brasileo con destino Argentina, ao 2002 a 2008).
Base de datos con informacin de empresa de transporte martimo referida a los
movimientos de unidades de importacin y exportacin de autos (varias marcas del mercado
argentino con destino y origen de diferentes pases, ao 2006 a 2008).
Base de datos con unidades de importacin y exportacin de empresa de transporte martimo
(varias marcas del mercado brasileo con destino y origen de diferentes pases, ao 2004 a
2008).
Base de datos con informacin de movimientos de autos de una empresa de transporte
terrestre (una marca del mercado argentino ao 2004).

Fuentes de personal

Se cuenta con personal experto en inspecciones y con acceso a los mismos si restricciones de
tiempo.

Hay contacto directo y permanente con los administradores de sistemas, de personal y de soporte
tcnico.


El proyecto cuenta con el apoyo tcnico operativo y tecnolgico en todo momento. Se tiene acceso
inclusive a lugares donde se genera la informacin y se realiza su almacenamiento.


Los datos pueden ser usados transformando toda informacin relacionada directamente con:
Marcas de vehculos.
Modelos de vehculos.
Nombres de buques y compaas martimas.
Nmeros de batea y nombre de compaas de transporte terrestre.
Nombres de todas las empresas vinculadas a las operaciones en cualquier punto de control.

Para el uso de la informacin se proceder a desarrollar un sistema de codificacin alfanumrica
para evitar inconvenientes legales.

La validez de los resultados obtenidos puede ser verificada directamente consultando sobre las
bases de datos.

Terminologa

Ver Anexo 1: Glosario de terminologa relevante de negocio.

Ver Anexo 2: Glosario de terminologa de minera de datos.

8.1.3. Objetivos de minera de datos

Los objetivos en trminos de minera de datos son:

Determinar el comportamiento de partes de vehculos con mayor y menor incidencia de
daos.
Determinar el comportamiento de tipos de daos de mayor y menor frecuencia.
Determinar el comportamiento de gravedades que tienen frecuentemente las averas
producidas.
Especificar el comportamiento de partes faltantes con mayor y menor incidencia.
Determinar lugares donde se producen la mayor y menor cantidad de daos.
Especificar el comportamiento que provoca la mayor y menor cantidad de daos segn los
tipos de transporte.
Definir el comportamiento de marcas y modelos daados con mayor y menor frecuencia.
Definir el comportamiento de las mayores y menores combinaciones de partes y averas
producidas.
Definir el comportamiento de las mayores y menores combinaciones de partes y faltantes
producidos.
Determinar el comportamiento de las mayores y menores combinaciones de partes, averas y
gravedades producidas.
Determinar el comportamiento de los flujos de exportacin e importacin de unidades va
martima.
Determinar el comportamiento de siniestralidad producidas por cantidad de unidades
movilizadas.
Determinar el comportamiento de ms de una avera en las unidades automotrices.

Definir el comportamiento de unidades daadas por cantidad de unidades inspeccionadas.

Actividades

Clasificacin: Por ao 2003, 2004, 2005, 2006, 2007, 2008.

Mes de operacin
Mes de produccin
Puntos de control
Empresa de transporte martimo
Empresa de almacenamiento
Empresa de produccin de autos
Nmero de batea
Modelo de vehculos
Parte de vehculos
Tipo de averas
Gravedad

Agrupamiento: Por ao 2003, 2004, 2005, 2006, 2007, 2008.

Mes de operacin
Mes de produccin
Puntos de control
Nmero de batea
Modelo de vehculos
Parte de vehculos
Tipo de averas
Gravedad

Prediccin: Por ao 2003, 2004, 2005, 2006, 2007, 2008.

Mes de operacin
Mes de produccin
Puntos de control
Nmero de batea
Modelo de vehculos
Parte de vehculos
Tipo de averas
Gravedad


Criterios de xitos de la minera de datos

Los resultados sern evaluados y controlados contra consultas SQL directas sobre la base de datos.

En funcin de las muestras de consultas manuales a cada base de datos se establecern los criterios
de xitos de cada resultado.

Para cada resultado se especificar un patrn manual de consulta.

8.1.4. Produccin del plan del proyecto

Plan de proyecto

Se tomarn muestras de las bases de datos en produccin segn los puntos descritos en los tems del
presente proyecto vistos anteriormente.

A cada una de las muestras tomadas se analizar el contenido y se realizarn trabajos de
normalizacin de informacin y adaptacin para su mejor interpretacin.

En forma paralela se ir describiendo en detalle en diccionario de terminologa de negocio (Anexo
1) todo el vocabulario usado en la industria.

Etapa 1: Anlisis de la estructura de datos e informacin de las bases de datos en
produccin. Tiempo estimado 3 semanas.

Etapa 2: Ejecucin de consultas para la captura de muestras representativas para lograr los
objetivos del proyecto. Tiempo estimado 1 semana.

Etapa 3: Conversin y normalizacin de datos segn estructura requerida por los sistemas
donde los datos ser procesados. Tiempo estimado 3 semanas.

Etapa 4: Ejecucin de los procesos de explotacin de datos sobre toda la informacin
obtenida y parametrizada. Tiempo estimado 1 semana.

Etapa 5: Anlisis de los resultados obtenidos en funcin de los procesos ejecutados en el
punto anterior. Tiempo estimado 2 semanas.

Etapa 6: Segn los resultados obtenidos se proceder a ejecutar nuevamente los procesos de
explotacin de datos. Tiempo estimado 1 semana.

Etapa 7: Desarrollo de reportes en funcin de los resultados obtenidos y considerando los
objetivos de negocios del presente proyecto. Tiempo estimado 1 semana.

Etapa 8: Anlisis y desarrollo de las conclusiones obtenidas segn los resultados de cada
proceso. Tiempo estimado 2 semanas.

Etapa 9: Desarrollo de presentacin de los resultados obtenidos a los participantes del
proyecto. Tiempo estimado 1 semana.


Nota: Durante cada una de las etapas del proyecto se ir desarrollando en paralelo el diccionario de
terminologa de negocio (Anexo 1) y de minera de datos (Anexo 2).


Construccin de rboles basado en modelo de clasificacin.

Los rboles de clasificacin, o tambin llamados modelos basados en rboles, se fundamentan en el
principio de divide y vencers, construyendo un rbol que en cada nodo establece unas
condiciones sobre un atributo, dividiendo as el conjunto de casos en subconjuntos que cumplen
cada condicin. Los subconjuntos se vuelven a dividir aadiendo nuevos niveles al rbol hasta
detenerse mediante algn criterio.

Agrupamiento usando mapas autoorganizados

Tcnicas que agrupan los datos en funcin de una distancia sin utilizar ningn tipo de informacin
externa para organizar los grupos.

Clustering no supervisado. Conjunto de tcnicas que agrupan los datos en funcin de una distancia
sin utilizar ningn tipo de informacin externa para organizar los grupos. Dependiendo de la forma
en la que los datos son agrupados, podemos distinguir dos tipos de clustering:

J errquico: El clustering jerrquico aglomeratico es un mtodo determinista basado en una
matriz de distancias. Establece pequeos grupos de genes/condiciones que tienen un patrn
de expresin comn y posteriormente construye un dendograma (representacin grafica de
un grupo de relaciones basadas en la cercana o similitud entre los datos) de forma
secuencial. El rbol o dendograma, establece una relacin ordenada de los grupos
previamente definidos y la longitud de sus ramas es una representacin de la distancia entre
los distintos nodos del mismo. En el desarrollo del clustering jerrquico se han utilizado
diferentes algoritmos (UPGMA, Ward, etc.) aunque todos siguen la misma estrategia en
general: separan cada gen en un nodo diferente, calculan la distancia entre los dos genes ms
prximos y los juntan en un cluster. Entonces se vuelve a calcular la matriz de distancias
sustituyendo los dos patrones que se han unido por el promedio de ambos. En cada paso, los
algoritmos son capaces de juntar los genes no solo de dos en dos sino muchos ms a la vez.
Muchos de ellos simplemente se diferencian en la forma en la que calculan la distancia del
nuevo cluster formado al resto de los elementos de la matriz, y en este sentido, la
aproximacin del Average linkage (algoritmo que opera agrupando iterativamente los
genes o clusters que presentan la distancia media mas pequea en cada paso sucesivo del
calculo de la matriz de distancias) es la mas utilizada.

Por otro lado existe el clustering jerrquico divisivo que es similar al anterior pero agrupa
los genes de forma inversa. Mientras que el clustering aglomerativo separa inicialmente
todos los genes y posteriormente los va agrupando para construir clusters ms grandes, el
clustering divisivo agrupa inicialmente todos los genes en un nico cluster y sucesivamente
los va separando hasta que cada uno se encuentre aislado como una entidad. Es decir, el
mtodo divisivo va identificando aquellos genes con un patrn ms diferente para separarlos
en el espacio lo ms posible. Este es el caso de SOTA (Self-Organizing Tree Algorithm). A
pesar de que no esta exento de problemas, el clustering es una herramienta poderosa para la
reduccin de los datos obtenido de microarrays y para el estudio de posibles hiptesis que

relacionan los clusters de genes obtenidos con el fenotipo. Sin embargo, este tipo de
relaciones deben ser formalmente validadas por otros experimentos adicionales.

No jerrquico: En este caso los algoritmos comienzan a calcular la matriz de distancias a
partir de un numero predefinido de clusters y van recolocando de forma iterativa los genes
en los diferentes grupos hasta minimizar la dispersin interna de cada cluster. Los dos
algoritmos ms representativos de este tipo de clustering son:

1. K-Medias: es un algoritmo que comienza con una muestra de k genes elegidos al azar
de la matriz original de datos. Cada uno de ellos se utiliza como el centroide inicial de
los k clusters que se van a formar. La matriz de distancias se calcula desde dicho
centroide hasta cada uno de los genes de la matriz de datos y cada uno de ellos ser
asignado de esta forma al centroide ms cercano. Entonces la matriz de distancias se
recalcula reemplazando cada centroide por la media de los genes asignados a l y el
algoritmo repite entonces el proceso anterior. El mapa de clusters que ofrece este
algoritmo carece de topologa.

2. SOM: los mapas auto-organizados (Self-Organising Maps) son redes neuronales. El
algoritmo permite, de forma iterativa, que los patrones mas parecidos se vayan juntando
entre si y alejndose de aquellos otros que son mas diferentes. Este tipo de algoritmos
son ms fiables y robustos puesto que se basan en redes neuronales que por definicin
son capaces de trabajar con grandes cantidades de datos con ruido. Sin embargo, no
carece de ciertos inconvenientes. SOM es una herramienta particularmente til en el
tratamiento de datos procedentes de series temporales.

El gran problema que presentan estos mtodos no jerrquicos es que al no generar un
dendograma no permiten hacerse una idea de la representacin espacial de los genes, la cual
suele ofrecer un conocimiento intuitivo de cmo analizar los datos de microarrays.

Clustering supervisado: se basa en la idea de que para la clasificacin de la mayora de muestras
biolgicas ya existe informacin preliminar que puede utilizarse para agrupacin de nuevos datos
en clusters. Los mtodos supervisados aprenden de esta informacin previa, generalmente ofrecida
por un conjunto de datos de entrenamiento, la forma en que deben clasificar los nuevos datos
(genes o condiciones) que se les presentan.

SVM (Supported Vector Machines): es una tcnica lineal que utiliza hiperplanos para separar los
datos en el espacio como puntos negativos o positivos. Los datos de estudio son clasificados
respecto de otro conjunto de datos previamente conocido.

Preceptrones: estn basados en redes neuronales. Tienen algunas ventajas sobre las SVM como por
ejemplo la capacidad de clasificar muchas muestras al mismo tiempo y discriminar entre varias
clases diferentes.

Construccin de un modelo de prediccin

Otro tipo de problema importante que ocurre en una amplia gama de usos es la prediccin. La
prediccin es muy similar a la clasificacin.

La nica diferencia es que en la prediccin el atributo objetivo (la clase) no es un atributo
cualitativo discreto, sino es uno continuo.

El objetivo de la prediccin esta en encontrar el valor numrico del atributo objetivo para objetos no
vistos. En la literatura, este tipo de problema es a veces llamado regresin. Si la prediccin trata con
datos de serie tiempo, entonces a menudo lo llaman pronosticacin.
8.2. Comprensin de Datos

8.2.1. Recoleccin de datos iniciales

8.2.1.1. Informe de la recoleccin de datos inicial

Identificacin de autos
Cada unidad automotriz se identifica con un nmero el cual se especfica en cada uno de los
registros que componen el presente trabajo. Toda unidad est relacionada con una avera la
cual es producida en un determinado lugar, por una determinada empresa responsable.

Modelos
Los datos relacionados con el nombre real del modelo son reemplazados por cdigos
numricos los cuales son extrados directamente de cada consulta a la base de datos.

Lugares
Los diferentes tipos de lugares estn codificados. Los lugares estn relacionados con los
sitios donde las unidades son estacionadas transitoriamente.

Tipos de transporte
Los transportes tambin estn codificados por un nmero y los mismos son de diferente tipo.
Esta informacin es referida a los transportes y tipos de transporte que trasladan los
vehculos de un sitio a otro.

Empresas
Cada empresa responsable por un siniestro es extrada con un cdigo numrico. Todo sitio o
transporte estn vinculados a una empresa.

Partes
Cada parte de una unidad automotriz es identificada con un nmero que usualmente est
compuesto por dos dgitos alfanumricos. Cada nmero representa una parte de un auto.

Averas
Cada tipo de avera de cada siniestro est representado por un nmero. Normalmente es un
cdigo compuesto por dos dgitos alfanumricos.

Gravedades
Los diferentes niveles de avera son tambin extrados con un nmero. Representan la
severidad que tiene una avera en una determinada parte del auto.

Observacin
Tambin referida a cada avera y tiene como objetivo el describir un dao que no puede ser
codificado en funcin del estndar de inspeccin especificado. Es un campo alfanumrico de
N cantidad de caracteres.


Fechas
Las fechas son extradas en formato numrico con el formato aaaammdd: 4 caracteres
numricos correspondientes al ao, 2 al mes y 2 al da.

Requerimientos de informacin

La informacin necesaria para el logro de los objetivos del proyecto son los descritos en el tem
anterior y lo mismos se encuentran disponibles en las bases de datos.

Criterio de seleccin de los datos

Los atributos especficos necesarios para la minera de datos son:

Identificador de autos
Fecha de operacin en la que se detecta el dao
Modelo de cada unidad
Lugar
Parte del auto donde se produce la avera
Tipo de avera producida en cada unidad
Severidad o gravedad de avera producida
Observaciones por cada unidad

Tablas seleccionadas para la extraccin de datos:

Autos
Operaciones
Daos
Autos Operaciones
Modelos
Marcas
Lugares
Empresas
Partes
Averas
Gravedades
Compaas
Buques

Los datos se extraern segn la fecha de operacin en la que se ha detectado cada avera. Los
periodos establecidos para realizar las particiones de datos extrados es anual des el ao 2003 hasta
el ao 2008.

Todos los datos son extrados de un sistema estndar como lo es el SQL Server. La estructura de
cada base de datos esta normalizada.

Insercin y transformacin de datos

Los datos que contienen solo descripciones compuestas por caracteres alfanumricos son los
relacionados con las observaciones.

En cuanto a la transformacin de datos se encuentra la necesidad de codificar los datos de modelos
debido a que los mismos se encuentran (en dos de las marcas incluidas en el presente proyecto) en
formato de caracteres. Para cada una de las consultas realizadas en la generacin del cdigo
seleccionador se procede a la transformacin automtica de los modelos en cdigos numricos.

8.2.2. Descripcin de datos

En lineamientos generales todos los datos extrados estn codificados numricamente por lo tanto la
necesidad de manipulacin de los mismos es mnima a la hora de llevarlos a los modelos a utilizar
en el proyecto.

Los tipos de datos extrados son:

Identificador de autos: numrico
Fecha de operacin en la que se detecta el dao: numrico
Modelo de cada unidad: numrico
Lugar: numrico
Parte del auto donde se produce la avera: numrico
Tipo de avera producida en cada unidad: numrico
Severidad o gravedad de avera producida: numrico
Observaciones por cada unidad: alfanumrico

Anlisis volumtrico de datos

Datos y mtodos de captura

Los datos son extrados realizando consultas con tecnologa SQL. Luego la informacin
estructurada es almacenada en planillas de clculo y posteriormente se cargan en los modelos para
ser analizados.

Si es necesario algn tipo de transformacin para cada grupo de datos capturado el proceso para
transformar los mismos se realiza con sentencias SQL.

La disponibilidad de datos es 100 % accesible.

Fuentes de datos

Como lo mencionado en prrafos anteriores la fuente de datos se obtiene por en lnea desde los
sistemas en produccin las cuales son alimentadas diariamente.

Tablas y relaciones

Autos Operaciones: Estas tablas se relacionan para identificar las operaciones que son realizadas
diariamente y la cantidad de unidades que contienen las mismas.

Daos Autos Operaciones: Esta relacin permite al sistema relacionar las averas tomadas a
cada auto y para una operacin especifica.

Daos Partes: Relacionadas para obtener los cdigos y la descripcin con la que se identifica cada
parte en un dao determinado.

Daos Averas: Estas tablas estn relacionadas para obtener los cdigos y descripcin de los
diferentes tipos de averas contenidos en un dao.

Daos Gravedades: Relacionadas para detallar los cdigos y la descripcin de cada nivel de
gravedad para un dao especfico.

Operaciones Buques: Desde all se obtienen los datos vinculados a los buques que forman parte de
una operacin determinada si la misma es realizada en puerto tanto a la bajada como a la subida de
los autos a cada navo.

Operaciones Compaas: Relacionadas para obtener informacin vinculada a las empresas
responsables por los daos u observaciones realizadas para cada unidad automotriz.

Operaciones Puntos de control: Toda operacin est vinculada a un lugar especfico en la cadena.
Esta relacin permite al sistema obtener informacin detallada de lugar donde se realiz la
inspeccin del auto.

Operaciones Imputaciones: Estas tablas estn relacionadas para poder saber cuales es el tipo de
transporte o bien el tipo de lugar donde se produce una determinada avera.

8.2.3. Exploracin de datos

rboles de Decisin con Modelo de Clasificacin.

El algoritmo de construccin de rboles de decisin trabaja sobre la cantidad de registros
tomadas sin especificacin de cantidad mxima y el objetivo inicial es el descubrimiento de
patrones para el comportamiento de las averas en lugares, tipos de transporte, modelos y
marcas. El procesamiento de datos se realiza segn los periodos definidos.

Agrupamiento con Mapas Autoorganizados.

El agrupamiento de informacin se realiza con 5000 registros como mximo y se toman
matrices de 3 x 3, 4 x 4, y 10 x 10. Del mismo modo que en el algoritmo anterior el proceso de
la informacin se realiza en funcin de los periodos establecidos. Los agrupamientos se realizan
sobre modelos, lugares, partes, averas y severidades.

Modelos de Prediccin.

La construccin de los modelos de prediccin se desarrolla sobre 2000 registros como cantidad
mxima. Se procesan corridas para el anlisis de datos de partes, averas, lugares, modelos,
severidades y marcas. Con esta informacin se puede obtener el comportamiento de las averas
en relacin a determinadas partes, lugares, y tipos de transporte. En este caso tambin los
registros son procesados segn los periodos establecidos.

Informe de exploracin de datos

Se realiza la exploracin de datos sobre informacin extrada desde el ao 2003 al 2008. Los
primeros resultados van a mostrar informacin estadstica y principalmente sirve para determinar la
consistencia y completitud de datos.


Tambin en esta etapa se va ha poder ver la necesidad de extraer de la base de datos atributos que
posiblemente fueron omitidos y los cuales a partir de esta primera exploracin se pueden
vislumbrar.

De la exploracin inicial de toda la informacin disponible para el presente estudio se define la
divisin de los periodos de procesamiento de datos de la siguiente forma:

Muestra 1: Ao 2003, 16 modelos.

Muestra 2: Primer semestre ao 2004, 11 modelos.

Muestra 3: Segundo semestre ao 2004, 13 modelos.








Para cada uno de los periodos establecidos el estudio comprende los siguientes lugares:

Importacin: salida de planta de origen, subida a buque puerto de origen, bajada de buque
puerto de destino, salida de puerto de destino.
Exportacin: salida de planta, ingreso a puerto, subida a buque.

En referencia a las empresas y tipos de transporte por cada lugar se encuentran:

Transporte terrestre: 4 empresas.
Transporte martimo: 92 buques correspondientes a 21 compaas.
Puertos: 3 empresas.

Para concluir con el presente informe de exploracin de datos se detallan las diferentes cantidades
de datos a analizar y los grficos donde corresponden.

Cantidad total de registros explotar: 50246
Cantidad total de modelos que intervienen: 22
Cantidad de partes de autos: 99
Cantidad de tipos de averas: 11


En los grfico siguientes se muestran resultados de la exploracin de datos inicial sobre al totalidad
de la informacin con la que se desarrolla el presente proyecto. Los grficos muestran la
informacin den dibujo de barras y de tortas para una mejor interpretacin de los resultados.

El Grfico 1 muestra las cantidades de unidades producidas en funcin de los lugares donde se
producen y del recorrido que realizan.
2390
22075
5070
1544
0
5000
10000
15000
20000
25000
Retiro Fbrica de
Origen
Subida Buque
Puerto de Origen
Bajada de Buque Retiro de Puerto

Grfico 1: Cantidad de averas por lugar (Importacin de vehculos)

En el Grfico 2 se muestran las mismas cantidades del grfico 1 en dibujo de tortas. All tambin se
puede observar el porcentaje de averas en funcin de los lugares en un circuito comn de
importacin de vehculos.
Retiro Fbrica de Origen;
2390; 8%
Subida Buque Puerto de
Origen; 22075; 71%
Bajada de Buque; 5070;
16%
Retiro de Puerto; 1544; 5%

Grfico 2: Cantidad de averas por lugar, cantidades y porcentajes (Importacin de vehculos)

El Grfico 3 permite ver las cantidades por lugares de deteccin de averas en un circuito estndar
de exportacin de autos.

10137
6647
2383
0
2000
4000
6000
8000
10000
12000
Transferencia ubicacin y
lnea de carga
Ingreso a Puerto Subida a Buque

Grfico 3: Cantidad de averas por lugar (Exportacin de vehculos)

El Grfico 4 detalla las cantidades de averas en funcin de los lugares y permite ver los porcentajes
y cantidades en un circuito estndar de exportacin.
Transferenciaubicacin y
lneadecarga; 10137; 53%
Ingreso aPuerto; 6647; 35%
SubidaaBuque; 2383; 12%

Grfico 4: Cantidad de averas por lugar, cantidades y porcentajes (Exportacin de vehculos)

El Grfico 5 muestra los 10 modelos de vehculos con mayor cantidad de daados.
17 20 9 5 7 13 8 18 6 5
14060
11890
9129
4814
3734
2612
1577
798
434
253
0
2000
4000
6000
8000
10000
12000
14000
16000
1 2 3 4 5 6 7 8 9 10

Grfico 5: Los 10 modelos con mayor cantidad de averas

El Grfico 6 permite ver los 10 modelos con mayor cantidad de averas especificando cantidades y
porcentajes del total tomado como referencia.

1; 17; 16%
2; 20; 18%
3; 9; 8%
4; 5; 5%
5; 7; 6%
6; 13; 12%
7; 8; 7%
8; 18; 17%
9; 6; 6%
10; 5; 5%

Grfico 6: Los 10 modelos con mayor cantidad de averas, porcentajes y cantidades

El Grfico 7 muestra las 10 partes de vehculos daadas ms frecuentemente. Solo se toman ests
10 reas para tener referencia y como consecuencia de la primera exploracin de datos.
4403 4401
4286
3926
3568
3029
1975
1906
1744
1296
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Puertadelantera
Derecha
Paragolpe
trasero / Spoiler
trasero
Puertadelantera
izquierda
Puertatrasera
izquierda
Paragolpe
delantero /
Protector
delantero
Puertatrasera
Derecha
Manual Otros Spoiler
delantero
Llantadelantera
izquierda

Grfico 7: Las 10 partes con mayor incidencia de averas

Concluyendo con la exploracin de datos se muestra a continuacin el Grfico 8 con las 10 averas
producidas en los vehculos con mayor frecuencia.

20061
17824
5219
5082
819
577
283 223
79 70 9
0
5000
10000
15000
20000
25000
Rayado -
Rozado
Abollado Pintura
saltada
Faltante Arrancado-
Roto-
Fisurado
Manchado Reventado-
Estallado
Exceso
kilometraje
Proyeccin Desga
rrado-
Cortado
Quemado

Grfico 8: Las 10 partes con mayor incidencia de averas

8.2.4. Verificacin de la calidad de datos

En funcin de la exploracin inicial de datos se concluye que estos son completos. Los datos cubren
los casos requeridos para la obtencin de los resultados necesarios para el logro de los objetivos del
presente proyecto.

Los datos provienen del mismo sistema de base datos el cual no contiene errores, con excepcin de
los errores gramaticales en los campos que permiten el ingreso de texto, pero esos campos no son
requeridos para el presente proyecto.

En referencia a los valores omitidos hasta este punto ellos no fueron encontrados. Del mismo modo
hasta este temes del proyecto no se present la necesidad de excluir datos.

8.3. Preparacin de Datos

8.3.1. Datos seleccionados

Los datos seleccionados para el anlisis son los siguientes:

Nmero de chasis: tipo entero.
Modelo: tipo entero.
Fecha: tipo entero, formado ao (4 dgitos), mes (2 dgitos) y da (2 dgitos).
Lugar: tipo entero.
Parte: tipo entero.
Tipo Avera: tipo entero.
Gravedad: tipo entero.
Observacin: tipo carcter.

El volumen de datos a explotar vara en funcin del software a utilizar, esto es:


Modelo de Clasificacin: El software no tiene lmite especificado por lo que los datos a
extraer para el anlisis depende exclusivamente del contenido en la base de datos en la
divisin de perodos establecidos.

Modelo de Clustering: El lmite del software es 5000 registros. Si el grupo de datos tomados
en cada periodo supera la restriccin establecida por el software se procede a tomar el grupo
de valor fecha ms bajo. Esto es, se toma la primera parte de los registros del periodo.

Modelo de Prediccin: El lmite del software es de 2000 registros. En el caso de superar las
cantidades de datos restringidas por el software se toma como criterio de seleccin el mismo
que para el punto anterior a los efectos de normalizar las consultas (SQL) de extraccin de
datos.

En referencia a importancia de datos se puede dividir en tres niveles:

Primaria: Los datos de Modelo, Lugar, Parte, Avera. Estos son los datos en funcin de los
cuales se realizar las explotaciones.
Secundaria: Los atributos referidos a Fecha y Gravedad. En cuanto a las fechas solo son
utilizadas a los efectos de la toma de datos y para establecer un criterio de normalizacin de
las consultas para la extraccin de los datos. En cuanto a los datos de gravedad los mismos
no tienen variacin significativa. Inclusive la variacin ms alta, que son cuatro, solo la
presentan en los dos o tres primeros periodos de seleccin puesto que luego se achican solo
a dos tipos.
Terciaria: El atributo Observacin entra en esta clasificacin puesto que el mismo no
interviene en la evaluacin directa de los modelos.

8.3.2. Limpieza de datos

La base de datos con la se cuenta para el presente trabajo contiene informacin relacionada con
operaciones de 4 marcas de automviles. Pero solo 2 de las marcas contienen informacin relevante
y representativa por su cantidad y diversidad de movimientos. Por este motivo se procedi a
eliminar del presente proyecto las otras dos marcas como as tambin los puntos por donde pasan
los cuales no agregan valor al proyecto.

Los datos de las marcas que quedan fuera del proyecto pueden ser objeto de un estudio posterior
para continuar con esta lnea de investigacin en la industria automotriz. Los datos de las marcas
que quedan excluas del proyecto no tienen importancia relevante para los perodos de distribucin
de las extracciones realizadas pero si pueden ser relevantes si los perodos establecidos son ms
prolongados (por ejemplo cada dos aos).

Tambin por motivos de normalizacin para el ingreso de informacin a los modelos de software
con los que se cuenta se ha realizado por SQL la codificacin de los modelos puesto que los mismos
estn disponibles en la base de datos en formato de caracteres alfanumricos.

El campo Gravedad puede ser irrelevante en alguno de los perodos iniciales del presente estudio
debido a la cantidad de variaciones. Inicialmente son 1, 2, 3 y 4 y al final se reduce solo a dos 1 y 2.


8.3.3. Construccin de datos

Como se ha mencionado en el tem anterior se ha realizado la transformacin del atributo Modelo a
formato numrico debido a que los mismos se encontraban en formato alfanumrico.

Lo recomendable para el proceso de transformacin es la programacin de una consulta SQL con
las sentencias correspondientes para la transformacin de los datos.

Todos los datos extrados previos a la incorporacin de los mismos en el software de anlisis de
datos pasan a un archivo de planilla de clculo.

La explotacin de los datos se realizar sobre informacin codificada en formato numrico y luego
de realizar el estudio del significado de los resultados se procede a la captura del significado en la
base de datos.

Las marcas y modelos excluidos segn lo dicho previamente tambin son filtrados en las consultas
estructuradas. Los nmeros de VIN que contiene cada unidad permiten realizar el filtro
apropiadamente puesto que es nico y universal para cada uno. La estructura del nmero de
identificacin del auto permite saber dentro de si mismo a que marca y modelo pertenece, por lo
tanto en cada consulta SQL se incorpora la sentencia correspondiente para efectivizar el filtro.

8.3.4. Integracin de datos

Los datos son extrados y combinados a partir de tres tablas relacionadas por sus respectivas claves.

Los atributos finales se obtienen de las siguientes tablas:

Chasis
Nmero de identificacin de un auto
Modelo del vehiculo
Operaciones
Fecha en que se realiza la operacin donde interviene el vehculo que sufre la avera.
Daos
Cdigo de parte averiada
Cdigo de avera
Cdigo de gravedad
Observacin

Las consultas SQL son capaces de integrar toda la informacin requerida para el presente proyecto.
Todas las lneas de cdigo para la generacin de los archivos en funcin de los perodos
establecidos quedan almacenadas en archivos con formato de query. Las consultas programadas se
encuentran almacenadas en el Anexo 3.

8.3.5. Formateo de datos

Las herramientas exigen que los datos a explotar sean numricos.

En cuanto al orden en el que debe ir cada columna los programas no requieren una posicin
especfica pero a los efectos de normalizar el presente proceso de trabajo se define el siguiente
orden:

a. Chasis
b. Modelo
c. Fecha
d. Lugar
e. Parte
f. Avera
g. Gravedad
h. Observacin

8.4. Modelado

8.4.1. Seleccin de las tcnicas de modelado

rboles de Clasificacin

Agrupamiento con Mapas Autoorganizados

Modelo de Prediccin

La documentacin necesaria para la utilizacin de las herramientas de software que se utilizan en
este proyecto de tesis se encuentra disponible en la misma aplicacin. La informacin brindada por
cada herramienta es tcnicamente precisa y detallada lo cual permite su aplicabilidad sin mayores
inconvenientes.

Las aplicaciones han sido desarrolladas con tecnologas de planilla de clculos programadas con
uno de los lenguajes de programacin estndares en informtica.

8.4.2. Generacin de la prueba de diseo

El conjunto de datos de entrenamiento es almacenado en archivos con formato de hoja de clculo y
se dividen en funcin de los perodos establecidos previamente para el presente proyecto. Se
capturan y almacenan todos los datos segn cada perodo preestablecido. Las cantidades de datos de
entrenamiento para los respectivos modelos tambin es variable en funcin del software a usar, lo
cual se especific previamente en prrafos anteriores.

Las pruebas se han realizado con muestras reducidas de los datos a ser explotados con el formato
que se utilizar en los modelos reales.

En referencia a la validacin de la calidad de datos cada aplicacin solicita como parmetros
iniciales previos a cada proceso la especificacin de los mismos. Cada validacin especificada
queda almacenada en la aplicacin ejecutada.

Durante las pruebas de diseo de los modelos se desestimaron los campos de identificacin de
chasis, fecha de produccin de la avera y observacin. La decisin fue tomada en funcin de lo que
se conoce hasta este momento de desarrollo del proyecto y no se descarta la posibilidad de recurrir a
esta informacin como consecuencia de un estudio o anlisis futuro.

De las pruebas tambin podemos concluir que en funcin de los resultados que se puedan llegar a
obtener del presente estudio, se podra hacer necesario o bien podra ser caso de futuras lneas de

investigacin el desarrollo de la deteccin de patrones especficamente en uno de los ms
importantes medios de transporte de autos como lo son los buques.

8.4.3. Construccin de los modelos

A continuacin se describe la parametrizacin y ejecucin de los modelos en funcin de las tres
herramientas utilizadas por el proyecto.

8.4.3.1. Modelo de Clasificacin

Construccin de un Modelo de Clasificacin para el analizar el comportamiento de los Tipos de
Averas.

Variables de entrada:
Cdigo de Parte: Continuous Predictor.
Cdigo de Gravedad: Continuous Predictor.

Variables de salida:
Cdigo de Avera: Categorical Predictor.

Construccin de un Modelo de Clasificacin para el anlisis del comportamiento donde (CP) se
producen las averas en un automvil.

Cdigo de Avera: Continuous Predictor.

Cdigo de lugar (punto de control): Categorical Predictor.

Construccin de un Modelo de Clasificacin para analizar las averas producidas en modelos.

Cdigo de Avera: Continuous Predictor.

Cdigo de modelo de auto: Categorical Predictor.

El procesamiento de datos de estos modelos permite determinar los niveles de siniestralidad por
lugar y modelos de unidades automotrices. Otra informacin que se obtiene a partir de estos
modelos es la imputacin de los incidentes y la determinacin de los tipos de transportes que los
provocan.

8.4.3.2. Modelo de Clustering

Construccin de un Modelo de Clustering para establecer el agrupamiento de daos.


Cdigo de Parte.
Cdigo de Avera.
Cdigo de Gravedad.

Formacin de grupos.

Construccin de un Modelo de Clustering para el agrupamiento de datos en relacin a daos y los
lugares donde se producen sin considerar la gravedad del dao.

Cdigo de CP.
Cdigo de Parte.
Cdigo de Avera.

Formacin de grupos.

Construccin de un Modelo de Clustering para el agrupamiento de datos de averas en lugares
considerando la severidad de los daos.

Cdigo de CP.
Cdigo de Parte.
Cdigo de Avera.
Cdigo de Gravedad.

Formacin de grupos.

Construccin de un Modelo de Clustering para el agrupamiento de datos de averas producidas en
modelos sin considerar la gravedad de los daos.

Cdigo de Modelo.
Cdigo de Parte.
Cdigo de Avera.

Formacin de grupos.

Construccin de un Modelo de Clustering para el agrupamiento de datos de averas producidas en
modelos especificando la severidad de los daos.

Cdigo de Modelos.
Cdigo de Parte.
Cdigo de Avera.

Cdigo de Gravedad.

Formacin de grupos.

La ejecucin de estos agrupamientos identifica los daos producidos relacionados con los lugares y
modelos de unidades. Tambin permite ver la relacin entre las partes averiadas, los tipos de averas
producidos y la severidad de los mismos.

Del anlisis de la relacin entre los daos y los lugares se puede establecer el comportamiento de
los daos en funcin del tipo de transporte.

8.4.3.3. Modelo de Prediccin

Construccin de un Modelo de Prediccin para determinar el comportamiento de las partes en
funcin del tipo de avera y gravedad de la misma.

Cdigo de Avera: Continuous.
Cdigo de Gravedad: Continuous.

Cdigo de Parte: Output.

Construccin de un Modelo de Prediccin para determinar el comportamiento de los tipos de avera
en funcin de las partes donde se producen y la gravedad de la misma.

Cdigo de Parte: Continuous.

Cdigo de Avera: Output.

Construccin de un Modelo de Prediccin para establecer el comportamiento de las averas en
funcin del lugar donde se producen.


Cdigo de CP: Output.

Construccin de un Modelo de Prediccin para establecer el comportamiento de las averas en
funcin de los modelos de vehculo.



Cdigo de Modelo: Output.

Con el procesamiento del Modelo de Prediccin es posible encontrar los daos, lugares, tipos de
transportes, y modelos donde se producen las averas.

Los modelos trabajan sobre los cdigos numricos de las variables introducidas. La traduccin de
los cdigos empleados en el procesamiento de datos se encuentra disponible en el Anexo 4.

En el Anexo 4 se encuentra el detalle descriptivo de los modelos, lugares, tipos de transporte,
cdigo de rea de un auto, tipo de avera de un auto y gravedad de una avera en un automvil.

8.4.4. Descripcin de los modelos

8.4.4.1. Modelo de Clasificacin

Se trabaja sobre tres categoras: Averas, Lugares y Modelos.

El modelo de minera de datos permite visualizar la ocurrencia de los tipos de averas producidos
sobre todas las partes y especificando las gravedades. Se observan las cantidades y porcentajes de
ocurrencia a lo largo de cada periodo.

El anlisis de la clase lugares permite visualizar el comportamiento de las averas en los diferentes
lugares por donde transitan las unidades automotrices. Tambin permite ver cantidades y
porcentajes mostrando una clara relacin entre los diferentes lugares donde se producen.

Por ltimo se analiza la ocurrencia de las averas por modelos de autos. Al final tambin es posible
encontrar informacin sobre cantidades y porcentajes por cada perodo.

Para los tres tipos de anlisis mencionados se crean los rboles de decisin con sus respectivas
reglas.

Finalmente este modelo muestra un detalle de los resultados obtenidos como la cantidad de hojas de
los rboles generados, la cantidad de nodos, el tiempo de proceso de la herramienta, etc.

A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del primer
perodo.

Averas (Perodo 1 Ao 2003)

Avera Cantidad
Arrancado - Roto Fisurado 136
Desgarrado Cortado 23
Reventado Estallado 12
Pintura saltada 935
Abollado 5338

Faltante 494
Proyeccin 9
Rayado Rozado 2023
Manchado 84
Exceso kilometraje 223

Tabla 4: Cantidad de daos y sus cdigos correspondientes

Abollado
59%
Faltante
5%
Proyeccin
0%
Exceso kilometraje
2%
Manchado
1%
Rayado - Rozado
22%
Pintura saltada
10%
Arrancado - Roto -
Fisurado
1%
Desgarrado - Cortado
0%
Reventado - Estallado
0%

Grfico 9: Porcentajes de ocurrencia de averas

Lugares (Perodo 1 Ao 2003)

Lugar Cantidad
Retiro Fbrica de Origen 87
Subida Buque Puerto de Origen 6925
Bajada de Buque 942
Retiro de Puerto 352
Transferencia ubicacin y lnea de carga 424
Ingreso a Puerto 443
Subida a Buque 104

Tabla 5: Cantidad de averas por lugar


SubidaBuquePuerto
deOrigen
74%
BajadadeBuque
10%
Retiro dePuerto
4%
Ingreso aPuerto
5%
SubidaaBuque
1% Retiro Fbricade
Origen
1%
Transferencia
ubicacin y lneade
carga
5%

Grfico 10: Porcentajes de ocurrencia de avera en diferentes lugares

Modelos (Perodo 1 Ao 2003)

Modelo Cantidad
Modelo 1 33
Modelo 2 33
Modelo 3 194
Modelo 4 8
Modelo 5 595
Modelo 9 4143
Modelo 11 33
Modelo 12 13
Modelo 13 436
Modelo 14 67
Modelo 15 12
Modelo 16 13
Modelo 17 2662
Modelo 18 467
Modelo 19 22
Modelo 20 546

Tabla 6: Cantidad de averas por modelo


Modelo 9
46%
Modelo 17
29%
Modelo 11
0%
Modelo 14
1%
Modelo 13
5%
Modelo 12
0%
Modelo 15
0%
Modelo 16
0%
Modelo 3
2%
Modelo 1
0%
Modelo 2
0%
Modelo 5
6%
Modelo 4
0%
Modelo 18
5%
Modelo 20
6%
Modelo 19
0%

Grfico 11: Porcentajes de ocurrencia de avera en modelos

A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del segundo
perodo.

Averas (Perodo 2 Semestre 1 Ao 2004)

Avera Cantidad
Quemado 2
Arrancado - Roto Fisurado 31
Desgarrado Cortado 6
Reventado Estallado 14
Pintura saltada 790
Abollado 2855
Faltante 184
Proyeccin 2
Rayado Rozado 1628
Manchado 155



Pintura saltada
14%
Abollado
50%
Faltante
3%
Manchado
3%
Rayado - Rozado
29%
Proyeccin
0%
0%
Quemado
0%
Arrancado - Roto -
Fisurado
1%
0%


Lugares (Perodo 2 Semestre 1 Ao 2004)

Lugar Cantidad
Bajada de Buque 942
Subida a Buque 104



SubidaBuquePuerto
deOrigen
83%
BajadadeBuque
6%
Retiro dePuerto
2%
Ingreso aPuerto
6%
SubidaaBuque
1% Retiro Fbricade
Origen
1%
Transferencia
ubicacin y lneade
carga
1%


Modelos (Perodo 2 Semestre 1 Ao 2004)

Modelo 1 15
Modelo 2 9
Modelo 3 52
Modelo 5 244
Modelo 9 1785
Modelo 11 5
Modelo 13 562
Modelo 14 10
Modelo 16 22
Modelo 17 2616
Modelo 18 28
Modelo 20 319



Modelo 11
0%
Modelo 5
4%
Modelo 9
32%
Modelo 2
0%
Modelo 1
0%
Modelo 3
1%
Modelo 20
6%
Modelo 18
0%
Modelo 14
0%
Modelo 16
0%
Modelo 17
47%
Modelo 13
10%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del tercer
perodo.


Avera Cantidad
Quemado 4
Arrancado - Roto - Fisurado 46
Desgarrado - Cortado 8
Reventado - Estallado 13
Pintura saltada 812
Abollado 2375
Faltante 274
Rayado - Rozado 1794
Manchado 29



Pintura saltada
15%
Abollado
44%
Faltante
5%
Manchado
1%
Rayado - Rozado
34%
0%
Quemado
0%
Arrancado - Roto -
Fisurado
1%
0%



Lugar Cantidad
Bajada de Buque 505
Retiro de Puerto 71
Subida a Buque 228


SubidaBuquePuerto
deOrigen
76%
BajadadeBuque
9%
Retiro dePuerto
1%
Ingreso aPuerto
9%
SubidaaBuque
4%
Retiro Fbricade
Origen
1%
Transferencia
ubicacin y lneade
carga
0%




Modelo Cantidad
Modelo 1 30
Modelo 2 8
Modelo 3 6
Modelo 5 252
Modelo 6 14
Modelo 8 2
Modelo 9 833
Modelo 11 8
Modelo 13 457
Modelo 14 4
Modelo 16 29
Modelo 17 3041
Modelo 18 40
Modelo 20 632


Modelo 9
15%
Modelo 14
0%
Modelo 13
9%
Modelo 11
0%
Modelo 16
1%
Modelo 17
56%
Modelo 3
0%
Modelo 1
1%
Modelo 2
0%
Modelo 6
0%
Modelo 5
5%
Modelo 20
12%
Modelo 8
0%
Modelo 18
1%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del cuarto
perodo.


Avera Cantidad
Pintura saltada 598
Abollado 1099

Faltante 264
Manchado 61


Abollado
28%
Faltante
7%
Rayado - Rozado
45%
Manchado
2%
Pintura saltada
15%
Arrancado - Roto -
Fisurado
2%
0%
1%

Grfico 18: Torta especificando porcentajes de ocurrencia de averas


Lugar Cantidad
Bajada de Buque 570
Subida a Buque 201



SubidaBuquePuerto
deOrigen
47%
BajadadeBuque
15%
Retiro dePuerto
4%
Ingreso aPuerto
13%
SubidaaBuque
5%
Retiro Fbricade
Origen
15%
Transferencia
ubicacin y lneade
carga
1%



Modelo Cantidad
Modelo 1 20
Modelo 2 3
Modelo 5 200
Modelo 6 72
Modelo 8 465
Modelo 9 433
Modelo 13 35
Modelo 16 18
Modelo 17 2002
Modelo 18 86
Modelo 20 574



Modelo 13
1%
Modelo 18
2%
Modelo 17
51%
Modelo 16
0%
Modelo 20
15%
Modelo 5
5%
Modelo 1
1%
Modelo 2
0%
Modelo 8
12%
Modelo 6
2%
Modelo 9
11%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del quinto
perodo.


Avera Cantidad
Pintura saltada 490
Abollado 1126
Faltante 240
Proyeccin 6
Manchado 21

Abollado
29%
Faltante
6%
Proyeccin
0%
Manchado
1%
Rayado - Rozado
48%
Pintura saltada
13%
Arrancado - Roto -
Fisurado
2%
0%
1%




Lugar Cantidad
Bajada de Buque 758
Subida a Buque 104

SubidaBuquePuerto
deOrigen
32%
BajadadeBuque
20%
Retiro dePuerto
6%
Ingreso aPuerto
14%
SubidaaBuque
3%
Retiro Fbricade
Origen
23%
Transferencia
ubicacin y lneade
carga
2%



Modelo Cantidad
Modelo 1 48
Modelo 2 8
Modelo 5 398
Modelo 6 85
Modelo 8 608
Modelo 9 469
Modelo 13 70
Modelo 16 4
Modelo 17 1795
Modelo 18 39
Modelo 19 80
Modelo 20 266



Modelo 13
Modelo 18
1%
Modelo 17
47%
Modelo 16
0%
Modelo 19
2%
Modelo 20
7%
Modelo 5
10%
Modelo 1
1%
Modelo 2
0%
Modelo 8
16%
Modelo 6
2%
Modelo 9
12%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del sexto
perodo.


Avera Cantidad
Pintura saltada 271
Abollado 1681
Faltante 247
Manchado 4


Faltante
7%
Rayado - Rozado
40%
Manchado
0%
Abollado
45%
Arrancado - Roto -
Fisurado
1%
0%
Pintura saltada
7%




Lugar Cantidad
Bajada de Buque 580
Subida a Buque 138


SubidaBuquePuerto
deOrigen
42%
BajadadeBuque
15%
Retiro dePuerto
5%
Ingreso aPuerto
13%
SubidaaBuque
4%
Retiro Fbricade
Origen
17%
Transferencia
ubicacin y lneade
carga
4%



Modelo Cantidad
Modelo 1 4
Modelo 2 4
Modelo 5 533
Modelo 6 69
Modelo 8 285
Modelo 9 789
Modelo 11 2
Modelo 13 125
Modelo 16 8
Modelo 17 1482
Modelo 18 10
Modelo 19 2
Modelo 20 441


Modelo 11
0%
Modelo 17
40%
Modelo 16
0%
Modelo 13
3%
Modelo 18
0%
Modelo 19
0%
Modelo 5
14%
Modelo 1
0%
Modelo 2
0%
Modelo 8
8%
Modelo 6
2%
Modelo 9
21%
Modelo 20
12%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del sptimo
perodo.


Avera Cantidad
Pintura saltada 140
Abollado 781
Faltante 353
Proyeccin 2
Manchado 11



Abollado
30%
Faltante
14%
Proyeccin
0%
Manchado
0%
Rayado - Rozado
47%
Pintura saltada
5%
Arrancado - Roto -
Fisurado
3%
0%
1%



Lugar Cantidad
Bajada de Buque 547
Subida a Buque 265


SubidaBuquePuerto
deOrigen
6%
BajadadeBuque
21%
Retiro dePuerto
5%
Ingreso aPuerto
40%
SubidaaBuque
10%
Retiro Fbricade
Origen
2%
Transferencia
ubicacin y lneade
carga
16%



Modelo Cantidad
Modelo 1 21
Modelo 2 12
Modelo 5 565
Modelo 6 76
Modelo 7 2
Modelo 8 28
Modelo 9 170
Modelo 10 4
Modelo 11 2
Modelo 13 106
Modelo 15 32
Modelo 16 3
Modelo 17 260
Modelo 18 29
Modelo 20 1288


Modelo 9
7%
Modelo 13
4%
Modelo 11
0%
Modelo 10
0%
Modelo 15
1%
Modelo 16
0%
Modelo 5
22%
Modelo 1
1%
Modelo 2
0%
Modelo 7
0%
Modelo 6
3%
Modelo 18
1%
Modelo 20
50%
Modelo 8
1%
Modelo 17
10%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del octavo
perodo.


Avera Cantidad

Pintura saltada 237
Abollado 761
Faltante 605
Proyeccin 40
Manchado 11


Abollado
25%
Faltante
20%
Proyeccin
1%
Manchado
0%
Rayado - Rozado
43%
Pintura saltada
8%
Arrancado - Roto -
Fisurado
2%
0%
1%



Lugar Cantidad
Bajada de Buque 219
Subida a Buque 95



SubidaBuquePuerto
deOrigen
17%
BajadadeBuque
7%
Retiro dePuerto
5%
Ingreso aPuerto
19%
SubidaaBuque
3%
Retiro Fbricade
Origen
1%
Transferencia
ubicacin y lneade
carga
48%



Modelo Cantidad
Modelo 1 5
Modelo 5 712
Modelo 6 43
Modelo 7 94
Modelo 8 88
Modelo 9 209
Modelo 13 270
Modelo 15 11
Modelo 16 22
Modelo 17 125
Modelo 18 37
Modelo 20 1403



Modelo 13
9%
Modelo 17
4%
Modelo 16
1%
Modelo 15
0%
Modelo 18
1%
Modelo 20
47%
Modelo 6
1%
Modelo 1
0%
Modelo 5
24%
Modelo 8
3%
Modelo 7
3%
Modelo 9
7%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del noveno
perodo.


Avera Cantidad
Quemado 2
Pintura saltada 609
Abollado 1016
Faltante 641
Proyeccin 2
Manchado 14



Pinturasaltada
8%
Abollado
14%
Faltante
9%
Manchado
0%
Rayado - Rozado
66%
Proyeccin
0%
1%
Quemado
0%
Arrancado - Roto -
Fisurado
2%
0%



Lugar Cantidad
Bajada de Buque 282
Retiro de Puerto 60
Subida a Buque 523

SubidaBuquePuerto
deOrigen
9%
BajadadeBuque
4%
Retiro dePuerto
1%
Ingreso aPuerto
16%
SubidaaBuque
7%
Retiro Fbricade
Origen
0%
Transferencia
ubicacin y lneade
carga
63%



Modelo Cantidad
Modelo 2 1
Modelo 5 839
Modelo 6 18
Modelo 7 1747
Modelo 8 75
Modelo 9 156
Modelo 13 358
Modelo 15 100
Modelo 16 9
Modelo 17 30
Modelo 18 36
Modelo 20 3819


Modelo 13
5%
Modelo 17
0%
Modelo 16
0%
Modelo 15
1%
Modelo 18
1%
Modelo 20
54%
Modelo 6
0%
Modelo 2
0%
Modelo 5
12%
Modelo 8
1%
Modelo 7
24%
Modelo 9
2%


A continuacin se muestra resumen de los resultados obtenidos a partir la ejecucin del dcimo
perodo.


Avera Cantidad
Pintura saltada 334
Abollado 751
Faltante 1771
Proyeccin 16

Manchado 187


Abollado
14%
Faltante
32%
Proyeccin
0%
Manchado
3%
Rayado - Rozado
41%
Pintura saltada
6%
Arrancado - Roto -
Fisurado
3%
0%
1%



Lugar Cantidad
Bajada de Buque 318
Subida a Buque 633



SubidaBuquePuerto
deOrigen
8%
BajadadeBuque
6%
Retiro dePuerto
2%
Ingreso aPuerto
17%
SubidaaBuque
11%
Retiro Fbricade
Origen
0%
Transferencia
ubicacin y lneade
carga
56%



Modelo Cantidad
Modelo 2 46
Modelo 5 433
Modelo 6 57
Modelo 7 1883
Modelo 8 26
Modelo 9 142
Modelo 13 190
Modelo 15 74
Modelo 16 26
Modelo 17 38
Modelo 18 21
Modelo 20 2571



Modelo 13
3%
Modelo 17
1%
Modelo 16
0%
Modelo 15
1%
Modelo 18
0%
Modelo 20
48%
Modelo 6
1%
Modelo 2
1%
Modelo 5
8%
Modelo 8
0%
Modelo 7
34%
Modelo 9
3%


8.4.4.2. Modelo de Clustering

El anlisis es realizado agrupando: Parte Avera Gravedad, Lugar Parte Avera, Lugar
Parte Avera Gravedad, Modelo Parte Avera, Modelo Parte Avera Gravedad.

El agrupamiento de partes, averas y gravedades permite visualizar el comportamiento de los
siniestros ocurridos separando los daos en funcin del formato establecido por el estndar
utilizado. El anlisis es realizado por cada perodo en el presente proyecto.

Para el segundo caso se toman el agrupamiento considerando el lugar donde se produce una avera,
el tipo de avera y la parte del automvil que es afectado. Al igual que para el anterior agrupamiento
este anlisis se realiza para cada uno de los periodos. En el siguiente proceso al agrupamiento se
suma la gravedad del siniestro.

Luego, el anlisis posterior de los datos tiene en cuenta el agrupamiento de la informacin
considerando el modelo averiado y la parte del auto y tipo de avera producido. Finalmente al
agrupamiento anterior y al igual que en el caso de los lugares el agrupamiento de los modelos
incluye la gravedad de cada siniestro.

Cada uno de los procesos realizados muestra al final el resultado estadstico logrado. All se
especifican cantidades por grupos, cantidad de grupos formados, porcentajes, etc. El proceso de
agrupamiento es realizado con matrices cuadradas de 10 x 10 en todos los casos.

perodo.

Parte Avera Gravedad (Perodo 1 Ao 2003)

Parte Avera Gravedad Cantidad Fila Columna
Overall Tapa acceso gancho
remolque
Faltante Mediano

Cluster 1 Puerta delantera
derecha
Arrancado - Roto -
Fisurado
Intolerable 99 1 1
Cluster 2 Escape Abollado Grave 779 1 2
Cluster 3 Alfombra
suplementarias
Rayado - Rozado Grave 455 1 3
Cluster 4 Parabrisa Proyeccin Mediano 362 1 4
Cluster 5 Luz trasera izquierda Faltante Mediano 626 1 5
Cluster 6 Puerta delantera
derecha
Faltante Leve 1130 1 6
Cluster 7 Cubierta delantera
izquierda
Rayado - Rozado Mediano 138 1 7
Cluster 8 Panel lateral
izquierdo
Abollado Leve 1057 1 9
Cluster 9 Panel lateral derecho Abollado Mediano 354 1 10

Tabla 7: Agrupamiento con especificacin de cantidades por cluster: Parte - Avera - Gravedad

Lugar Parte Avera (Perodo 1 Ao 2003)

Lugar Parte Avera Cantidad Fila Columna
Overall Retiro de Puerto Tapa acceso gancho
remolque
Faltante
Cluster 1 Transferencia
ubicacin y lnea de
carga
Manijas externas de
puertas delanteras
Rayado
Rozado
1 1 1
ubicacin y lnea de
carga
Panel trasero bajo
bal
Rayado
Rozado
12 1 2
ubicacin y lnea de
carga
Capot Rayado
Rozado
11 1 3
Cluster 4 Ingreso a Puerto Paragolpe delantero
/ Superior
Rayado
Rozado
38 1 4
Cluster 5 Ingreso a Puerto Techo corredizo Faltante 55 1 5
Cluster 6 Ingreso a Puerto Cubierta delantera
derecha
Abollado 111 1 6
ubicacin y lnea de
carga
Luz de neblina
trasera
Exceso
kilometraje
299 1 7
Cluster 8 Ingreso a Puerto Luz trasera
izquierda
Abollado 63 1 8
ubicacin y lnea de
carga
Luz de neblina
trasera
Abollado 76 1 9
Cluster 10 Subida Buque Puerto
de Origen
Bolsa de
herramientas
Faltante 4334 1 10

Tabla 8: Agrupamiento con especificacin de cantidades por cluster: Lugar - Parte - Avera

Lugar Parte Avera Gravedad (Perodo 1 Ao 2003)

Lugar Parte Avera Gravedad Cantidad Fila Columna

Overall Retiro de
Puerto
Tapa acceso gancho
remolque
Faltante Mediano
Cluster 1 Bajada de
Buque
Tapizado interno
puerta delantera
izquierda
Rayado -
Rozado
Mediano 596 1 1
Cluster 2 Retiro de
Puerto
Cristales de parante
delantero
Abollado Grave 1007 1 2
Cluster 3 Subida
Buque Puerto
de Origen
Sistema de
navegacin
Proyeccin Grave 15 1 3
Cluster 4 Ingreso a
Puerto
Moldura protectora
lateral derecha
Rayado -
Rozado
Leve 488 1 4
Cluster 5 Subida
Buque Puerto
de Origen
Cable de carga Faltante Mediano 582 1 5
ubicacin y
lnea de carga
Insignia Faltante Leve 99 1 6
Cluster 7 Subida
Buque Puerto
de Origen
Llave Abollado Leve 2120 1 7
Cluster 8 Subida
Buque Puerto
de Origen
Guardabarro
delantero izquierdo
Rayado -
Rozado
Leve 14 1 8
Cluster 9 Subida
Buque Puerto
de Origen
Guardabarro
delantero izquierdo
Rayado -
Rozado
Mediano 79 1 9

Tabla 9: Agrupamiento con especificacin de cantidades por cluster: Lugar - Parte - Avera - Gravedad

Modelo Parte Avera (Perodo 1 Ao 2003)

Modelo Parte Avera Cantidad Fila Columna
Overall Modelo 12 Tapa acceso gancho remolque Faltante
Cluster 1 Modelo 4 Moldura protectora lateral
derecha
Faltante 636 1 1
Cluster 2 Modelo 10 Manual Abollado 1267 1 2
Cluster 3 Modelo 18 Cubierta delantera derecha Rayado
Rozado
879 1 3
Cluster 4 Modelo 10 Giro Delantero (derecho /
izquierdo)
Rayado
Rozado
121 1 4
Cluster 5 Modelo 10 Panel lateral izquierdo Abollado 1113 1 5
Cluster 6 Modelo 9 Cerraduras de puertas Rayado
Rozado
295 1 6
Cluster 7 Modelo 17 Cubierta delantera izquierda Abollado 689 1 8

Tabla 10: Agrupamiento con especificacin de cantidades por cluster: Modelo - Parte - Avera

Modelo Parte Avera Gravedad (Perodo 1 Ao 2003)

Modelo Parte Avera Gravedad Cantidad Fila Columna
Overall Modelo 12 Tapa acceso gancho
remolque
Faltante Mediano

Cluster 1 Modelo 5 Giro Delantero
(derecho / izquierdo)
Faltante Intolerable 389 1 1
Cluster 2 Modelo 15 Puerta trasera derecha Faltante Grave 792 1 2
Cluster 3 Modelo 18 Paragolpe trasero /
Spoiler trasero
Faltante Mediano 110 1 3
Cluster 4 Modelo 16 Bolsa de herramientas Abollado Mediano 231 1 4
Cluster 5 Modelo 17 Panel lateral derecho Rayado -
Rozado
Mediano 290 1 5
Cluster 6 Modelo 9 Manijas externas de
puertas traseras
Rayado -
Rozado
Mediano 168 1 6
Cluster 7 Modelo 15 Apoya cabezas
delantero / izquierdo /
derecho
Cluster 8 Modelo 11 Luz de neblina trasera Faltante Leve 2945 1 8
Cluster 9 Modelo 13 Faro delantero
izquierdo / derecho
Abollado Mediano 2 1 9
Cluster 10 Modelo 14 Retrovisor externo
derecho
Pintura
saltada
Mediano 65 1 10

Tabla 11: Agrupamiento con especificacin de cantidades por cluster: Modelo - Parte - Avera - Gravedad

perodo.

Parte Avera Gravedad (Perodo 2 Semestre 1 Ao 2004)

Overall Tapa acceso
gancho remolque
Faltante Mediano
Cluster 1 Cristales de
parante delantero
Cluster 2 Guardabarro
trasero derecho
Faltante Grave 756 1 2
Cluster 3 Cerraduras de
puertas
Cluster 4 Otros Abollado Leve 1864 1 4
Cluster 5 Cable de carga Rayado - Rozado Leve 223 1 5
Cluster 6 Antena Rayado - Rozado Mediano 520 1 7
Cluster 7 Bolsa de
herramientas
Cluster 8 Tapa de Bal o
Puerta Trasera


Lugar Parte Avera (Perodo 2 Semestre 1 Ao 2004)

Overall Retiro de Puerto Tapa acceso
gancho remolque
Faltante


ubicacin y lnea de
carga
Llanta trasera
izquierda
Faltante 9 1 1
ubicacin y lnea de
carga
Puerta delantera
izquierda
Rayado -
Rozado
31 1 2
ubicacin y lnea de
carga
Techo corredizo Rayado -
Rozado
17 1 3
Cluster 4 Ingreso a Puerto Techo corredizo Rayado -
Rozado
97 1 4
Cluster 5 Ingreso a Puerto Puerta trasera
derecha
Rayado -
Rozado
62 1 5
Cluster 6 Ingreso a Puerto Tapa posterior de
techo
Pintura
saltada
23 1 6
ubicacin y lnea de
carga
Otros Abollado 167 1 7
Cluster 8 Ingreso a Puerto Llanta delantera
derecha
Abollado 14 1 8
Cluster 9 Subida Buque
Puerto de Origen
Bolsa de
herramientas
Faltante 4580 1 10


Lugar Parte Avera Gravedad (Perodo 2 Semestre 1 Ao 2004)

gancho
remolque
Faltante Mediano
Cluster 1 Bajada de Buque Cristales de
parante
delantero
Cluster 2 Retiro de Puerto Guardabarro
trasero
derecho
Cluster 3 Bajada de Buque Panel lateral
izquierdo
Cluster 4 Ingreso a Puerto Tapa
posterior de
techo
Pintura
saltada
Mediano 82 1 4
Cluster 5 Bajada de Buque Llanta
delantera
derecha
ubicacin y lnea
de carga
Parrilla
delantera
Cluster 7 Bajada de Buque Llanta
delantera
derecha
Cluster 8 Retiro de Puerto Techo
(inclusive
convertible)
Proyeccin Mediano 9 1 10



Modelo Parte Avera (Perodo 2 Semestre 1 Ao 2004)

remolque
Faltante
Cluster 1 Modelo 17 Aerosol antipinchazos Proyeccin 1010 1 1
Cluster 2 Modelo 10 Guardabarro delantero
izquierdo
Abollado 1695 1 2
Cluster 3 Modelo 17 Puerta delantera derecha Abollado 614 1 3
Cluster 4 Modelo 8 Panel lateral izquierdo Rayado -
Rozado
243 1 4
Cluster 5 Modelo 13 Manual Rayado -
Rozado
12 1 5
Cluster 6 Modelo 6 Limpiador y lavador de
parabrisas
Abollado 192 1 6
Cluster 7 Modelo 7 Zcalo interno puerta
delantera izquierda
Rayado -
Rozado
131 1 7
Cluster 8 Modelo 17 Cubierta delantera
izquierda
Rayado -
Rozado
382 1 8
Cluster 9 Modelo 12 Paragolpe trasero / Spoiler
trasero
Pintura
saltada
8 1 9
Cluster 10 Modelo 17 Alfombra bal / caja de
carga
Faltante 713 1 10


Modelo Parte Avera Gravedad (Perodo 2 - Semestre 1 Ao 2004)

Overall Modelo 14 Tapa acceso
gancho remolque
Faltante Mediano
Cluster 1 Modelo 16 Guardabarro
trasero derecho
Cluster 2 Modelo 8 Cristales de
parante delantero
Cluster 3 Modelo 10 Barras de techo Proyeccin Mediano 111 1 3
Cluster 4 Modelo 12 Alfombra
suplementarias
Rayado -
Rozado
Mediano 7 1 4
Cluster 5 Modelo 13 Puerta delantera
izquierda
(derecho /
izquierdo)
derecha
Pintura
saltada
Mediano 11 1 7
Cluster 8 Modelo 17 Aleron Faltante Mediano 1085 1 8
Cluster 9 Modelo 17 Otros Rayado -
Rozado
Mediano 22 1 10


perodo.



Overall Tapa acceso gancho
remolque
Faltante Leve

Cluster 1 Paragolpe delantero /
Superior
Protector delantero
Cluster 3 Capot Rayado - Rozado Grave 23 1 4
Cluster 4 Paragolpe trasero / Zona
contacto
Rayado - Rozado Grave 58 1 5
Cluster 5 Aleron Proyeccin Grave 78 1 6
Cluster 6 Luz de neblina trasera Abollado Grave 401 1 7
Cluster 7 Tapa acceso gancho
remolque
Faltante - 4432 1 10



Overall Retiro de Puerto Tapa acceso gancho
remolque
Faltante

Cluster 1 Ingreso a Puerto Barras de techo Pintura
saltada
46 1 1
Cluster 2 Ingreso a Puerto Guardabarro trasero
derecho
Pintura
saltada
40 1 2
Cluster 3 Ingreso a Puerto Luz de neblina
trasera
Abollado 147 1 3
Cluster 4 Ingreso a Puerto Bolsa de
herramientas
Faltante 6 1 4
Cluster 5 Ingreso a Puerto Luz de patente
trasera
Rayado -
Rozado
72 1 5
Cluster 6 Ingreso a Puerto Tapa acceso gancho
remolque
Faltante 10 1 6
Cluster 7 Subida a Buque Retrovisor externo
izquierdo
Rayado -
Rozado
36 1 7
Cluster 8 Ingreso a Puerto Paragolpe trasero /
Zona contacto
Rayado -
Rozado
299 1 8
Cluster 9 Transferencia ubicacin
y lnea de carga
Taza Proyeccin 13 1 9
Cluster 10 Transferencia ubicacin
y lnea de carga
Bolsa de
herramientas
Faltante 4331 1 10




gancho
remolque
Faltante Leve

Cluster 1 Subida a Buque Spoiler
delantero
Rayado -
Rozado
Mediano 3 1 1
Cluster 2 Ingreso a Puerto Parante
delantero
Rayado -
Rozado
Grave 15 1 3
Cluster 3 Ingreso a Puerto Alfombra
suplementarias
Proyeccin Grave 48 1 4
Cluster 4 Ingreso a Puerto Luz de neblina
trasera
Puerto de Origen
Giro Delantero
(derecho /
izquierdo)
Cluster 6 Ingreso a Puerto Retrovisor
externo
derecho
Proyeccin - 548 1 8
ubicacin y lnea
de carga
Moldura
protctora
lateral
izquierda
Pintura
saltada
- 1 1 9
Puerto de Origen
Otros Faltante - 3883 1 10



remolque
Faltante

Cluster 1 Modelo 17 Llave de rueda Faltante 556 1 1
izquierda
Faltante 1084 1 2
Abollado 1409 1 3
Cluster 4 Modelo 13 Puerta trasera izquierda Abollado 89 1 4
Cluster 5 Modelo 17 Guardabarro trasero
derecho
Abollado 849 1 6
Cluster 6 Modelo 17 Luz de neblina trasera Desgarrado -
Cortado
15 1 7
parabrisas
Proyeccin 712 1 8
Cluster 8 Modelo 17 Tapa posterior de techo Faltante 286 1 9


Modelo Parte Avera Gravedad (Perodo 3 Semestre 2 Ao 2004)

Overall Modelo 15 Tapa acceso
gancho remolque
Faltante Leve


Cluster 1 Modelo 5 Capot Rayado -
Rozado
Grave 11 1 1
Cluster 2 Modelo 4 Retrovisor
externo derecho
Cluster 3 Modelo 7 Insignia Rayado -
Rozado
Grave 23 1 3
Cluster 4 Modelo 15 Plip Rayado -
Rozado
Grave 12 1 4
Cluster 5 Modelo 10 Faro de stop
luneta
Abollado Grave 128 1 5
Cluster 6 Modelo 17 Puerta trasera
izquierda
Cluster 7 Modelo 17 Manual Faltante Grave 259 1 7
Cluster 8 Modelo 15 Tapa acceso
gancho remolque


perodo.


Overall Guardabarro trasero
derecho
Faltante -
Cluster 1 Spoiler delantero Manchado Observada 1 1 1
Protector delantero
Manchado Observada 4 1 2
Superior
Manchado Observada 2 1 3
Cluster 4 Capot Rayado - Rozado Observada 77 1 4
Cluster 5 Panel trasero bajo bal Rayado - Rozado Observada 134 1 5
Cluster 6 Aleron Proyeccin Observada 172 1 6
Cluster 7 Panel trasero bajo bal Pintura saltada Observada 16 1 7
Cluster 8 Llanta delantera izquierda Abollado Observada 703 1 8
Cluster 9 Zcalo izquierdo Manchado Observada 31 1 9
Cluster 10 Zcalo derecho Faltante - 2779 1 10



Overall Retiro de
Puerto
Guardabarro trasero derecho Faltante

Cluster 1 Ingreso a
Puerto
Paragolpe trasesro / Zona
contacto
Rayado -
Rozado
3 1 1
Cluster 2 Ingreso a
Puerto
Paragolpe trasero / Spoiler
trasero
Rayado -
Rozado
6 1 4
Cluster 3 Subida a Buque Paragolpe delantero /
Protector delantero
Rayado -
Rozado
9 1 5
Cluster 4 Ingreso a Capot Rayado - 72 1 6

Puerto Rozado
Puerto de
Origen
Tapa posterior de techo Rayado -
Rozado
131 1 7
Cluster 6 Retiro de
Puerto
Taza Faltante 226 1 8
Cluster 7 Retiro de
Puerto
Llanta delantera izquierda Faltante 311 1 9
Cluster 8 Retiro de
Puerto
Puerta trasera derecha Faltante 3161 1 10



Overall Retiro de
Puerto
Guardabarro
trasero derecho
Faltante -
Cluster 1 Subida a
Buque
Zcalo interno
puerta delantera
izquierda
Rayado -
Rozado
Observada 3 1 1
Cluster 2 Subida a
Buque
Paragolpe trasero
/ Spoiler trasero
Rayado -
Rozado
Observada 10 1 3
Cluster 3 Ingreso a
Puerto
Capot Rayado -
Rozado
Observada 64 1 4
Cluster 4 Ingreso a
Puerto
Parabrisa Faltante Observada 43 1 5
Cluster 5 Ingreso a
Puerto
Luz de neblina
trasera
Proyeccin Observada 165 1 6
Cluster 6 Ingreso a
Puerto
Cubierta delantera
derecha
Faltante - 436 1 7
Cluster 7 Bajada de
Buque
Zcalo derecho Faltante - 2342 1 8
Cluster 8 Subida
Buque Puerto
de Origen
Escape Faltante Observada 855 1 9
Cluster 9 Subida
Buque Puerto
de Origen
Luneta trasera /
Cristal puerta
trasera
Arrancado -
Roto -
Fisurado
- 1 1 10



Overall Modelo 15 Guardabarro trasero
derecho
Faltante

Cluster 1 Modelo 9 Parante delantero Rayado - Rozado 42 1 1
Cluster 2 Modelo 6 Limpiador de Faros
Proyeccin 380 1 2
Cluster 3 Modelo 8 Llanta delantera
izquierda
Abollado 812 1 3
Cluster 4 Modelo 18 Panel trasero bajo bal Rayado - Rozado 1250 1 4
Cluster 5 Modelo 15 Capot Reventado -
Estallado
13 1 5

Spoiler trasero
Arrancado - Roto -
Fisurado
4 1 6
Cluster 7 Modelo 18 Escape Proyeccin 583 1 7
izquierdo
Pintura saltada 533 1 8
Cluster 9 Modelo 17 Separador interno de
carga
Proyeccin 237 1 9
derecha
Pintura saltada 65 1 10



Overall Modelo 15 Guardabarro trasero
derecho
Faltante -
Cluster 1 Modelo 16 Batera Rayado -
Rozado
Observada 22 1 1
Cluster 2 Modelo 18 Luz de patente
trasera
Cluster 3 Modelo 8 Tapa acceso gancho
remolque
Abollado Observada 382 1 3
suplementarias
Faltante Observada 518 1 4
Cluster 5 Modelo 9 Zcalo derecho Manchado Observada 67 1 6
Cluster 6 Modelo 12 Parante delantero Faltante Observada 5 1 8
Cluster 7 Modelo 15 Zcalo derecho Faltante - 2779 1 10


perodo.


Overall Guardabarro delantero
derecho
Faltante -

Cluster 1 Capot Abollado Observada 14 1 1
Cluster 2 Barras de techo Pintura saltada Observada 38 1 3
Cluster 3 Barras de techo Rayado - Rozado Observada 108 1 4
Cluster 4 Retrovisor externo
izquierdo
Pintura saltada Observada 146 1 6
Cluster 5 Tapa tanque
combustible
Rayado - Rozado Observada 30 1 7
Cluster 6 Bolsa de herramientas Rayado - Rozado Observada 81 1 8
Cluster 7 Guardabarro delantero
derecho




Overall Retiro de Puerto Guardabarro delantero
derecho
Faltante
Cluster
1
Subida Buque Puerto
de Origen
Paragolpe delantero /
Superior
Rayado -
Rozado
13 1 1
Cluster
2
Subida Buque Puerto
de Origen
Protector delantero
Rayado -
Rozado
29 1 5
Cluster
3
Bajada de Buque Paragolpe delantero /
Protector delantero
Rayado -
Rozado
63 1 6
Cluster
4
Bajada de Buque Paragolpe delantero /
Superior
Rayado -
Rozado
44 1 7
Cluster
5
Retiro Fbrica de
Origen
trasero
Rayado -
Rozado
993 1 8
Cluster
6
Bajada de Buque Antena Proyeccin 177 1 9
Cluster
7
Retiro de Puerto Cristales de parante
delantero
Faltante 2562 1 10



Overall Retiro de
Puerto
Guardabarro
delantero derecho
Faltante -
Cluster 1 Ingreso a
Puerto
Techo (inclusive
convertible)
Pintura
saltada
- 67 1 1
Cluster 2 Ingreso a
Puerto
Otros Abollado - 177 1 2
Cluster 3 Ingreso a
Puerto
Techo (inclusive
convertible)
Rayado -
Rozado
- 142 1 3
Cluster 4 Subida a
Buque
Bolsa de
herramientas
Proyeccin - 12 1 4
Cluster 5 Ingreso a
Puerto
Llanta delantera
izquierda
Proyeccin - 111 1 5
Puerto de
Origen
Guardabarro
delantero derecho
Faltante - 2955 1 6
Cluster 7 Bajada de
Buque
Zcalo derecho Faltante Observada 168 1 7
Cluster 8 Ingreso a
Puerto
Llanta delantera
derecha



Overall Modelo 13 Guardabarro delantero
derecho
Faltante
Cluster 1 Modelo 18 Guardabarros y parante Rayado 269 1 1

trasero izquierdo Rozado
Cluster 2 Modelo 17 Faro de stop luneta Abollado 669 1 2
remolque
Abollado 1290 1 3
Cluster 4 Modelo 17 Tapa de Bal o Puerta
Trasera
Rayado -
Rozado
1307 1 5
Cluster 5 Modelo 13 Techo (inclusive
convertible)
Abollado 24 1 6
Cluster 6 Modelo 6 Paragolpe trasero / Zona
contacto
Rayado -
Rozado
263 1 8
Cluster 7 Modelo 9 Paragolpe delantero /
Superior
Rayado -
Rozado
59 1 10



Overall Modelo 13 Guardabarro delantero
derecho
Faltante -

Protector delantero
Rayado -
Rozado
Observada 7 1 1
Cluster 2 Modelo 19 Tapizado interno puerta
delantera izquierda
Rayado -
Rozado
Observada 53 1 2
Cluster 3 Modelo 18 Llave Abollado Observada 123 1 3
Cluster 4 Modelo 9 Parrilla delantera Proyeccin Observada 6 1 4
Cluster 5 Modelo 6 Taza Proyeccin Observada 167 1 5
convertible)
izquierdo
derecho


perodo.


Overall Retiro de Puerto Zcalo derecho Faltante

Cluster 1 Transferencia ubicacin y
lnea de carga
Spoiler delantero Rayado -
Rozado
42 1 2
lnea de carga
Protector delantero
Rayado -
Rozado
27 1 5
Cluster 3 Ingreso a Puerto Paragolpe delantero /
Protector delantero
Rayado -
Rozado
74 1 6
Cluster 4 Ingreso a Puerto Zcalo interno puerta
delantera izquierda
Rayado -
Rozado
114 1 7
Cluster 5 Ingreso a Puerto Tapa acceso gancho remolque Faltante 470 1 8
lnea de carga
Llave Abollado 53 1 9
Cluster 7 Subida Buque Puerto de
Origen
Guardabarro trasero derecho Faltante 2983 1 10




Overall Retiro de Puerto Zcalo derecho Faltante
ubicacin y lnea de
carga
Rozado
42 1 2
ubicacin y lnea de
carga
Protector delantero
Rayado -
Rozado
27 1 5
Cluster 3 Ingreso a Puerto Paragolpe delantero /
Protector delantero
Rayado -
Rozado
74 1 6
Cluster 4 Ingreso a Puerto Zcalo interno puerta
delantera izquierda
Rayado -
Rozado
114 1 7
Cluster 5 Ingreso a Puerto Tapa acceso gancho
remolque
Faltante 470 1 8
ubicacin y lnea de
carga
Llave Abollado 53 1 9
Cluster 7 Subida Buque Puerto
de Origen
Guardabarro trasero
derecho
Faltante 2983 1 10



Overall Retiro de Puerto Zcalo derecho Faltante -
Cluster 1 Bajada de
Buque
Rozado
Observada 7 1 1
Cluster 2 Retiro de Puerto Paragolpe delantero
/ Protector delantero
Rayado -
Rozado
Observada 1 1 4
Cluster 3 Bajada de
Buque
Rozado
Observada 9 1 5
Cluster 4 Ingreso a Puerto Tapa posterior de
techo
Rayado -
Rozado
Observada 35 1 6
Cluster 5 Bajada de
Buque
Moldura protectora
lateral derecha
ubicacin y
lnea de carga
Puerta trasera
izquierda
Cluster 7 Bajada de
Buque
Tapa acceso gancho
remolque
Cluster 8 Bajada de
Buque




Overall Modelo 13 Zcalo derecho Faltante
Protector delantero
Rayado -
Rozado
124 1 1
Cluster 2 Modelo 17 Panel trasero bajo bal Rayado -
Rozado
901 1 2
Cluster 3 Modelo 7 Escape Faltante 1695 1 3
Cluster 4 Modelo 17 Otros Rayado -
Rozado
110 1 6
Cluster 5 Modelo 18 Giro Delantero (derecho /
izquierdo)
Abollado 577 1 7
Cluster 6 Modelo 16 Guardabarros y parante
trasero izquierdo
Abollado 318 1 8
Cluster 7 Modelo 13 Barras de techo Abollado 38 1 9



Overall Modelo 13 Zcalo derecho Faltante -
Superior
Rayado -
Rozado
Observada 1 1 1
Cluster 2 Modelo 20 Spoiler delantero Rayado -
Rozado
Observada 20 1 2
Spoiler trasero
Cluster 4 Modelo 19 Bolsa de herramientas Proyeccin Observada 57 1 4
Cluster 5 Modelo 7 Bolsa de herramientas Faltante Observada 260 1 5
puertas delanteras
Pintura
saltada
Observada 5 1 6
Cluster 7 Modelo 16 Parrilla delantera Pintura
saltada
Observada 74 1 8


perodo.


Overall Guardabarro delantero
derecho
Faltante -

Cluster 1 Llanta trasera derecha Pintura saltada Observada 1 1 1
Cluster 2 Cubierta trasera
derecha
Reventado - Estallado Observada 1 1 2
Cluster 3 Bajo chasis delantero Arrancado - Roto -
Fisurado
Observada 2 1 3
Cluster 4 Bolsa de herramientas Arrancado - Roto -
Fisurado
Observada 15 1 4
Cluster 5 Luz de neblina trasera Abollado Observada 94 1 5
Cluster 6 Faro de stop luneta Rayado - Rozado Observada 94 1 6

Cluster 7 Tapa posterior de
techo
Cluster 8 Alfombra
suplementarias
Cluster 9 Guardabarro delantero
derecho



Overall Transferencia
ubicacin y lnea de
carga
Guardabarro delantero
derecho
Faltante
Cluster 1 Retiro de Puerto Paragolpe delantero /
Protector delantero
Rayado -
Rozado
11 1 1
Cluster 2 Bajada de Buque Paragolpe delantero /
Protector delantero
Rayado -
Rozado
41 1 2
Cluster 3 Bajada de Buque Manijas externas de
puertas traseras
Proyeccin 326 1 3
Cluster 4 Ingreso a Puerto Parabrisa Proyeccin 865 1 4
Cluster 5 Bajada de Buque Guardabarro delantero
izquierdo
Abollado 473 1 5
Cluster 6 Ingreso a Puerto Faro de stop luneta Abollado 483 1 7
Cluster 7 Ingreso a Puerto Llave Rayado -
Rozado
429 1 8



ubicacin y
lnea de carga
Guardabarro
delantero derecho
Faltante -
Cluster 1 Bajada de
Buque
Rozado
Observada 1 1 1
Cluster 2 Bajada de
Buque
Paragolpe
delantero /
Protector
delantero
Rayado -
Rozado
Observada 3 1 3
Cluster 3 Retiro de
Puerto
Paragolpe
delantero /
Protector
delantero
Rayado -
Rozado
Observada 1 1 4
Cluster 4 Bajada de
Buque
Panel trasero bajo
bal
Rayado -
Rozado
Observada 14 1 5
Cluster 5 Bajada de
Buque
Alfombra
suplementarias
Cluster 6 Bajada de
Buque
Parrilla delantera Abollado Observada 67 1 7
Cluster 7 Ingreso a
Puerto
Guardabarro
delantero derecho

ubicacin y
lnea de carga
Guardabarro
delantero derecho



Overall Modelo 15 Guardabarro
delantero derecho
Faltante

Cluster 1 Modelo 20 Parrilla delantera Rayado -
Rozado
252 1 1
izquierdo
Abollado 553 1 2
Cluster 3 Modelo 6 Puerta delantera
derecha
Faltante 868 1 3
Cluster 4 Modelo 11 Barras de techo Proyeccin 91 1 4
Cluster 5 Modelo 20 Barras de techo Proyeccin 714 1 5
remolque
Rayado -
Rozado
4 1 6
derecho
Reventado -
Estallado
114 1 7
derecha
Abollado 32 1 10



Overall Modelo 15 Guardabarro
delantero derecho
Faltante -

Cluster 1 Modelo 5 Otros Manchado Observada 2 1 1
Cluster 2 Modelo 5 Zcalo izquierdo Rayado -
Rozado
Observada 22 1 3
Cluster 3 Modelo 7 Zcalo izquierdo Abollado Observada 42 1 4
puertas traseras
derecho
Pintura
saltada
Observada 20 1 6
derecho
delantero derecho


perodo.



Overall Zcalo derecho Faltante -

Cluster
1
Rozado
Observada
2 1 1
Cluster
2
Paragolpe delantero / Protector
delantero
Rayado -
Rozado
Observada
64 1 4
Cluster
3
trasero
Rayado -
Rozado
Observada
68 1 5
Cluster
4
Tapa posterior de techo Abollado Observada
76 1 6
Cluster
5
Manual Pintura
saltada
Observada
5 1 7
Cluster
6
Luz de neblina trasera Faltante Observada
437 1 8
Cluster
7
Zcalo derecho Faltante -
2377 1 10



ubicacin y lnea de
carga
Zcalo derecho Faltante
Cluster 1 Ingreso a Puerto Puerta trasera
izquierda
Proyeccin 599 1 1
ubicacin y lnea de
carga
Guardabarro trasero
derecho
Pintura
saltada
288 1 2
Cluster 3 Bajada de Buque Moldura protectora
lateral derecha
Faltante 910 1 3
ubicacin y lnea de
carga
Techo (inclusive
convertible)
Rayado -
Rozado
510 1 4
ubicacin y lnea de
carga
Manual Faltante 722 1 5



ubicacin y
lnea de carga
Cluster 1 Ingreso a
Puerto
Protector delantero
Pintura
saltada
Observada 2 1 1
ubicacin y
lnea de carga
Faldillas para barro Pintura
saltada
Observada 6 1 3
Cluster 3 Ingreso a
Puerto
Zcalo izquierdo Abollado Observada 57 1 4
Cluster 4 Transferencia Puerta trasera Rayado - Observada 68 1 5

ubicacin y
lnea de carga
izquierda Rozado
ubicacin y
lnea de carga
Tapizado interno
puerta delantera
izquierda
Rayado -
Rozado
Observada 160 1 6
Cluster 6 Bajada de
Buque
Capot Rayado -
Rozado
Observada 10 1 7
Puerto de
Origen
Panel lateral derecho Abollado Observada 349 1 8
ubicacin y
lnea de carga




Cluster 1 Modelo 5 Capot Rayado -
Rozado
105 1 1
puertas traseras
Proyeccin 316 1 2
Cluster 3 Modelo 7 Parrilla delantera Faltante 730 1 3
izquierdo
Rayado -
Rozado
1 1 4
Cluster 5 Modelo 19 Zcalo izquierdo Abollado 455 1 5
izquierdo
Abollado 206 1 6
Trasera
Abollado 15 1 7
parabrisas
Proyeccin 1110 1 8
Cluster 9 Modelo 14 Techo corredizo Faltante 90 1 9
Cluster 10 Modelo 13 Puerta delantera derecha Rayado -
Rozado
1 1 10




Superior
Rayado -
Rozado
Observada 1 1 1
Protector delantero
Rayado -
Rozado
Observada 20 1 2
Trasera
Rayado -
Rozado
Observada 45 1 3
puertas traseras
izquierda
Rayado -
Rozado
Observada 260 1 5
Cluster 6 Modelo 11 Panel lateral derecho Faltante Observada 5 1 6



perodo.


Overall Taza Proyeccin -

Cluster 1 Conjunto carrocera Manchado Observada
2 1 1
Cluster 2 Llanta trasera izquierda Rayado -
Rozado
Observada
67 1 5
Cluster 3 Cubierta trasera derecha Rayado -
Rozado
Observada
76 1 6
Cluster 4 Guardabarros y parante trasero
izquierdo
Rayado -
Rozado
Observada
176 1 7
Cluster 5 Panel lateral derecho Faltante Observada
438 1 8
Cluster 6 Techo corredizo Proyeccin Observada
275 1 9
Cluster 7 Limpiador y lavador de
parabrisas
Proyeccin -
3966 1 10



ubicacin y lnea de
carga
Taza Proyeccin
Cluster 1 Retiro de Puerto Capot Rayado -
Rozado
1 1 1
Cluster 2 Bajada de Buque Spoiler delantero Rayado -
Rozado
3 1 3
Cluster 3 Bajada de Buque Capot Rayado -
Rozado
27 1 4
Cluster 4 Bajada de Buque Zcalo interno puerta
delantera izquierda
Rayado -
Rozado
30 1 5
Cluster 5 Bajada de Buque Barras de techo Abollado 147 1 6
Cluster 6 Bajada de Buque Tapa acceso gancho
remolque
Abollado 520 1 7
ubicacin y lnea de
carga
Llanta trasera izquierda Abollado 21 1 8
Cluster 8 Ingreso a Puerto Manijas externas de
puertas delanteras
Proyeccin 3082 1 9
ubicacin y lnea de
carga
Faro de stop luneta Rayado -
Rozado
1169 1 10




ubicacin y
lnea de carga
Taza Proyeccin -
Cluster 1 Bajada de
Buque
Zcalo izquierdo Rayado -
Rozado
Observada 11 1 1
ubicacin y
lnea de carga
Llanta trasera
izquierda
Rayado -
Rozado
Observada 72 1 2
Cluster 3 Ingreso a
Puerto
Tapizado interno
puerta delantera
izquierda
ubicacin y
lnea de carga
Tapa tanque
combustible
Rayado -
Rozado
Observada 233 1 4
Cluster 5 Ingreso a
Puerto
Escape Rayado -
Rozado
Observada 51 1 5
ubicacin y
lnea de carga
Zcalo derecho Rayado -
Rozado
Observada 100 1 6
Puerto de
Origen
Puerta delantera
izquierda
Puerto de
Origen
Limpiador y lavador
de parabrisas
ubicacin y
lnea de carga
Limpiador y lavador
de parabrisas
Proyeccin - 3966 1 10



Overall Modelo
14
Taza Proyeccin

Cluster 1 Modelo 7 Cable de carga Rayado -
Rozado
356 1 1
Cluster 2 Modelo 6 Tapizado interno puerta
delantera izquierda
Rayado -
Rozado
782 1 2
Cluster 3 Modelo 7 Guardabarro trasero derecho Pintura
saltada
704 1 3
Cluster 4 Modelo
14
Luz de neblina trasera Abollado 112 1 4
Cluster 5 Modelo
20
Limpiador y lavador de
parabrisas
Proyeccin 2716 1 5
Cluster 6 Modelo 9 Techo corredizo Proyeccin 15 1 6
Cluster 7 Modelo
13
Faro de stop luneta Faltante 27 1 7
Cluster 8 Modelo
13
Guardabarro trasero derecho Abollado 144 1 10
Cluster 8 Modelo
13
Techo (inclusive convertible) Abollado 144 1 10




Overall Modelo 14 Taza Proyeccin -

Cluster 1 Modelo 20 Llanta trasera
izquierda
Rayado -
Rozado
Observada
65 1 1
Cluster 2 Modelo 20 Alfombra bal /
caja de carga
Rayado -
Rozado
Observada
165 1 3
suplementarias
Proyeccin Observada
450 1 4
derecha
Faltante Observada
354 1 5
convertible)
Proyeccin -
22 1 7
derecha
Faltante -
1598 1 8
Cluster 7 Modelo 20 Transponder Proyeccin -
2346 1 9


perodo.


Overall Zcalo derecho Faltante -

Cluster 1 Spoiler delantero Rayado - Rozado Observada 5 1 1
Protector delantero
Superior
Cluster 4 Paragolpe trasero /
Spoiler trasero
Cluster 5 Moldura protctora lateral
izquierda
Cluster 6 Retrovisor externo
derecho



ubicacin y lnea de
carga
Zcalo derecho Faltante

ubicacin y lnea de
carga
Protector delantero
Rayado -
Rozado
176 1 1
ubicacin y lnea de
carga
Tapa posterior de techo Rayado -
Rozado
717 1 2

Cluster 3 Bajada de Buque Panel lateral derecho Faltante 834 1 3
ubicacin y lnea de
carga
Manijas externas de
puertas traseras
Reventado -
Estallado
204 1 4
ubicacin y lnea de
carga
Giro Delantero (derecho
/ izquierdo)
Faltante 3031 1 5
ubicacin y lnea de
carga
Llanta trasera izquierda Rayado -
Rozado
38 1 6



ubicacin y lnea
de carga
Cluster
1
Transferencia
ubicacin y lnea
de carga
Paragolpe
delantero /
Protector delantero
Arrancado -
Roto -
Fisurado
Observada 1 1 1
Cluster
2
Subida a Buque Paragolpe
delantero /
Protector delantero
Arrancado -
Roto -
Fisurado
Observada 3 1 3
Cluster
3
Subida a Buque Bolsa de
herramientas
Arrancado -
Roto -
Fisurado
Observada 12 1 4
Cluster
4
Ingreso a Puerto Giro Delantero
(derecho /
izquierdo)
Pintura
saltada
Observada 44 1 5
Cluster
5
Ingreso a Puerto Paragolpe trasero /
Spoiler trasero
Rayado -
Rozado
Observada 255 1 6
Cluster
6
Bajada de Buque Moldura
protectora lateral
derecha
Cluster
7
Transferencia
ubicacin y lnea
de carga
Llanta delantera
izquierda
Rayado -
Rozado
Observada 402 1 8
Cluster
8
Ingreso a Puerto Encendedor Manchado Observada 235 1 9
Cluster
9
Transferencia
ubicacin y lnea
de carga
Retrovisor externo
derecho




Protector delantero
Rayado -
Rozado
181 1 1
puertas delanteras
Proyeccin 290 1 2
Cluster 3 Modelo 15 Cable de carga Proyeccin 5 1 3

Cluster 4 Modelo 13 Techo corredizo Pintura saltada 186 1 4
Cluster 5 Modelo 8 Capot Faltante 35 1 5
Cluster 6 Modelo 10 Cristales de parante
delantero
Reventado -
Estallado
60 1 6
Cluster 7 Modelo 19 Puerta trasera derecha Faltante 2040 1 7
Cluster 8 Modelo 13 Faro de stop luneta Rayado -
Rozado
4 1 9
Cluster 9 Modelo 7 Panel lateral derecho Proyeccin 2199 1 10




Cluster 1 Modelo 20 Llanta trasera
izquierda
Rayado -
Rozado
Observada 11 1 1
Cluster 2 Modelo 20 Conjunto carrocera Manchado Observada 18 1 2
delantero izquierdo
Rayado -
Rozado
Observada 102 1 3
Cluster 4 Modelo 6 Luz de patente trasera Rayado -
Rozado
Observada 12 1 4
Cluster 5 Modelo 7 Conjunto carrocera Manchado Observada 163 1 5
Rayado -
Rozado
Observada 560 1 6
Cluster 7 Modelo 16 Limpiador y lavador
de parabrisas
derecho


8.4.4.3. Modelo de Prediccin

Al igual que con el anlisis del modelo anterior este se realiza sobre diferentes variables de ingreso:
Parte Avera Gravedad con prediccin de la Parte, Parte Avera Gravedad con prediccin de
la Avera, Lugar Parte Avera Gravedad considerando como variable de prediccin el Lugar, y
finalmente Modelo Parte Avera Gravedad donde se toma como variable de prediccin el
Modelo.

El primer anlisis permite ver o predecir la ocurrencia que una avera sea producida en una
determinada parte.

Del anlisis del segundo grupo se obtiene informacin sobre la ocurrencia de una determinada
avera teniendo en cuenta la parte de un auto y la gravedad del dao.

El siguiente proceso permite ver la ocurrencia de una avera en un determinado lugar.

Para finalizar esta etapa se toma como referencia de prediccin el modelo de auto que es averiado.

La herramienta nos permite ver por cada anlisis y procesamiento de datos la respectiva curva de
entrenamiento para cada modelo y la correspondiente curva de validacin de datos de cada modelo.

perodo.

Parte Avera Gravedad con prediccin de la Parte (Perodo 1 Ao 2003)

Variable Tipo de Avera
Parte predictiva: Puerta delantera Derecha
Tipo de Avera: Exceso kilometraje
Gravedad: Mediano
Partes predictivas:
Puerta delantera Derecha
Puerta trasera Derecha
Panel lateral derecho
Moldura protector lateral derecha
Giro Delantero (D/I)
Cristales de parante delantero.
Escape
Tapa acceso gancho remolque
Bolsa de herramientas
Otros

Variable Gravedad
Parte predictiva: Tapa acceso gancho remolque
Tipo Avera: Faltante
Gravedad: Leve
Partes predictivas:
Moldura protector lateral derecha
Giro Delantero (D/I)
Cristales de parante delantero
Escape

Parte Avera Gravedad con prediccin de la Avera (Perodo 1 Ao 2003)

Variable Parte
Avera predictiva: Faltante
Parte: Rueda de Auxilio
Gravedad: Mediano
Averas predictivas:
Abollado
Faltante
Proyeccin

Variable Gravedad
Avera predictiva: Techo corredizo
Parte: Exceso kilometraje
Gravedad: Leve
Averas predictivas:
Abollado
Faltante

Lugar Parte Avera Gravedad considerando como variable de prediccin el Lugar
(Perodo 1 Ao 2003)

Variable Parte
Lugar predictivo: Retiro de Puerto
Tipo de avera: Faltante
Gravedad: Mediano

Lugar predictivo: Transferencia ubicacin y lnea de carga
Parte: Tapa acceso gancho remolque
Tipo Avera: Exceso kilometraje
Gravedad: Mediano

Variable Gravedad
Gravedad: Leve

Modelo Parte Avera Gravedad donde se toma como variable de prediccin el
Modelo (Perodo 1 Ao 2003)

Variable Parte
Modelo predictivo: Modelo 9
Gravedad: Mediano
Modelos predictivos:
Modelo 8
Modelo 9
Modelo 10
Modelo 11
Modelo 12

Variable Avera
Tipo de avera: Exceso kilometraje
Gravedad: Mediano
Modelo 8
Modelo 9
Modelo 10
Modelo 11
Modelo 12

Variable Gravedad

Gravedad: Leve
Modelo 9
Modelo 10

perodo.

Parte Avera Gravedad con prediccin de la Parte (Perodo 2 Semestre 1 Ao
2004)

Parte predictiva: Escape
Tipo de Avera: Abollado
Gravedad: Mediano
Partes predictivas:
Escape
Otros
Llave
Parrilla delantera
Luz de neblina trasera
Faro de stop luneta
Retrovisor externo izquierdo
Guardabarro delantero izquierdo

Variable Gravedad
Parte predictiva: Llave
Tipo Avera: Abollado
Gravedad: Mediano
Partes predictivas:
Giro Delantero (derecho / izquierdo)
Escape
Otros
Llave

Parte Avera Gravedad con prediccin de la Avera (Perodo 1 Semestre 1 Ao
2004)

Variable Parte
Avera predictiva: Abollado
Parte: Llave
Gravedad: Mediano

Averas predictivas:
Abollado

Variable Gravedad
Parte: Llave
Gravedad: Mediano
Averas predictivas:
Abollado
Faltante

(Perodo 2 Semestre 1 Ao 2004)

Variable Parte
Lugar predictivo: Bajada de Buque
Parte: Llave
Tipo de avera: Abollado
Gravedad: Mediano

Parte: Llave
Gravedad: Mediano

Variable Gravedad
Lugar predictivo: Bajada de buque
Parte: Llave
Gravedad: Mediano

Modelo (Perodo 2 Semestre 1 Ao 2004)

Variable Parte
Parte: Llave
Gravedad: Mediano
Modelo 11

Variable Avera
Parte: Llave
Gravedad: Mediano
Modelo 11

Variable Gravedad
Parte: Llave
Gravedad: Mediano
Modelo 11

perodo.

2004)

Parte predictiva: Llanta delantera derecha
Tipo de Avera: Faltante
Gravedad: Observada
Partes predictivas:
Guardabarro delantero derecho
Llanta delantera derecha
Cubierta delantera derecha
Zcalo derecho
Guardabarro trasero derecho
Puerta delantera derecha
Puerta trasera derecha
Moldura protectora lateral derecha
Escape

Variable Gravedad
Parte predictiva: Puerta trasera derecha
Gravedad: Observada
Partes predictivas:

2004)

Variable Parte
Parte: Giro Delantero (D/I)
Gravedad: Observada
Averas predictivas:
Abollado

Faltante

Variable Gravedad
Gravedad: Observada
Averas predictivas:
Abollado
Faltante


Variable Parte
Lugar predictivo: Bajada de Buque
Gravedad: Observada

Gravedad: Observada

Variable Gravedad
Gravedad: Observada


Variable Parte
Gravedad: Observada
Modelo 14

Variable Avera
Gravedad: Observada
Modelo 12
Modelo 13

Modelo 14
Modelo 15

Variable Gravedad
Gravedad: Observada
Modelo 13
Modelo 14

perodo.

2005)

Parte predictiva: Alern
Gravedad: -
Partes predictivas:
Limpiador y lavador de vidrios traseros
Alern
Taza
Alfombra suplementarias
Manual
Retrovisor externo derecho
Zcalo derecho

Variable Gravedad
Parte predictiva: Cubierta delantera derecha
Gravedad: -
Partes predictivas:
Zcalo derecho

Escape

2005)

Variable Parte
Parte: Panel lateral derecho
Gravedad: -
Averas predictivas:
Abollado
Faltante
Proyeccin

Variable Gravedad
Gravedad: -
Averas predictivas:
Abollado

Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad
Gravedad: -


Variable Parte

Gravedad: -
Modelo 14
Modelo 15

Variable Avera
Gravedad: -
Modelo 13
Modelo 14
Modelo 15
Modelo 16

Variable Gravedad
Gravedad: -
Modelo 10
Modelo 11
Modelo 12
Modelo 13
Modelo 14
Modelo 15

perodo.

2005)

Parte predictiva: Aerosol antipinchazos
Gravedad: -
Partes predictivas:
Aerosol antipinchazos
Transponder
Antena
Faldillas para barro
Limpiador de Faros (derecho / izquierdo)
Limpiador y lavador de parabrisas

Alern
Taza
Manual
Zcalo derecho
Escape
Otros
Llave
Parrilla delantera
Faro de stop luneta

Variable Gravedad
Parte predictiva: Guardabarro trasero derecho
Gravedad: -
Partes predictivas:
Zcalo derecho

2005)

Variable Parte
Parte: Zcalo derecho
Gravedad: -
Averas predictivas:
Abollado
Faltante
Proyeccin

Variable Gravedad
Avera predictiva: Proyeccin
Gravedad: -
Averas predictivas:

Faltante


Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad
Lugar predictivo: Ingreso a Puerto
Gravedad: -


Variable Parte
Gravedad: -
Modelo 13

Variable Avera
Gravedad: -
Modelo 10
Modelo 11
Modelo 12
Modelo 13
Modelo 14
Modelo 15

Variable Gravedad

Gravedad: -
Modelo 12
Modelo 13
Modelo 14

perodo.

2006)

Parte predictiva: Panel trasero bajo bal
Gravedad: -
Partes predictivas:
Panel trasero bajo bal
Paragolpe trasero / Zona contacto
Tapizado interno puerta delantera izquierda
Zcalo interno puerta delantera izquierda
Manijas externas de puertas delanteras
Manijas externas de puertas traseras
Transponder
Antena
Alern
Taza
Manual
Zcalo derecho
Escape

Otros
Llave
Parrilla delantera

Variable Gravedad
Parte predictiva: Puerta delantera derecha
Gravedad: -
Partes predictivas:

2006)

Variable Parte
Parte: Cubierta delantera derecha
Gravedad: -
Averas predictivas:
Abollado
Faltante
Proyeccin

Variable Gravedad
Gravedad: -
Averas predictivas:
Abollado


Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad

Gravedad: -


Variable Parte
Gravedad: -
Modelo 10
Modelo 11
Modelo 12
Modelo 13
Modelo 14

Variable Avera
Gravedad: -
Modelo 10
Modelo 11
Modelo 12
Modelo 13
Modelo 14

Variable Gravedad
Gravedad: -
Modelo 10
Modelo 11
Modelo 12

perodo.

2006)

Parte predictiva: Manijas externas de puertas traseras
Gravedad: -

Partes predictivas:
Transponder
Antena
Alern
Taza
Manual
Zcalo derecho
Escape
Otros

Variable Gravedad
Gravedad: -
Partes predictivas:
Zcalo derecho

2006)

Variable Parte
Parte: Guardabarro delantero derecho
Gravedad: -
Averas predictivas:
Abollado
Faltante


Variable Gravedad
Gravedad: -
Averas predictivas:
Abollado


Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad
Gravedad: -


Variable Parte
Gravedad: -
Modelo 14
Modelo 15
Modelo 16

Variable Avera
Gravedad: -
Modelo 15

Variable Gravedad

Gravedad: -
Modelo 15

perodo.

2007)

Parte predictiva: Manual
Gravedad: -
Partes predictivas:
Manual
Zcalo derecho

Variable Gravedad
Parte predictiva: Guardabarro delantero derecho
Gravedad: -
Partes predictivas:

2007)

Variable Parte
Gravedad: -
Averas predictivas:
Faltante

Variable Gravedad

Gravedad: -
Averas predictivas:
Faltante


Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad
Gravedad: -


Variable Parte
Gravedad: -
Modelo 13
Modelo 14
Modelo 15

Variable Avera
Gravedad: -
Modelo 11
Modelo 12
Modelo 13
Modelo 14
Modelo 15
Modelo 16


Variable Gravedad
Gravedad: -
Modelo 13
Modelo 14
Modelo 15

perodo.

2007)

Tipo de Avera: Proyeccin
Gravedad: -
Partes predictivas:

Variable Gravedad
Parte predictiva: Cubierta delantera derechacho
Tipo Avera: Proyeccin
Gravedad: -
Partes predictivas:

2007)

Variable Parte
Gravedad: -
Averas predictivas:
Faltante

Variable Gravedad
Gravedad: -
Averas predictivas:
Faltante



Variable Parte
Tipo de avera: Proyeccin
Gravedad: -

Gravedad: -

Variable Gravedad
Gravedad: -


Variable Parte
Gravedad: -
Modelo 12

Variable Avera
Gravedad: -
Modelo 10
Modelo 11
Modelo 12
Modelo 13

Variable Gravedad
Gravedad: -
Modelo 13

perodo.

2008)

Parte predictiva: Manual
Tipo de Avera: Proyeccin
Gravedad: -
Partes predictivas:
Taza
Manual

Variable Gravedad
Parte predictiva: Taza
Gravedad: -
Partes predictivas:
Taza
Manual
Zcalo derecho

2008)

Variable Parte
Parte: Puerta delantera derecha
Gravedad: -
Averas predictivas:
Faltante
Abollado

Variable Gravedad
Gravedad: -
Averas predictivas:
Faltante
Abollado



Variable Parte
Gravedad: -

Gravedad: -

Variable Gravedad
Gravedad: -


Variable Parte
Gravedad: -
Modelo 9
Modelo 10

Variable Avera
Gravedad: -
Modelo 9
Modelo 10

Variable Gravedad
Gravedad: -
Modelo 9
Modelo 10

8.4.5. Dificultades encontradas

La nica dificultad encontrada en el procesamiento de los modelos desarrollados fue que en cuatro
de los diez perodos ejecutados se encontraron cuatro eventos que se producan una sola vez en el
perodo respectivo. Por lo tanto en la ejecucin del Modelo de Clasificacin al contener una sola
clasificacin para poder correr la aplicacin esos registros deban ser eliminados.

8.5. Evaluacin

Los modelos generados y los resultados obtenidos para cada perodo han sido satisfactorios. Los
modelos de Prediccin y Clasificacin han tenido un tiempo promedio de proceso de algunos
minutos (entre 5 y 10 minutos). En cuanto al modelo de Agrupamiento el tiempo insumido fue de 7
u 8 horas en promedio.

Los resultados obtenidos de los diferentes modelos tienen relacin entre si y en un primer anlisis
aproximado se puede deducir que los mismos has sido los esperados especialmente en lo que
respecta a cantidades y promedios.

La ejecucin de los modelos ha generado los datos esperados en funcin de los objetivos de negocio
establecidos previamente para el presente proyecto. Si bien en este primer anlisis se puede decir
que se han cubierto todas las alternativas para lograr los objetivos de negocio y de minera de datos
no se descarta la posibilidad de arribar a nuevas preguntas de negocio o nuevas aproximaciones de
resultados. Podemos concluir que los modelos estn conectados directamente a los objetivos de
negocio y de minera de datos.

8.5.1. Evaluacin de los resultados en trminos de minera de datos

A continuacin se desarrolla un resumen de los resultados obtenidos para cada perodo y para cada
modelo de minera de datos.

8.5.1.1. Perodo 1: Ao 2003.

Clasificacin

Averas:
59 % de averas Abollado.
22 % de averas Rayado Rozado.
10 % de averas Pintura saltada.

Lugares:
74 % de averas en Subida a Buque Puerto de Origen. Imputacin transporte terrestre.
10 % de averas en Bajada de Buque. Imputacin transporte martimo.
5 % de averas en Ingreso a Puerto. Imputacin transporte terrestre.
5 % de averas en Transferencia Ubicacin y Lnea de Carga. Imputacin planta de
produccin.

Modelos:
46 % de averas en Modelo 9.


Nota: datos especificados anteriormente representan ms del 90 % del total de registros explotados.

Clustering

Area - Avera Gravedad:
Puerta delantera derecha, Arrancado - Roto Fisurado, Intolerable: 99 - 2 %
Escape, Abollado, Grave: 779 - 16 %.
Alfombra suplementarias, Rayado Rozado, Grave: 455 - 9 %
Parabrisa, Proyeccin, Mediano: 362 7 %.
Luz trasera izquierda, Faltante, Mediano: 626 13 %.
Puerta delantera derecha, Faltante, Leve: 1130 23 %.
Cubierta delantera izquierda, Rayado Rozado, Mediano: 138 3 %.
Panel lateral izquierdo, Abollado, Leve: 1057 - 21 %.
Panel lateral derecho, Abollado, Mediano: 354 7 %.

General:
Tapa acceso gancho remolque, Faltante, Mediano.

Lugar - Parte Avera:
Ingreso a Puerto, Paragolpe delantero / Superior, Rayado Rozado: 38 1 %.
Ingreso a Puerto, Techo corredizo, Faltante: 55 1 %.
Ingreso a Puerto, Cubierta delantera derecha, Abollado: 111 2 %.
Transferencia ubicacin y lnea de carga, Luz de neblina trasera, Exceso kilometraje: 299
6 %.
Ingreso a Puerto, Luz trasera izquierda, Abollado: 63 1 %.
Transferencia ubicacin y lnea de carga, Luz de neblina trasera, Abollado: 76 2 %.
Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante: 4334 87 %.

General:
Retiro de Puerto, Tapa acceso gancho remolque, Faltante.

Lugar - Parte - Avera Gravedad:
Bajada de Buque, Tapizado interno puerta delantera izquierda, Rayado Rozado, Mediano:
596 12 %.
Retiro de Puerto, Cristales de parante delantero, Abollado, Grave: 1007 20 %.
Ingreso a Puerto, Moldura protectora lateral derecha, Rayado Rozado, Leve: 488 10
%.
Subida Buque Puerto de Origen, Cable de carga, Faltante, Mediano: 582 12 %.
Transferencia ubicacin y lnea de carga, Insignia, Faltante, Leve: 99 2 %.
Subida Buque Puerto de Origen, Llave, Abollado, Leve: 2120 42 %.
Subida Buque Puerto de Origen, Guardabarro delantero izquierdo, Rayado Rozado,
Mediano: 79 2 %.

General:
Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Mediano.


Modelo - Area Avera:
Modelo 4, Moldura protectora lateral derecha, Faltante: 636 13 %.
Modelo 10, Manual, Abollado: 1267 25 %.
Modelo 18, Cubierta delantera derecha, Rayado Rozado: 879 18 %.
Modelo 10, Giro Delantero (derecho / izquierdo), Rayado Rozado: 121 2 %.
Modelo 10, Panel lateral izquierdo, Abollado: 1113 22 %.
Modelo 9, Cerraduras de puertas, Rayado Rozado: 295 6 %.
Modelo 17, Cubierta delantera izquierda, Abollado: 689 14 %.

General:
Modelo 12, Tapa acceso gancho remolque, Faltante.

Modelo - Area - Avera Gravedad:
Modelo 5, Giro Delantero (derecho / izquierdo), Faltante, Intolerable: 389 8 %.
Modelo 15, Puerta trasera derecha, Faltante, Grave: 792 16 %.
Modelo 18, Paragolpe trasero / Spoiler trasero, Faltante, Mediano: 110 2 %.
Modelo 16, Bolsa de herramientas, Abollado, Mediano: 231 5 %.
Modelo 17, Panel lateral derecho, Rayado Rozado, Mediano: 290 6 %.
Modelo 9, Manijas externas de puertas traseras, Rayado Rozado, Mediano: 168 - 3 %.
Modelo 11, Luz de neblina trasera, Faltante, Leve: 2945 59 %.
Modelo 14, Retrovisor externo derecho, Pintura saltada, Mediano: 65 1 %.

General:
Modelo 12, Tapa acceso gancho remolque, Faltante, Mediano.

Prediccin

Parte:
Con variacin de Avera los valores predictivos resultan:
Avera: Exceso kilometraje
Gravedad: Mediano
Con variacin de Gravedad los valores predictivos resultan:
Avera: Faltante
Gravedad: Leve
Avera:
Con variacin de Parte los valores predictivos resultan:
Avera: Faltante
Parte: Rueda de auxilio
Gravedad: Mediano
Avera: Faltante
Gravedad: Leve
Lugar:
Lugar: Retiro de Puerto
Avera: Faltante

Gravedad: Mediano
Lugar: Transferencia ubicacin y lnea de carga
Gravedad: Mediano
Avera: Faltante
Gravedad: Leve
Modelos:
Modelo: Modelo 9
Avera: Faltante
Gravedad: Mediano
Modelo: Modelo 11
Gravedad: Mediano
Modelo: Modelo 10
Avera: Faltante
Gravedad: Leve

8.5.1.2. Perodo 2: Ao 2004 semestre 1.

Clasificacin

Averas:
3 % de averas Faltante
3 % de averas Manchado.

Lugares:
83 % de averas en Subida a Buque Puerto de origen. Imputacin transporte terrestre.
2 % de averas en Retiro de Puerto. Imputacin puerto.

Modelos:



Clustering

rea - Avera Gravedad:
Cristales de parante delantero, Faltante, Intolerable: 317 6 %.
Guardabarro trasero derecho, Faltante, Grave: 756 15 %.
Cerraduras de puertas, Rayado Rozado, Mediano: 374 7 %.
Otros, Abollado, Leve: 1864 37 %.
Cable de carga, Rayado Rozado, Leve: 223 4 %.
Antena, Rayado Rozado, Mediano: 520 10 %.
Bolsa de herramientas, Abollado, Mediano: 932 19 %.

General:

Transferencia ubicacin y lnea de carga, Puerta delantera izquierda, Rayado Rozado: 31
1 %.
Ingreso a Puerto, Techo corredizo, Rayado Rozado: 97 - 2 %.
Ingreso a Puerto, Puerta trasera derecha, Rayado Rozado: 62 1 %.
Transferencia ubicacin y lnea de carga, Otros, Abollado: 167 3 %.
Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante: 4580 92 %.

General:

Bajada de Buque, Cristales de parante delantero, Faltante, Intolerable: 259 5 %.
Retiro de Puerto, Guardabarro trasero derecho, Faltante, Grave: 627 13 %.
Bajada de Buque, Panel lateral izquierdo, Faltante, Leve: 1961 39 %.
Ingreso a Puerto, Tapa posterior de techo, Pintura saltada, Mediano: 82 2 %.
Bajada de Buque, Llanta delantera derecha, Abollado, Leve: 1642 33 %
Bajada de Buque, Llanta delantera derecha, Faltante, Grave: 405 8 %.

General:
Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Mediano.

Modelo - Parte Avera:
Modelo 17, Aerosol antipinchazos, Proyeccin: 1010 20 %.
Modelo 10, Guardabarro delantero izquierdo, Abollado: 1695 34 %.
Modelo 17, Puerta delantera derecha, Abollado: 614 12 %.
Modelo 8, Panel lateral izquierdo, Rayado Rozado: 243 5 %.
Modelo 6, Limpiador y lavador de parabrisas, Abollado: 192 4 %.
Modelo 7, Zcalo interno puerta delantera izquierda, Rayado Rozado: 131 3 %.
Modelo 17, Cubierta delantera izquierda, Rayado Rozado: 382 8 %.
Modelo 17, Alfombra bal / caja de carga, Faltante: 713 14 %.


General:

Modelo - Parte - Avera Gravedad:
Modelo 16, Guardabarro trasero derecho, Faltante, Grave: 800 16 %.
Modelo 8, Cristales de parante delantero, Faltante, Grave: 273 5 %.
Modelo 10, Barras de techo, Proyeccin, Mediano: 111 2 %.
Modelo 13, Puerta delantera izquierda, Faltante, Leve: 2341 47 %.
Modelo 8, Giro Delantero (derecho / izquierdo), Faltante, Mediano: 350 7 %.
Modelo 17, Aleron, Faltante, Mediano: 1085 22 %.

General:
Modelo 14, Tapa acceso gancho remolque, Faltante, Mediano.

Prediccin

Parte:
Parte: Escape
Avera: Abollado
Gravedad: Mediano
Parte: Llave
Avera: Abollado
Gravedad: Mediano
Avera:
Avera: Abollado
Parte: Llave
Gravedad: Mediano
Avera: Abollado
Parte: Llave
Gravedad: Mediano
Lugar:
Lugar: Baja de Buque
Parte: Llave
Avera: Abollado
Gravedad: Mediano
Parte: Llave
Avera: Abollado
Gravedad: Mediano
Lugar: Bajada de Buque
Parte: Llave
Avera: Abollado
Gravedad: Mediano

Modelos:
Modelo: Modelo 11
Parte: Llave
Avera: Abollado
Gravedad: Mediano
Modelo: Modelo 11
Parte: Llave
Avera: Abollado
Gravedad: Mediano
Modelo: Modelo 11
Parte: Llave
Avera: Abollado
Gravedad: Mediano


Clasificacin

Averas:

Lugares:
4 % de averas en Subida a Buque. Imputacin puerto.

Modelos:


Clustering

Paragolpe trasero / Zona contacto, Rayado Rozado, Grave: 58 1 %.
Alern, Proyeccin, Grave: 78 2 %.
Luz de neblina trasera, Abollado, Grave: 401 8 %.
Tapa acceso gancho remolque, Faltante: 4432 89 %.


General:
Tapa acceso gancho remolque, Faltante, Leve.

Ingreso a Puerto, Barras de techo, Pintura saltada: 46 1 %.
Ingreso a Puerto, Guardabarro trasero derecho, Pintura saltada: 40 1 %.
Ingreso a Puerto, Luz de neblina trasera, Abollado: 147 3 %.
Ingreso a Puerto, Luz de patente trasera, Rayado Rozado: 72 1 %.
Transferencia ubicacin y lnea de carga, Retrovisor externo izquierdo, Rayado Rozado:
36 1 %.
Ingreso a Puerto, Paragolpe trasero / Zona contacto, Rayado Rozado: 299 6 %.
Transferencia ubicacin y lnea de carga, Bolsa de herramientas, Faltante: 4331- 87 %.

General:

Ingreso a Puerto, Alfombra suplementarias, Proyeccin, Grave: 48 1 %.
Ingreso a Puerto, Luz de neblina trasera, Faltante, Grave: 54 1 %.
Subida Buque Puerto de Origen, Giro Delantero (derecho / izquierdo), Faltante, Grave: 448
9 %.
Ingreso a Puerto, Retrovisor externo derecho, Proyeccin: 548 11 %.
Subida Buque Puerto de Origen, Otros, Faltante: 3883 78 %.

General:
Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Leve.

Modelo - rea Avera:
Modelo 17, Llave de rueda, Faltante: 556 11 %.
Modelo 17, Cubierta delantera izquierda, Faltante: 1084 22 %.
Modelo 9, Giro Delantero (derecho / izquierdo), Abollado: 1409 28 %.
Modelo 13, Puerta trasera izquierda, Abollado: 89 2 %.
Modelo 17, Guardabarro trasero derecho, Abollado: 849 17 %.
Modelo 18, Limpiador y lavador de parabrisas, Proyeccin: 712 14 %.
Modelo 17, Tapa posterior de techo, Faltante: 286 6 %.

General:

Modelo - rea - Avera Gravedad:
Modelo 4, Retrovisor externo derecho, Faltante, Grave: 63 1 %.
Modelo 10, Faro de stop luneta, Abollado, Grave: 128 3 %.
Modelo 17, Puerta trasera izquierda, Faltante, Grave: 72 1 %.
Modelo 17, Manual, Faltante, Grave: 259 5 %.
Modelo 15, Tapa acceso gancho remolque, Faltante: 4432 89 %.

General:
Modelo 15, Tapa acceso gancho remolque, Faltante, Leve.


Prediccin

Parte:
Parte: Llanta delantera derecha
Avera: Faltante
Gravedad: Observada
Parte: Puerta trasera derecha
Avera: Faltante
Gravedad: Observada
Avera:
Avera: Abollado
Parte: Giro Delantero (derecho / izquierdo)
Gravedad: Observada
Avera: Abollado
Gravedad: Observada
Lugar:
Lugar: Baja de Buque
Avera: Faltante
Gravedad: Observada
Avera: Faltante
Gravedad: Observada
Avera: Faltante
Gravedad: Observada
Modelos:
Modelo: Modelo 14
Avera: Abollado
Gravedad: Observada
Modelo: Modelo 16
Avera: Faltante
Gravedad: Observada
Modelo: Modelo 14

Avera: Faltante
Gravedad: Observada


Clasificacin

Averas:

Lugares:
15 % de averas en Retiro Fbrica de Origen. Imputacin planta de produccin.

Modelos:


Clustering

Capot, Rayado Rozado, Observada: 77 2 %.
Panel trasero bajo bal, Rayado Rozado, Observada: 134 3%.
Alern, Proyeccin, Observada: 172 4 %.
Llanta delantera izquierda, Abollado, Observada: 703 18 %.
Zcalo izquierdo, Manchado, Observada: 31 1 %.
Zcalo derecho, Faltante: 2779 71 %.

General:
Guardabarro trasero derecho, Faltante.

Ingreso a Puerto, Capot, Rayado Rozado: 72 2 %.
Subida Buque Puerto de Origen, Tapa posterior de techo, Rayado Rozado: 131 3 %.
Retiro de Puerto, Taza, Faltante: 226 6 %.
Retiro de Puerto, Llanta delantera izquierda, Faltante: 311 8 %.
Retiro de Puerto, Puerta trasera derecha, Faltante: 3161 81 %.

General:
Retiro de Puerto, Guardabarro trasero derecho, Faltante.

Bajada de Buque, Capot, Rayado Rozado, Observada: 64 2 %.
Ingreso a Puerto, Parabrisa, Faltante, Observada: 43 1 %.
Bajada de Buque, Luz de neblina trasera, Proyeccin, Observada: 165 4 %.
Transferencia ubicacin y lnea de carga, Cubierta delantera derecha, Faltante: 436 11 %.
Bajada de Buque, Zcalo derecho, Faltante: 2342, - 60 %.
Bajada de Buque, Escape, Faltante, Observada: 855 22 %.

General:
Retiro de Puerto, Guardabarro trasero derecho, Faltante.

Modelo - rea Avera:
Modelo 9, Parante delantero, Rayado Rozado: 42 1 %.
Modelo 6, Limpiador de Faros (derecho / izquierdo), Proyeccin: 380 10 %.
Modelo 8, Llanta delantera izquierda, Abollado: 812 21 %.
Modelo 18, Panel trasero bajo bal, Rayado Rozado: 1250 32 %.
Modelo 18, Escape, Proyeccin, 583 15 %.
Modelo 17, Guardabarro delantero izquierdo, Pintura saltada: 533 14 %.
Modelo 17, Separador interno de carga, Proyeccin: 237 6 %.
Modelo 17, Llanta delantera derecha, Pintura saltada: 65 2 %.

General:
Modelo 15, Guardabarro trasero derecho, Faltante.

Modelo 16, Batera, Rayado Rozado, Observada: 22 1 %.
Modelo 18, Luz de patente trasera, Proyeccin, Observada: 146 4 %.
Modelo 8, Tapa acceso gancho remolque, Abollado, Observada: 382 10 %.
Modelo 18, Alfombra suplementarias, Faltante, Observada: 518 13 %.
Modelo 9, Zcalo derecho, Manchado, Observada: 67 2 %.
Modelo 15, Zcalo derecho, Faltante: 2779 71 %.

General:

Prediccin

Parte:
Parte: Alern
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera:
Avera: Abollado

Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Parte: Giro Panel lateral derecho
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Modelos:
Modelo: Modelo 15
Avera: Faltante
Gravedad: -
Modelo: Modelo 17
Avera: Faltante
Gravedad: -
Modelo: Modelo 15
Avera: Faltante
Gravedad: -


Clasificacin

Averas:

Lugares:


Modelos:


Clustering

Barras de techo, Pintura saltada, Observada: 38 1 %.
Barras de techo, Rayado Rozado, Observada: 108 3 %.
Retrovisor externo izquierdo, Pintura saltada, Observada: 146 4 %.
Tapa tanque combustible, Rayado Rozado, Observada: 30 1 %.
Bolsa de herramientas, Rayado Rozado, Observada: 81 2 %.
Guardabarro delantero derecho, Faltante: 3464 89 %.

General:
Guardabarro delantero derecho, Faltante.

Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero Rayado
Rozado: 29 1 %.
Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado - Rozado 63 2 %.
Bajada de Buque, Paragolpe delantero / Superior, Rayado Rozado: 44 1 %.
Retiro Fbrica de Origen, Paragolpe trasero / Spoiler trasero, Rayado Rozado: 993 26
%.
Bajada de Buque, Antena, Proyeccin: 177 5 %.
Retiro de Puerto, Cristales de parante delantero, Faltante: 2562 66 %.

General:
Retiro de Puerto, Guardabarro delantero derecho, Faltante.

Ingreso a Puerto, Techo (inclusive convertible), Pintura saltada: 67 2 %.
Ingreso a Puerto, Otros, Abollado: 177 5 %.
Ingreso a Puerto, Techo (inclusive convertible), Rayado Rozado: 142 4 %.
Ingreso a Puerto, Llanta delantera izquierda, Proyeccin: 111 3 %.
Subida Buque Puerto de Origen, Guardabarro delantero derecho, Faltante: 2955 - 76 %.
Bajada de Buque, Zcalo derecho, Faltante, Observada: 168 4 %.
Ingreso a Puerto, Llanta delantera derecha, Proyeccin, Observada: 249 6 %.

General:


Modelo - rea Avera:
Modelo 18, Guardabarros y parante trasero izquierdo, Rayado Rozado: 269 7 %.
Modelo 17, Faro de stop luneta, Abollado: 669 17 %.
Modelo 7, Tapa acceso gancho remolque, Abollado: 1290 33 %.
Modelo 17, Tapa de Bal o Puerta Trasera, Rayado Rozado: 1307 34 %.
Modelo 13, Techo (inclusive convertible), Abollado: 24 1 %.
Modelo 6, Paragolpe trasero / Zona contacto, Rayado Rozado: 263 7 %.
Modelo 9, Paragolpe delantero / Superior, Rayado Rozado: 59 2 %.

General:
Modelo 13, Guardabarro delantero derecho, Faltante.

Modelo 19, Tapizado interno puerta delantera izquierda, Rayado Rozado, Observada: 53
1 %.
Modelo 18, Llave, Abollado, Observada: 123 3 %.
Modelo 6, Taza, Proyeccin, Observada: 167 4 %.
Modelo 8, Guardabarro delantero izquierdo, Abollado, Observada: 50 1 %.
Modelo 13, Guardabarro delantero derecho, Faltante: 3464 89 %.

General:

Prediccin

Parte:
Parte: Aerosol antipinchazos
Avera: Faltante
Gravedad: -
Parte: Guardabarro trasero derecho
Avera: Faltante
Gravedad: -
Avera:
Avera: Abollado
Gravedad: -
Avera: Proyeccin
Gravedad: -
Lugar:
Avera: Faltante

Gravedad: -
Avera: Faltante
Gravedad: -
Lugar: Ingreso a Puerto
Avera: Faltante
Gravedad: -
Modelos:
Modelo: Modelo 14
Avera: Faltante
Gravedad: -
Modelo: Modelo 16
Avera: Faltante
Gravedad: -
Modelo: Modelo 13
Avera: Faltante
Gravedad: -


Clasificacin

Averas:

Lugares:

Modelos:



Clustering

Capot, Rayado Rozado, Observada: 24 1 %.
Panel trasero bajo bal, Rayado Rozado, Observada: 37 1 %.
Manijas externas de puertas delanteras, Faltante, Observada: 40 1 %.
Luz de neblina trasera, Abollado, Observada: 340 9 %.

General:
Zcalo derecho, Faltante.

Transferencia ubicacin y lnea de carga, Spoiler delantero, Rayado Rozado: 42 1 %.
Transferencia ubicacin y lnea de carga, Paragolpe delantero / Protector delantero, Rayado
Rozado: 27 1 %.
Ingreso a Puerto, Paragolpe delantero / Protector delantero, Rayado Rozado: 74 2 %.
Ingreso a Puerto, Zcalo interno puerta delantera izquierda, Rayado Rozado: 114 3 %.
Ingreso a Puerto, Tapa acceso gancho remolque, Faltante: 470 12 %.
Transferencia ubicacin y lnea de carga, Llave, Abollado: 53 1 %.
Subida Buque Puerto de Origen, Guardabarro trasero derecho, Faltante: 2983- 79 %.

General:
Retiro de Puerto, Zcalo derecho, Faltante.

Bajada de Buque, Spoiler delantero, Rayado Rozado, Observada: 7 1 %.
Retiro de Puerto, Paragolpe delantero / Protector delantero, Rayado Rozado, Observada: 1
4 %.
Bajada de Buque, Spoiler delantero, Rayado Rozado, Observada: 9 5 %.
Ingreso a Puerto, Tapa posterior de techo, Rayado Rozado, Observada: 35 6 %.
Bajada de Buque, Moldura protectora lateral derecha, Faltante, Observada: 103 7 %.
Transferencia ubicacin y lnea de carga, Puerta trasera izquierda, Abollado, Observada: 33
8 %.
Bajada de Buque, Tapa acceso gancho remolque, Abollado, Observada: 274 9 %.
Bajada de Buque, Zcalo derecho, Faltante: 3301 10 %.

General:

Modelo - rea Avera:
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado: 124 3 %.
Modelo 17, Panel trasero bajo bal, Rayado Rozado: 901 24 %.
Modelo 7, Escape, Faltante: 1695 45 %.
Modelo 17, Otros, Rayado Rozado: 110 3 %.
Modelo 18, Giro Delantero (derecho / izquierdo), Abollado: 577 15 %.

Modelo 16, Guardabarros y parante trasero izquierdo, Abollado: 318 8 %.
Modelo 13, Barras de techo, Abollado: 38 1 %.

General:
Modelo 13, Zcalo derecho, Faltante.

Modelo 20, Spoiler delantero, Rayado Rozado, Observada: 20 1 %.
Modelo 19, Paragolpe trasero / Spoiler trasero, Proyeccin, Observada: 45 1 %.
Modelo 19, Bolsa de herramientas, Proyeccin, Observada: 57 2 %.
Modelo 7, Bolsa de herramientas, Faltante, Observada: 260 7 %.
Modelo 16, Parrilla delantera, Pintura saltada, Observada: 74 2 %.

General:

Prediccin

Parte:
Parte: Panel trasero bajo bal
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera:
Avera: Abollado
Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -

Avera: Faltante
Gravedad: -
Modelos:
Modelo: Modelo 11
Avera: Faltante
Gravedad: -
Modelo: Modelo 14
Avera: Faltante
Gravedad: -
Modelo: Modelo 12
Avera: Faltante
Gravedad: -


Clasificacin

Averas:
14 % de averas Faltante.
5 % de averas Pintura saltada

Lugares:
21% de averas en Bajada de Buque. Imputacin transporte martimo.
16 % de averas en Transferencia ubicacin y lnea de carga. Imputacin planta de
produccin.

Modelos:


Clustering


Bolsa de herramientas, Arrancado - Roto Fisurado, Observada: 15 1 %.
Luz de neblina trasera, Abollado, Observada: 94 4 %.
Faro de stop luneta, Rayado Rozado, Observada: 94 4 %.
Tapa posterior de techo, Proyeccin, Observada: 128 5 %.
Alfombra suplementarias, Abollado, Observada: 22 - 1 %.
Guardabarro delantero derecho, Faltante: 2271 86 %.

General:

Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado Rozado: 41 2 %.
Bajada de Buque, Manijas externas de puertas traseras, Proyeccin: 326 12 %.
Ingreso a Puerto, Parabrisa, Proyeccin: 865 33 %.
Bajada de Buque, Guardabarro delantero izquierdo, Abollado: 473 18 %.
Ingreso a Puerto, Faro de stop luneta, Abollado: 483 18 %.
Ingreso a Puerto, Llave, Rayado Rozado: 429 16 %.

General:
Transferencia ubicacin y lnea de carga, Guardabarro delantero derecho, Faltante.

Bajada de Buque, Panel trasero bajo bal, Rayado Rozado, Observada: 14 1 %.
Bajada de Buque, Alfombra suplementarias, Proyeccin, Observada: 21 1 %.
Bajada de Buque, Parrilla delantera, Abollado, Observada: 67 3 %.
Ingreso a Puerto, Guardabarro delantero derecho, Faltante, Observada: 250 10 %.
Transferencia ubicacin y lnea de carga, Guardabarro delantero derecho, Faltante: 2271
86 %.

General:

Modelo - rea Avera:
Modelo 20, Parrilla delantera, Rayado Rozado: 252 10 %.
Modelo 19, Retrovisor externo izquierdo, Abollado: 553 21 %.
Modelo 6, Puerta delantera derecha, Faltante: 868 33 %.
Modelo 11, Barras de techo, Proyeccin: 91 3 %.
Modelo 20, Barras de techo, Proyeccin: 714 27 %.
Modelo 18, Retrovisor externo derecho, Reventado Estallado: 114 4 %.
Modelo 13, Llanta delantera derecha, Abollado: 32 1 %.

General:

Modelo 5, Zcalo izquierdo, Rayado Rozado, Observada: 22 1 %.
Modelo 7, Zcalo izquierdo, Abollado, Observada: 42 2 %.
Modelo 6, Manijas externas de puertas traseras, Proyeccin, Observada: 42 2 %.
Modelo 8, Retrovisor externo derecho, Pintura saltada, Observada: 20 1 %.
Modelo 19, Retrovisor externo derecho, Faltante, Observada: 224 9 %.

Modelo 15, Guardabarro delantero derecho, Faltante: 2271 86 %.

General:

Prediccin

Parte:
Parte: Manijas externas de puertas traseras
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Modelos:
Modelo: Modelo 15
Avera: Faltante
Gravedad: -
Modelo: Modelo 16

Avera: Faltante
Gravedad: -
Modelo: Modelo 15
Avera: Faltante
Gravedad: -


Clasificacin

Averas:

Lugares:
produccin.

Modelos:


Clustering

Paragolpe delantero / Protector delantero, Rayado Rozado, Observada: 64 2 %.
Paragolpe trasero / Spoiler trasero, Rayado Rozado, Observada: 68 2 %.
Tapa posterior de techo, Abollado, Observada: 76 3 %.
Luz de neblina trasera, Faltante, Observada: 437 14 %.

General:

Ingreso a Puerto, Puerta trasera izquierda, Proyeccin: 599 20 %.

Transferencia ubicacin y lnea de carga, Guardabarro trasero derecho, Pintura saltada: 288
10 %.
Bajada de Buque, Moldura protectora lateral derecha, Faltante: 910 30 %.
Transferencia ubicacin y lnea de carga, Techo (inclusive convertible), Rayado Rozado:
510 17 %.
Transferencia ubicacin y lnea de carga, Manual, Faltante: 722 24 %.

General:

Ingreso a Puerto, Zcalo izquierdo, Abollado, Observada: 57 2 %.
Transferencia ubicacin y lnea de carga, Puerta trasera izquierda, Rayado Rozado,
Observada: 68 2 %.
Transferencia ubicacin y lnea de carga, Tapizado interno puerta delantera izquierda,
Rayado Rozado, Observada: 160 5 %.
Subida Buque Puerto de Origen, Panel lateral derecho, Abollado, Observada: 349 12 %.
Transferencia ubicacin y lnea de carga, Zcalo derecho, Faltante: 2377 - 78 %.

General:

Modelo - rea Avera:
Modelo 5, Capot, Rayado Rozado: 105 3 %.
Modelo 5, Manijas externas de puertas traseras, Proyeccin: 316 10 %.
Modelo 7, Parrilla delantera, Faltante: 730 24 %.
Modelo 19, Zcalo izquierdo, Abollado: 455 15 %.
Modelo 13, Guardabarro delantero izquierdo, Abollado: 206 7 %.
Modelo 14, Techo corredizo, Faltante: 90 3 %.

General:

Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado, Observada: 20 4
%.
Modelo 20, Tapa de Bal o Puerta Trasera, Rayado Rozado, Observada: 45 10 %.
Modelo 17, Manijas externas de puertas traseras, Proyeccin, Observada: 57 12 %.
Modelo 20, Cubierta delantera izquierda, Rayado Rozado, Observada: 260 56 %.
Modelo 11, Panel lateral derecho, Faltante, Observada: 5 1 %.

General:

Prediccin

Parte:

Parte: Manual
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Modelos:
Modelo: Modelo 13
Avera: Faltante
Gravedad: -
Modelo: Modelo 16
Avera: Faltante
Gravedad: -
Modelo: Modelo 15
Avera: Faltante
Gravedad: -



Clasificacin

Averas:

Lugares:
produccin.

Modelos:


Clustering

Llanta trasera izquierda, Rayado Rozado, Observada: 67 1 %.
Cubierta trasera derecha, Rayado Rozado, Observada: 76 2 %.
Guardabarros y parante trasero izquierdo, Rayado Rozado, Observada: 176 4 %.
Panel lateral derecho, Faltante, Observada: 438 9 %.
Techo corredizo, Proyeccin, Observada: 275 6 %.
Limpiador y lavador de parabrisas, Proyeccin: 3966 79 %.

General:
Taza, Proyeccin.

Bajada de Buque, Capot, Rayado Rozado: 27 1 %.
Bajada de Buque, Zcalo interno puerta delantera izquierda, Rayado Rozado: 30 1 %.
Bajada de Buque, Barras de techo, Abollado: 147 3 %.
Bajada de Buque, Tapa acceso gancho remolque, Abollado: 520 10 %.
Ingreso a Puerto, Manijas externas de puertas delanteras, Proyeccin: 3082 62 %.
Transferencia ubicacin y lnea de carga, Faro de stop luneta, Rayado Rozado: 1169- 23
%.

General:
Transferencia ubicacin y lnea de carga, Taza, Proyeccin.


Transferencia ubicacin y lnea de carga, Llanta trasera izquierda, Rayado Rozado,
Observada: 72 1 %.
Ingreso a Puerto, Tapizado interno puerta delantera izquierda, Proyeccin, Observada: 239
5 %.
Transferencia ubicacin y lnea de carga, Tapa tanque combustible, Rayado Rozado,
Observada: 233 5 %.
Ingreso a Puerto, Escape, Rayado Rozado, Observada: 51 1 %.
Transferencia ubicacin y lnea de carga, Zcalo derecho, Rayado Rozado, Observada:
100 2 %.
Subida Buque Puerto de Origen, Puerta delantera izquierda, Abollado, Observada: 62 1 %.
Subida Buque Puerto de Origen, Limpiador y lavador de parabrisas, Abollado, Observada:
266 5 %.
Transferencia ubicacin y lnea de carga, Limpiador y lavador de parabrisas, Proyeccin:
3966 79 %.

General:

Modelo - rea Avera:
Modelo 7, Cable de carga, Rayado Rozado: 356 7 %.
Modelo 6, Tapizado interno puerta delantera izquierda, Rayado Rozado: 782 16 %
Modelo 7, Guardabarro trasero derecho, Pintura saltada: 704 14 %.
Modelo 14, Luz de neblina trasera, Abollado: 112 2 %.
Modelo 13, Faro de stop luneta, Faltante: 27 1 %.
Modelo 13, Guardabarro trasero derecho, Abollado: 144 3 %.
Modelo 13, Techo (inclusive convertible), Abollado: 144 3 %.

General:
Modelo 14, Taza, Proyeccin.

Modelo 20, Llanta trasera izquierda, Rayado Rozado, Observada: 65 1 %.
Modelo 20, Alfombra bal / caja de carga, Rayado Rozado, Observada: 165 - 3 %.
Modelo 8, Alfombra suplementarias, Proyeccin, Observada: 450 9 %.
Modelo 16, Llanta delantera derecha, Faltante, Observada: 354 7 %.
Modelo 7, Llanta delantera derecha, Faltante: 1598 32 %.
Modelo 20, Transponder, Proyeccin: 2346 47 %.

General:

Prediccin

Parte:
Avera: Proyeccin

Gravedad: -
Avera: Proyeccin
Gravedad: -
Avera:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Avera: Proyeccin
Gravedad: -
Avera: Proyeccin
Gravedad: -
Avera: Proyeccin
Gravedad: -
Modelos:
Modelo: Modelo 12
Avera: Proyeccin
Gravedad: -
Modelo: Modelo 13
Avera: Proyeccin
Gravedad: -
Modelo: Modelo 13
Avera: Proyeccin
Gravedad: -



Clasificacin

Averas:

Lugares:
produccin.

Modelos:


Clustering

Paragolpe delantero / Protector delantero, Rayado Rozado, Observada: 75 2 %.
Paragolpe trasero / Spoiler trasero, Proyeccin, Observada: 145 3 %.
Moldura protctora lateral izquierda, Rayado Rozado, Observada: 828 - 17 %.
Retrovisor externo derecho, Faltante: 3932 - 79 %.

General:

Transferencia ubicacin y lnea de carga, Paragolpe delantero / Protector delantero, Rayado
Rozado: 176 4 %.
Transferencia ubicacin y lnea de carga, Tapa posterior de techo, Rayado Rozado: 717
14 %.
Bajada de Buque, Panel lateral derecho, Faltante: 834 17 %.
Transferencia ubicacin y lnea de carga, Manijas externas de puertas traseras, Reventado
Estallado: 204 4 %.
Transferencia ubicacin y lnea de carga, Giro Delantero (derecho / izquierdo), Faltante:
3031 61 %.
Transferencia ubicacin y lnea de carga, Llanta trasera izquierda, Rayado Rozado: 38 1
%.

General:
Transferencia ubicacin y lnea de carga, Zcalo derecho, Faltante.

Ingreso a Puerto, Giro Delantero (derecho / izquierdo), Pintura saltada, Observada: 44 1
%.
Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado Rozado, Observada: 255 5
%.
Bajada de Buque, Moldura protectora lateral derecha, Abollado, Observada: 116 2 %.
Transferencia ubicacin y lnea de carga, Llanta delantera izquierda, Rayado Rozado,
Observada: 402 8 %.
Ingreso a Puerto, Encendedor, Manchado, Observada: 235 5 %.
Transferencia ubicacin y lnea de carga, Retrovisor externo derecho, Faltante: 3932 79 %.

General:

Modelo - rea Avera:
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado: 181 - 4 %.
Modelo 20, Manijas externas de puertas delanteras, Proyeccin: 290 - 6 %.
Modelo 13, Techo corredizo Pintura saltada, 186 - 4 %.
Modelo 8, Capot, Faltante: 35 - 1 %.
Modelo 10, Cristales de parante delantero, Reventado Estallado: 60 - 1 %.
Modelo 19, Puerta trasera derecha, Faltante: 2040 - 41 %.
Modelo 7, Panel lateral derecho, Proyeccin: 2199 - 44 %.

General:

Modelo 20, Guardabarro delantero izquierdo, Rayado Rozado, Observada: 102 - 2 %.
Modelo 7, Conjunto carrocera, Manchado, Observada: 163 - 3 %.
Modelo 7, Giro Delantero (derecho / izquierdo), Rayado Rozado, Observada: 560 - 11 %.
Modelo 16, Limpiador y lavador de parabrisas, Faltante, Observada: 202 - 4 %.
Modelo 14, Retrovisor externo derecho, Faltante: 3932 - 79 %.

General:

Prediccin

Parte:
Parte: Manual
Avera: Proyeccin
Gravedad: -
Parte: Taza
Avera: Proyeccin
Gravedad: -

Avera:
Avera: Faltante
Gravedad: -
Avera: Faltante
Gravedad: -
Lugar:
Avera: Proyeccin
Gravedad: -
Avera: Proyeccin
Gravedad: -
Avera: Proyeccin
Gravedad: -
Modelos:
Modelo: Modelo 10
Avera: Proyeccin
Gravedad: -
Modelo: Modelo 10
Avera: Proyeccin
Gravedad: -
Modelo: Modelo 10
Avera: Proyeccin
Gravedad: -

8.5.2. Evaluacin de los resultados en trminos de objetivos de negocio.

En este tems se van a describir los resultados obtenidos de la explotacin de datos en funcin de los
objetivos de negocio propuesto para el presente estudio.

Cada perodo analizado contiene como resultado informacin detallada sobre daos, tipo de daos,
lugares, transportes y modelos de autos, los cuales se encuentran relacionados entre si y permiten
ver un comportamiento que se va a tratar de describir claramente.

Existen objetivos de negocios especficamente vinculados con resultados estadsticos como
cantidades, cantidades totales, porcentajes, mximos, mnimos, etc. los cuales fueron explicitados
en los puntos desarrollados por el proyecto en la parte de exploracin de datos, evaluacin de
resultados y resumen de los resultados obtenidos. Ahora se va a tratar de describir los
comportamientos y conductas de los datos explotados para de esta forma concluir con la evaluacin
final de la minera de datos desarrollada.

8.5.2.1. Tipos de averas.

Los Tipos de Averas predominantes a lo largo de los perodos analizados son abollados, rayados o
rozados, pinturas saltadas y faltantes. Entre estos 4 Tipos de Averas se encuentra ms del 90 % de
los siniestros en cada perodo.

El perodo 1 y 2 se caracteriza en primer lugar por el Tipo de Avera abollado con 59 y 50 %
respectivamente, luego el rayado o rozado con 22 y 29 % respectivamente y luego el pintura
saltada con el 10 % y 14 % respectivamente. En el segundo perodo aparece la avera faltante con el
3 % de ocurrencia. Y finalmente en el perodo 2 aparece por nica vez a un nivel aceptable de
ocurrencia para ser mencionado el Tipo de Avera manchado con un 3 %.

Luego analizando el perodo 3 se puede ver que los niveles de ocurrencia de las averas cambia
teniendo en primer lugar los abollados con 44 %, luego el 34 % para rayados o rozados, en tercer
lugar el 15 % de averas son pintura saltada y finalmente el 5 % de tipo de averas son faltantes.

El cuarto y quinto perodo contienen exactamente los mismos tipos de averas con un leve cambio
en la distribucin de los porcentajes de ocurrencia. Esto es, en primer lugar el Tipo de Avera
rayado o rozado con 45 y 48 % para cada perodo respectivamente, luego aparecen los abollados
con 28 y 29 % respectivamente, en tercer lugar se encuentra el Tipo de Avera pintura saltada con el
15 y 13 % respectivamente, y para terminar, en ambos perodos aparece la ocurrencia de los
faltantes con el 7 y el 6 % respectivamente.

El perodo 6 presenta en la ocurrencia de los Tipos de Averas la misma distribucin en cuanto a
porcentajes del perodo 3. O sea que en primer lugar se ve un 45 % de averas abollado, luego un 40
% de Tipos de Averas rayado o rozado, en tercer lugar pintura saltada con un 7 % y finalmente otro
7 % para los faltantes.

Los perodos 7, 8 y 9 presentan la ocurrencia exactamente de los mismos tipos de averas. Los
porcentajes se distribuyen de la siguiente forma: en primer lugar rayado o rozado con el 47, 43 y 66
% respectivamente, luego en segundo lugar los abollados con el 30, 25 y 14 % respectivamente, en
tercer lugar aparecen los faltantes con el 14, 20 y 9 % respectivamente, y finalmente se observan los
tipos de averas de pintura saltada con el 5 % para el perodo 7 y el 8 % para los perodos 8 y 9.

Para concluir con el anlisis de los resultados de los Tipos de Averas ocurridos de ste punto se
puede ver que en el perodo 10 con un particular cambio en la posicin de los porcentajes de
ocurrencia en el segundo lugar aparecen los faltantes con un 32 %. En primer lugar tenemos el
rayado rozado con el 41 %. Y en el tercer y cuarto lugar se encuentran los abollados y pintura
saltada con el 14 y 6 % respectivamente.


8.5.2.2. Lugares.

Para los 6 primeros perodos del presente estudio los lugares predominantes donde ocurrieron las
averas son a la Subida de Buque en Puerto de Origen con el 74, 83, 76, 47, 32 y 42
respectivamente. Los motivos por los cuales se produjo el cambio son fundamentalmente por la
decisin poltica de la empresa vinculada a la implementacin de mayores controles debido al alto
porcentaje de siniestralidad. Ese motivo no es incumbencia del presente estudio por lo cual solo es
mencionado sin realizar el estudio y/o anlisis del cambio ejecutado por la compaa.

Los tres primeros perodos se caracterizan en segundo lugar por la ocurrencia de las averas en las
operaciones de Bajada de Buque con el 10, el 6 y el 9 % respectivamente. Los siguientes tres
perodos el segundo lugar de ocurrencia es Retiro Fbrica de Origen 15, 23 y 17 % respectivamente.

Para el tercer lugar en la ocurrencia de averas se haya el mismo comportamiento que para el
segundo lugar para los 6 primeros perodos. Esto es, los tres primeros perodos tienen como tercer
lugar de ocurrencia de averas el Ingreso a Puerto con el 5, el 6 y el 9 % respectivamente. Luego en
los siguientes tres perodos cambia por Bajada de Buque con 15, 20 y 15 % respectivamente.

Para concluir con el anlisis de los 6 primeros perodos se ve que en el cuarto lugar para el perodo
1, 2 y 3 se encuentran los lugares de Transferencia Ubicacin y Lnea de Carga (5 %), Retiro de
Puerto (2 %) y Subida a Buque (4 %). Luego para los perodos 4, 5 y 6 se encuentra en cuarto lugar
la ocurrencia de averas en Ingreso a Puerto con el 13, 14 y 13 % de ocurrencia respectivamente.

Para los perodos 7, 8, 9 y 10 se produce un cambio en los porcentajes de ocurrencia de mayor a
menor nivel de averas. En el perodo 7 el mayor nivel de ocurrencia se ve en el Ingreso a Puerto
con el 40 %. Luego se reduce a un 21 % en la Bajada de Buque. En tercer lugar en el perodo 7 se
encuentra la Transferencia Ubicacin y Lnea de Carga y finalmente con un porcentaje mnimo del
10 % y 6 % se encuentran la Subida a Buque y Subida a Buque Puerto de Origen respectivamente.
Bsicamente estos dos ltimos lugares son similares operativamente pero se diferencian
especficamente por el lugar fsico. Esta similitud ser evaluada en los puntos siguientes donde se
analiza la imputabilidad de las averas en funcin de los tipos de transportes.

El perodo 8 y 9 coinciden en cuatro lugares con el mismo nivel de ocurrencia en porcentajes. En
primer trmino el lugar Transferencia Ubicacin y Lnea de Carga con el 48 y el 63 %
respectivamente. Luego en el segundo puesto el lugar Ingreso a Puerto con el 19 y 16 %
respectivamente. En tercer lugar las ocurrencias se producen en la Bajada de Buque con el 7 % en
ambos perodos. Para concluir el anlisis de estos dos perodos se ve que en el perodo hay un
pequeo porcentaje (5 %) correspondiente al lugar Retiro de Puerto.

Para terminar con el anlisis de los lugares donde se producen las averas se ve que en el perodo 10
el 56 % de ocurrencia de averas se produce en el lugar Transferencia Ubicacin y Lnea de Carga,
luego el segundo lugar donde se producen las averas con mayor frecuencia en es Ingreso a Puerto
con el 17 %. En tercer lugar se observa que la Subida a Buque tiene el 11 % de ocurrencia de
averas. Finalmente los lugares Subida a Buque Puerto de Origen y Bajada de Buque son los de
menor ocurrencia con el 8 y el 6 % respectivamente.

8.5.2.3. Modelos.

Como particular comportamiento se puede ver que en 9 de los 10 perodos analizados un 50 % 6
% de los datos explotados giran en torno a un solo modelo.

El primer perodo tiene al Modelo 9 (46 %) como de mayor ocurrencia de averas, seguido por el
Modelo 17 con el 29 %. En tercer lugar se encuentra el Modelo 5 y 20 con el 6 %, y finalmente con
el 5 % se ve la ocurrencia de averas sobre el Modelo 18 y 13.

Los perodos 2 y 3 tienen en primera instancia con mayor nivel de ocurrencia de averas al Modelo
17 (47 y 56 % respectivamente) y luego al Modelo 9 (32 y 15 % respectivamente). Luego en el
perodo 2 sigue el Modelo 13 con el 10 %, en cuarto lugar el Modelo 20 con el 6 % y finalmente el
Modelo 18 con el 4 %. Para el perodo 3 se ve que en el tercer lugar se encuentra el Modelo 20 con
el 12 %, luego el Modelo 13 con el 9 % y finalmente el Modelo 5 con el 5 % de ocurrencia de
averas.

En los perodos 4, 5 y 6 el Modelo con mayor cantidad de ocurrencia de averas es el 17 (51, 47 y
40 % respectivamente). Luego en el perodo 4 se ve el Modelo 20 con el 15 %, en tercer lugar el
Modelo 8 con el 12 % y en cuarto y quinto lugar los Modelos 9 y 5 con el 11 y el 5 %
respectivamente. El perodo 5 tiene en segundo lugar de ocurrencia de averas al Modelo 8 con el 16
%, luego el Modelo 9 con el 12 %, y finalmente el Modelo 5 y 20 con el 10 y el 5 %
respectivamente. El perodo 6 tiene en segundo lugar al Modelo 9 con el 21 %, luego en tercer lugar
el Modelo 5 con el 14 %, en cuarto lugar el Modelo 20 con el 12 % y finalmente el Modelo 8 con el
8 %.

Los perodos 7 y 8 se caracterizan por la mayor ocurrencia de averas en los Modelos 20 (50 y 47 %
respectivamente) y 5 (22 y 24 % respectivamente) en primer y segundo lugar respectivamente. En
el perodo 7 se ve en tercer lugar al Modelo 10 con el 10 % de ocurrencia de averas y luego los
Modelos 9 y 13 con el 7 y 4 % respectivamente. En el perodo 8 se encuentra en el tercer lugar de
ocurrencia de averas el Modelo 13 con el 9 % y luego los Modelos 9 y 17 con el 7 y el 4 %
respectivamente.

Finalmente analizados los datos del perodo 9 y 10 considerando la ocurrencia de averas en los
Modelos se puede ver que tienen la misma ubicacin en porcentajes de ocurrencia. El Modelo 20 es
el de mayor ocurrencia con el 54 % para el perodo 9 y el 48 % para el perodo 10. En segundo
lugar en ambos perodos se encuentra el Modelo 7 con el 24 y el 34 % respectivamente para cada
perodo. Luego en tercer lugar se encuentra el Modelo nmero 5 con el 12 y el 8 % respectivamente
para cada perodo. El Modelo 13 ocupa el cuarto lugar de ocurrencia de averas con el 5 y 3 %
respectivamente. Para terminar se menciona con el menor porcentaje de ocurrencia el Modelo 9 con
el 2 y el 3 % de nivel de ocurrencia para los perodos 9 y 10 respectivamente.

8.5.2.4. Partes, Averas y Gravedad.

La estructura de las averas estudiadas en el presente proyecto es Parte +Avera +Gravedad. En
este punto se evalan los resultados de la explotacin de datos combinando los tres parmetros en
cada uno de los perodos.

Para el primer perodo se puede ver que la media general es:
Es un tipo de dao vlido y est relacionada con el robo de esa parte.
Los centroides que pueden representar un tipo de ocurrencia de avera mnimo son:
Luz trasera izquierda, Faltante, Mediano (13 %).
Cubierta delantera izquierda, Rayado Rozado, Mediano (3 %).
En ambos casos su ocurrencia es poco probable y los porcentajes arrojados por la explotacin de
datos no tienen relacin con la realidad.

Finalmente para el primer perodo se observan los centroides compuesto por:
Panel lateral izquierdo, Abollado, Leve (21 %)
Panel lateral derecho, Abollado, Mediano (7 %)
Se puede concluir para este perodo que hay un comportamiento particular debido a que la media
global de dao no se corresponde con ninguno de los centroides formados. Posiblemente el
resultado se debe al hecho que el nmero que caracteriza al Tipo de Avera Faltante (7) se encuentra
entre los dos Tipos de Avera de mayor ocurrencia en el perodo (Abollado 6 y Rozado Rayado
9).

El perodo dos est caracterizado por la media global igual al periodo anterior:
Al igual que en el periodo anterior se puede ver que la media global no tiene relacin con los datos
generados por los centroides que participan con resultado vlido.
El centroide compuesto por:
Cristales de parante delantero, Faltante, Intolerable (6 %).
Tiene poco grado de ocurrencia en la realidad, pero puede llegar a tener aparicin entre los
siniestros.
En cuanto al centroide real representativo de este periodo se encuentra:
Otros, Abollado, Leve (37 %).
Este tipo de daos est vinculado directamente a la posibilidad de encontrar abolladuras en
diferentes partes de las unidades.
Como conclusin de este periodo tambin se puede decir que el hecho de no haber relacin entre la
media global y los resultados posibles obtenidos se debe a una cuestin especficamente
matemtica.

Siguiendo con los centroides del periodos 3 se puede ver que la media global contina siendo:
Tapa acceso gancho remolque, Faltante, Leve.
Pero la caracterstica distintiva de la media para este perodo es que su gravedad es leve y no
mediana como en los dos perodos anteriores.
Este periodo se caracteriza por estos dos tipos de daos:
Paragolpe trasero / Zona contacto, Rayado Rozado, Grave (1 %).
Tapa acceso gancho remolque, Faltante (89 %).
Aqu si se puede ver la relacin directa entre la avera con nivel porcentual ms alto ocurrido en el
perodo y la media global. Sin embargo no hay correspondencia entre el tipo de avera con mayor
cantidad de ocurrencia y el tipo de avera que compone el dao que caracteriza al centroide de
mayor porcentaje.

El periodo cuatro contiene como media global:
Guardabarro trasero derecho, Faltante.
Al evaluar la ocurrencia de este evento en la base de datos se puede ver que no tiene posibilidad real
de combinacin. Posiblemente su aparicin en la media es solo a los efectos de clculos
matemticos.
Analizando el centroide:
Zcalo izquierdo, Manchado, Observada (1 %).
Se puede concluir que el porcentaje de ocurrencia en la realidad es mnimo como est representado
por el porcentaje de la explotacin de los datos.
En cuanto a los centroides que caracterizan a este periodo:
Capot, Rayado Rozado, Observada (2 %).
Panel trasero bajo bal, Rayado Rozado, Observada (3%).
Llanta delantera izquierda, Abollado, Observada (18 %).

Se puede ver que las mismas son solo averas del tipo leve debido a que las mismas solo aparecen
como observaciones.

En el quinto periodo el dao con media global es:
Este dao coincide con el dao de centroide de mayor ocurrencia de este periodo pero el mismo no
aparece en la base de datos estudiada. Al igual que en los casos anteriores posiblemente su
aparicin solo se debe a cuestiones de clculo matemtico. Y para reforzar la conclusin tambin se
debe mencionar que la mayor cantidad de tipos de avera para este periodo no es el Faltante sino el
Abollado.
En cuanto a los centroides que aparecen con posibilidad de ocurrencia baja en la realidad se
encuentra:
Barras de techo, Rayado Rozado, Observada (3 %).
El 3 % indica cantidad de ocurrencia numerosa en relacin a la cantidad verificada sobre la base de
datos.
Los centroides que caracterizan este periodo son:
Retrovisor externo izquierdo, Pintura saltada, Observada (4 %).
Tapa tanque combustible, Rayado Rozado, Observada ( 1 %).
Si bien no representan un porcentaje importante de ocurrencia son los nicos cuyo resultado en la
verificacin de datos tienen ocurrencia vlida.

Como en el periodo 5, en el periodo 6 la media global de dao ocurrido no encuentra validez
cruzando los datos de la base de datos explotada:
Este dao no tiene posibilidad de ocurrencia real.
En cuanto a los centroides que caracterizan al periodo:
Capot, Rayado Rozado, Observada (1 %).
Panel trasero bajo bal, Rayado Rozado, Observada (1 %).
Estos dos centroides representan un porcentaje mnimo de ocurrencia en funcin de la cantidad de
datos introducidos en el modelo.

En el periodo 7 tampoco se encuentra correspondencia entre la media global y los datos explotados:
En cuanto al centroide que caracteriza este periodo se ve:
Bolsa de herramientas, Arrancado - Roto Fisurado, Observada (1 %).
El porcentaje de ocurrencia es mnimo.

El periodo 8 tiene como media global:
Y al igual que en el periodo anterior este centroide no represente ocurrencia real en la base datos.
En cuanto a los centroides representativo de este periodo:
Paragolpe delantero / Protector delantero, Rayado Rozado, Observada (2 %).
Paragolpe trasero / Spoiler trasero, Rayado Rozado, Observada (2 %).
Luz de neblina trasera, Faltante, Observada (14 %).

El periodo 9 tiene como media global:
Taza, Proyeccin.
El centroide ms importante no representa una avera real.
El cluster representativo de este periodo es:
Guardabarros y parante trasero izquierdo, Rayado Rozado, Observada (4 %).

Llanta trasera izquierda, Rayado Rozado, Observada (1 %).
Este representa un porcentaje mnimo de ocurrencia en la base de datos explotada.

La media global que representa este periodo es:
Tampoco es una combinacin de dao vlida y adems no se corresponde con el tipo de avera ms
producido en este periodo.
Los centroides que representan este periodo son ms representativos y arrojan mayor probabilidad
de ocurrencia que en los periodos anteriores:
Paragolpe delantero / Protector delantero, Rayado Rozado, Observada (2 %).
Moldura protectora lateral izquierda, Rayado Rozado, Observada (17 %).
Retrovisor externo derecho, Faltante (79 %).

Para finalizar con el desarrollo de este punto del Clustering de daos considerando Parte +Tipo de
Avera +Gravedad es difcil tomar como valores vlidos factibles de dar algn tipo de informacin
en relacin al comportamiento de las averas debido especficamente a que la combinacin de los
parmetros que definen un dao es excluyente. Es decir que hay combinaciones de cdigos de
partes, averas y gravedades que en la realidad no se van a producir e inclusive en la prctica
algunas veces son poco frecuentes y no justifican su estudio.

El desarrollo del Clustering evaluando cada uno de los grupos separando por cada una de sus partes
si resulta de validez para el modelo y si arroja resultados factibles de ser estudiados para determinar
un comportamiento de los siniestros.

En los puntos que continan en el presente trabajo se seguir evaluando la informacin suministrada
por el agrupamiento de datos considerando los daos imputables a un modelo o a un determinado
lugar, por lo tanto es viable la posibilidad que el agrupamiento de datos arroje resultados que
permitan representar fehacientemente el comportamiento de los daos en las unidades automotrices.

8.5.2.5. Lugares, Partes y Tipos de Averas.

Analizando el resultado del primer periodo podemos ver que la media global contemplando la
gravedad de una avera y sin contemplarla arrojan como dao:
La gravedad de la media global es: Mediano.
En cuanto a los resultados sin contemplar la gravedad de la avera podemos ver:
Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante (87 %).
Luego se puede visualizar el siguiente resultado:
Transferencia ubicacin y lnea de carga, Luz de neblina trasera, Exceso kilometraje (6
%).
Transferencia ubicacin y lnea de carga, Luz de neblina trasera, Abollado (2 %).
Si bien tanto el lugar como la parte averiada suman un 8 % de ocurrencia, los porcentajes se dividen
entre el 6 % y 2 % para diferentes tipos de averas.
Finalmente se puede ver que los daos:
Ingreso a Puerto, Cubierta delantera derecha, Abollado (2 %).
Ingreso a Puerto, Paragolpe delantero / Superior, Rayado Rozado (1 %).
Ingreso a Puerto, Techo corredizo, Faltante (1 %).
Ingreso a Puerto, Luz trasera izquierda, Abollado (1 %).
El 5 % del total de averas ocurren en el ingreso a puerto, pero las partes se distribuyen en tres
grupos 3 % de abolladuras, 1 % de rayados o rozados y 1 % de faltantes.

Si los datos procesados contemplan la gravedad de una avera los resultados cambian. Los daos
que encabezan el mayor porcentaje de ocurrencias son:
Subida Buque Puerto de Origen, Llave, Abollado, Leve (42 %).
Retiro de Puerto, Cristales de parante delantero, Abollado, Grave (20 %).
Subida Buque Puerto de Origen, Cable de carga, Faltante, Mediano (12 %).
Subida Buque Puerto de Origen, Guardabarro delantero izquierdo, Rayado Rozado,
Mediano (2 %).
Analizando estos datos se puede ver que las averas ocurren en un 56 % en la subida a buque. Pero
los tipos de averas se dividen solo en tres, por un lado el 62 % de abolladuras, el 12 % son faltantes
y por otro solo el 2 % corresponde a rayados o rozados. Y en cuanto a las partes no sucede lo
mismo puesto que se dividen en 4 partes, el 42 % corresponden a llaves, el 20 % a los cristales de
parante delantero, el 12 % se refiere a los cables de carga o bien en un 2 % a guardabarros delantero
izquierdo. Finalmente se ve que los las gravedades varan en leves 42 %, graves 20 % y medianos
en un 2 %.
Luego se ve la siguiente distribucin de ocurrencia de averas donde es considerada la gravedad:
Bajada de Buque, Tapizado interno puerta delantera izquierda, Rayado Rozado,
Mediano (12 %).
Ingreso a Puerto, Moldura protectora lateral derecha, Rayado Rozado, Leve (10 %).
Transferencia ubicacin y lnea de carga, Insignia, Faltante, Leve (2 %).
Solo se puede hacer la observacin referida a que solo participa de esta distribucin dos tipos de
averas por un lado el 22 % de rayados o rozados leves y por otro el 2 % de faltantes leves.

El segundo periodo tiene menor cantidad de centroides. En cuanto a la media global tambin como
en el periodo anterior con la participacin y sin la participacin de la severidad de los daos, la
avera es la misma y en el mismo lugar:
Si se especifica la gravedad esta es media.
Sin la consideracin de los datos de gravedad se observa:
Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante (92 %).
Adems el resultado en evaluacin tiene coherencia entre la avera y la parte del auto involucrada.
Para concluir con esta parte se pueden ver porcentajes mnimos en:
Transferencia ubicacin y lnea de carga, Otros, Abollado (3 %).
Transferencia ubicacin y lnea de carga, Puerta delantera izquierda, Rayado
Rozado (1 %).
Ingreso a Puerto, Techo corredizo, Rayado Rozado (2 %).
Ingreso a Puerto, Puerta trasera derecha, Rayado Rozado (1 %).
Aqu se puede agrupar los lugares de averas en dos, el primero referido a la transferencia en lnea
de carga (4 %) y el segundo en el ingreso a puerto (3 %). Mientras que los tipos de averas son
tambin son dos, rayados o rozados con un 4 % y los abollados con un 3 %. Las partes si estn
divididas en cuatro partes en funcin de los centroides definidos.
Pasando a la evaluacin de los resultados considerando la gravedad de las averas en los lugares en
estudio se ve que produce una dispersin de los porcentajes de mayor ocurrencia:
Bajada de Buque, Panel lateral izquierdo, Faltante, Leve (39 %).
Bajada de Buque, Llanta delantera derecha, Abollado, Leve (33 %).
El 72 % se produce en la bajada de un buque. En cuanto a los tipos de averas se observa faltantes
con el 39 % y abollados con el 33 %. Y en relacin a las partes involucradas se puede ver que
ocurren en el panel lateral izquierdo y las llantas delanteras derechas. En los dos casos la gravedad
es solo leve.
Finalmente se ve que los porcentajes mnimos de ocurrencia de avera se producen segn la
siguiente distribucin:

Bajada de Buque, Cristales de parante delantero, Faltante, Intolerable (5 %).
Bajada de Buque, Llanta delantera derecha, Faltante, Grave (8 %).
Retiro de Puerto, Guardabarro trasero derecho, Faltante, Grave (13 %).
Ingreso a Puerto, Tapa posterior de techo, Pintura saltada, Mediano (2 %).
Se observa que el 13 % ocurren en la bajada de un buque, un 13 % en el retiro de un puerto y solo
un 2 % en ele ingreso a un puerto. En canto a los tipos de averas solo se presentan dos, los faltantes
con el 26 % y un 2 % para pinturas saltadas. En referencia a las partes involucradas ests se
distribuyen en cuatro en funcin de los centroides generados, un 13 % de guardabarros traseros
derechas, un 8 % de llantas delanteras derechas, un 5 % de cristales de parantes delanteros y un 2 %
de tapas posteriores de techo. Finalmente se observa que las gravedades encontradas se dividen en
tres grupos, 21 % de graves, 5 % de intolerables y 2 % de medias.

El tercer periodo se caracteriza por el dao global:
Y si se contempla la gravedad, esta es leve.
El lugar ms importante donde ocurren las averas sin considerar su gravedad es:
Transferencia ubicacin y lnea de carga, Bolsa de herramientas, Faltante (87 %).
Luego en porcentajes mnimos se puede ver:
Ingreso a Puerto, Paragolpe trasero / Zona contacto, Rayado Rozado (6 %).
Ingreso a Puerto, Luz de neblina trasera, Abollado (3 %).
Ingreso a Puerto, Barras de techo, Pintura saltada (1 %).
Ingreso a Puerto, Guardabarro trasero derecho, Pintura saltada (1 %).
Ingreso a Puerto, Luz de patente trasera, Rayado Rozado (1 %).
Transferencia ubicacin y lnea de carga, Retrovisor externo izquierdo, Rayado
Rozado (1 %).
Se observa que el 12 % de averas se produce en el ingreso a un puerto y solo el 1 % a los lugares
vinculados a la transferencia y lnea de carga. En cuanto a las apartes afectadas se puede ver otra
distribucin entre los porcentajes mnimos, esto es: un 6 % para los paragolpes traseros, un 3 %
para las luces de neblina trasera, un 1 % para las barras de techo al igual que los guardabarros
traseros derechos, las luces de patente traseras y los retrovisores externos izquierdos. En cuanto a
los tipos de averas se observa que el 8 % son rayados o rozados, el 3 % son abollados y solo un 1
% para pintura saltada.
Analizado los datos considerando la gravedad de las averas se observa:
Subida Buque Puerto de Origen, Otros, Faltante (78 %).
Se ve que el mayor porcentaje de incidentes se realiza a la subida a un buque.
Los porcentajes mnimos de ocurrencia se observan en:
Ingreso a Puerto, Retrovisor externo derecho, Proyeccin (11 %).
Subida Buque Puerto de Origen, Giro Delantero (derecho / izquierdo), Faltante, Grave
(9 %).
Ingreso a Puerto, Alfombra suplementarias, Proyeccin, Grave (1 %).
Ingreso a Puerto, Luz de neblina trasera, Faltante, Grave (1 %).
El 13 % ocurre al ingreso a un puerto mientras que un 9 % ocurre a la subida a un buque. En cuanto
a las partes que intervienen se observa que el 11 % se produce en retrovisores externos derechos, un
9 % en giros delanteros derechos o izquierdos, un 1 % son sobre las alfombras suplementarias y un
1 % sobre las luces de neblina trasera. En relacin a los tipos de averas se observa que el 12 % son
de tipo proyeccin y un 10 % de faltantes. Finalmente se observa que las averas ocurridas son
graves.


El cuarto periodo se caracteriza por averas global en retiro de puerto. Las partes que hacen a la
media global son el guardabarros trasero derecho. En cuanto al tipo de avera de la media son los
faltantes. La severidad de las averas de la media si es considerada es grave.
Los porcentajes de averas si la consideracin de la gravedad no es tenida en cuenta es la siguiente:
Retiro de Puerto, Puerta trasera derecha, Faltante (81) %)
El mayor ndice de siniestralidad no coincide con la media global solo en la parte daada pero si en
el lugar y el tipo de dao.
Luego los porcentajes de siniestralidad bajan agrupndose de la siguiente manera:
Ingreso a Puerto, Capot, Rayado Rozado (2 %).
Subida Buque Puerto de Origen, Tapa posterior de techo, Rayado Rozado (3 %).
Retiro de Puerto, Taza, Faltante (6 %).
Retiro de Puerto, Llanta delantera izquierda, Faltante (8 %).
El 3 % se producen en la subida al buque, el 2 % en el ingreso a puerto y el 14 % en el retiro de
puerto. Las averas en los dos primero lugares son rayados y rozados y en retiro de puerto son
faltantes. Y las partes de los autos involucradas se dividen en un 2 % capot, un 3 % a las tapas
posteriores de techos, un 6 % a las tazas y 8 % a las llantas delanteras izquierdas.

Si la gravedad es considerada el mayor porcentaje de ocurrencia es en:
Bajada de Buque, Zcalo derecho, Faltante (60 %).
Luego los porcentajes se agrupan de la siguiente forma:
Subida Buque Puerto de Origen, Escape, Faltante, Observada (22 %).
Ingreso a Puerto, Cubierta delantera derecha, Faltante (11 %).
Ingreso a Puerto, Luz de neblina trasera, Proyeccin, Observada (4 %).
Ingreso a Puerto, Capot, Rayado Rozado, Observada (2 %).
Ingreso a Puerto, Parabrisa, Faltante, Observada (1 %).
El 22 % se produce en la subida a buque y el 18 % en el ingreso a puerto. En referencia a las partes
se distribuyen en 11 % cubiertas delanteras derechas, 4 % luces de neblina traseras, 2 % en capot y
el 1 % en parabrisas. En relacin a los tipos de averas se dividen en faltantes con un 34 %, un 4 %
proyecciones y un 2 % rayados o rozados. Y finalmente la severidad de las averas se distribuye en
un 29 % de solo observaciones y 11 % graves.

La media global para el quinto periodo se define en:
La severidad es grave si es considerada.
Si no se considera la gravedad de las averas la ocurrencia de los siniestros se desarrolla de la
siguiente manera:
Retiro de Puerto, Cristales de parante delantero, Faltante (66 %).
Luego el porcentaje baja y se distribuye como sigue:
Retiro Fbrica de Origen, Paragolpe trasero / Spoiler trasero, Rayado Rozado (26
%).
Bajada de Buque, Antena, Proyeccin (5 %).
Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado - Rozado (2
%).
Bajada de Buque, Paragolpe delantero / Superior, Rayado Rozado (1 %).
Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero Rayado
Rozado (1 %).
En retiro de fbrica se produce el 26 % de las averas de este periodo, en bajada de buque el 8 % y
el 1 % en subida a buque. Luego analizando los resultados de las partes se ve que el paragolpe
delantero o protector delantero tiene un 3 %, antenas un 5 % y el 26 % los paragolpes traseros o

spoilers traseros. En cuanto a las averas ests se caracterizan por rayado o rozado 30 % y el 5 %
proyecciones.
Considerando la gravedad de las averas se observa que el mayor porcentaje de siniestralidad de
este periodo es:
Subida Buque Puerto de Origen, Guardabarro delantero derecho, Faltante (76 %).
Luego los menores porcentajes se definen en los siguientes centroides:
Ingreso a Puerto, Llanta delantera derecha, Proyeccin, Observada (6 %).
Bajada de Buque, Zcalo derecho, Faltante, Observada (4 %).
Ingreso a Puerto, Llanta delantera izquierda, Proyeccin (3 %).
Ingreso a Puerto, Techo (inclusive convertible), Rayado Rozado (2 %).
Ingreso a Puerto, Otros, Abollado (5 %).
Ingreso a Puerto, Techo (inclusive convertible), Pintura saltada (4 %).
En ingreso a puerto se produce el 20 % y el 4 % en la bajada de buque. En referencia a los tipos de
averas se subdividen en 9 % proyecciones, faltantes 4 %, rayados o rozados 2 %, un 5 % de
abollados y el 4 % pinturas saltadas. Observando las partes afectadas stas se dividen en llantas
delanteras derechas el 6 %, llanta delanteras izquierdas 3 %, zcalos derechos 4 %, techos
(inclusive convertibles) 2 % y otros el 5 %. Finalmente se observa que el 10 % son solo
observaciones y el 14 %

A continuacin se realiza la evaluacin de los datos explotados para el periodo seis. Se puede ver
que la media global est constituida por:
Y si la severidad es considerada esta es grave.
Analizados los datos del periodo seis sin la consideracin de la gravedad de las averas se observa
como ocurrencia predominante:
Subida Buque Puerto de Origen, Guardabarro trasero derecho, Faltante (79 %).
El lugar especificado y el dao no coincide con la media global salvo en el tipo de avera que es
Faltante.
En cuanto a los porcentajes de ocurrencia menor esos se distribuyen de la siguiente manera:
Ingreso a Puerto, Tapa acceso gancho remolque, Faltante (12 %).
Ingreso a Puerto, Zcalo interno puerta delantera izquierda, Rayado Rozado (3 %).
Ingreso a Puerto, Paragolpe delantero / Protector delantero, Rayado Rozado (2 %).
Transferencia ubicacin y lnea de carga, Spoiler delantero, Rayado Rozado (1 %).
Transferencia ubicacin y lnea de carga, Paragolpe delantero / Protector delantero,
Rayado Rozado (1 %).
Transferencia ubicacin y lnea de carga, Llave, Abollado (1 %).
Se observa que el 15 % de las averas se producen en el ingreso a un puerto. Las partes
intervinientes son las tapas de acceso a gancho de remolque con un 12 %, luego los zcalos internos
de puerta delantera izquierda con el 3 %, el paragolpe delantero o protector delantero con un 3 %, el
spoiler delantero con el 1 % al igual que las llaves con el 1 %. Luego se observa que las averas se
distribuyen en: un 7 % de rayados o rozados, un 12 % de faltantes y solo un 1 % de abollados.
Pasando al caso donde las severidades son consideradas se observa lo siguiente:
Bajada de Buque, Zcalo derecho, Faltante (88 %).
El mayor porcentaje de ocurrencia tampoco coincide con la media global del periodo salvo en el
tipo de averas que es Faltante.
Luego en porcentajes inferiores se observa:
Bajada de Buque, Tapa acceso gancho remolque, Abollado, Observada (7 %).
Bajada de Buque, Moldura protectora lateral derecha, Faltante, Observada (3 %).
Ingreso a Puerto, Tapa posterior de techo, Rayado Rozado, Observada (1 %).

Transferencia ubicacin y lnea de carga, Puerta trasera izquierda, Abollado,
Observada (1 %).
Los daos ocurren en un 10 % a la bajada del buque, en un 1 % en el ingreso al puerto y al igual
que en la transferencia de ubicacin y lnea de carga. En referencia a los tipos de averas se observa
que el 8 % son abollados, el 3 % faltantes y el 1 % rayados o rozados. En cuanto a las partes
observadas se ve que el 7 % pertenece a las tapas de acceso a gancho de remolque, el 3 % a moldura
protectora lateral derecha, y el 1 % para tapa posterior de techo al igual que la puerta trasera
izquierda. Finalmente se observa que la severidad de la avera es solamente observable en todos los
casos (12 %).

La media global del sptimo periodo est caracterizada por los daos:
Si la gravedad es considerada entonces esta es grave.
Observando los resultados del procesamiento sin considerar la gravedad de los daos se puede ver
que hay una distribucin homognea de los centroides. Esto es:
Ingreso a Puerto, Parabrisa, Proyeccin (33 %).
Bajada de Buque, Guardabarro delantero izquierdo, Abollado (18 %).
Ingreso a Puerto, Faro de stop luneta, Abollado (18 %).
Ingreso a Puerto, Llave, Rayado Rozado (16 %).
Bajada de Buque, Manijas externas de puertas traseras, Proyeccin (12 %).
Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado Rozado (2 %).
Las averas son producidas en un 67 % en el ingreso a puerto y el 32 % en la bajada de buque. En
referencia a las partes afectadas se divide en: un 33 % de parabrisas, 18 % guardabarros delanteros
izquierdos al igual que los faros de stop de luneta, el 17 % de llaves, el 12 % de manijas externas de
puertas traseras y el 2 % de paragolpes delanteros o protectores delanteros. Finalmente los tipos de
averas son de proyeccin en un 45 %, un 36 % de abollados y el 18 de rayados o rozados.

Luego analizando los resultados del proceso contemplando la severidad de las averas el resultado
es:
Transferencia ubicacin y lnea de carga, Guardabarro delantero derecho, Faltante (86
%).
En esta parte si el resultado muestra un mayor predominio en un centroide con casi un 90 % de
ocurrencia. Adems se observa que tanto el lugar como la avera coinciden con la media global.
Luego los centroides se dividen en menor porcentaje de la siguiente manera:
Ingreso a Puerto, Guardabarro delantero derecho, Faltante, Observada (10 %).
Bajada de Buque, Parrilla delantera, Abollado, Observada (3 %).
Bajada de Buque, Panel trasero bajo bal, Rayado Rozado, Observada (1 %).
Bajada de Buque, Alfombra suplementarias, Proyeccin, Observada (1 %).
Los lugares de ocurrencia se mantienen como en el tem anterior. El 10 % suceden en el ingreso al
puerto y el 5 % en la bajada de buque. En cuanto a las partes que intervienen se observa el 10 % son
guardabarros delanteros derechos, el 3 % en parrillas delanteras, y el 1 % tanto para los paneles
traseros bajo bal como para alfombras suplementarias. En referencia al tipo de averas estas se
subdividen en 10 % de faltantes, 3 % de abollados, y 1 % de rayados y rozados al igual que
proyecciones. Finalmente se ve que la gravedad de las averas son solo observadas (15 %).

El octavo periodo es caracterizado por la media global:
Esta es la misma que para el periodo anterior tanto en el lugar de ocurrencia como el tipo de avera
y la gravedad de la misma.

Luego si se analiza detalladamente la distribucin de las averas sin considerar la gravedad del
mismo se observa una distribucin pareja entre los diferentes centroides generados.
Esto es:
Bajada de Buque, Moldura protectora lateral derecha, Faltante (30 %).
Transferencia ubicacin y lnea de carga, Manual, Faltante (24 %).
Ingreso a Puerto, Puerta trasera izquierda, Proyeccin (20 %).
Transferencia ubicacin y lnea de carga, Techo (inclusive convertible), Rayado
Rozado (17 %).
Transferencia ubicacin y lnea de carga, Guardabarro trasero derecho, Pintura
saltada (10 %).
Los lugares de ocurrencia se distribuyen entre un 30 % en la bajada de buque, el 51 % en la
transferencia de ubicacin de lnea de carga y el 20 en el ingreso a puerto. En referencia a las partes
averiadas se observa el 30 % en moldura protectora lateral derecha, el 24 % de manuales, el 20 de
puertas traseras izquierdas, el 17 % techos (inclusive convertibles) y el 10 % de guardabarros
traseros derechos. En relacin a los tipos de averas se observa que el 54 % son faltantes, el 20 %
son proyecciones, el 17 % de rayados y rozados y el 10 de pinturas saltadas.
Analizando los datos considerando la gravedad de las averas se observa que, al igual que en el
periodo anterior, se centralizan en un centroide. Esto es:
Transferencia ubicacin y lnea de carga, Zcalo derecho, Faltante (78 %).
Donde la misma coincide con la media global en el lugar, el tipo de avera y la gravedad.
Luego se observa que:
Subida Buque Puerto de Origen, Panel lateral derecho, Abollado, Observada (12 %).
Transferencia ubicacin y lnea de carga, Tapizado interno puerta delantera izquierda,
Rayado Rozado, Observada (5 %).
Ingreso a Puerto, Zcalo izquierdo, Abollado, Observada (2 %).
Transferencia ubicacin y lnea de carga, Puerta trasera izquierda, Rayado Rozado,
Observada (2 %).
Los lugares se distribuyen en el 12 % en subida a buque, el 7 % en transferencia ubicacin y lnea
de carga, y el 2 % en el ingreso a puerto. Las partes afectadas se subdividen en 12 % de paneles
laterales derechos, 5 % de tapizados internos de puertas delanteras izquierdas, 2 % en zcalos
izquierdos y el 2 % en puertas traseras izquierdas. En referencia a los tipos de averas son el 14 %
de abollados y el 7 % de rayados y rozados. Por ltimo la severidad es grave.

El penltimo periodo en estudio se caracteriza por la media de ocurrencia global:
Con gravedad si es tenida en cuenta, grave.
Si la gravedad no es considerada el centroide ms importante es:
Ingreso a Puerto, Manijas externas de puertas delanteras, Proyeccin (62 %).
Luego se dividen de la siguiente forma:
Transferencia ubicacin y lnea de carga, Faro de stop luneta, Rayado Rozado (23
%).
Bajada de Buque, Tapa acceso gancho remolque, Abollado (10 %).
Bajada de Buque, Barras de techo, Abollado (3 %).
Bajada de Buque, Capot, Rayado Rozado (1 %).
Bajada de Buque, Zcalo interno puerta delantera izquierda, Rayado Rozado (1 %).
El 23 % se produce en la transferencia ubicacin y lnea de carga y el 15 % en la bajada de buque.
Las partes afectadas son: un 23 % de faros de stop de lunetas, 10 % tapas de ganchos de remolque,
3 % barras de techos, 1 % en capot y zcalo interno de puertas delanteras izquierdas. Mientras que
el tipo de avera es 25 % de rayados o rozados y el 13 % de abollados.
Si la gravedad del dao es considerada entonces el centroide ms importante es:

Transferencia ubicacin y lnea de carga, Limpiador y lavador de parabrisas,
Proyeccin (79 %).
No coincide totalmente con la media global.
Luego los porcentajes mnimos ocurren de la siguiente forma:
Subida Buque Puerto de Origen, Limpiador y lavador de parabrisas, Abollado,
Observada (5 %).
Transferencia ubicacin y lnea de carga, Tapa tanque combustible, Rayado Rozado,
Observada (5 %).
Ingreso a Puerto, Tapizado interno puerta delantera izquierda, Proyeccin, Observada
(5 %).
Transferencia ubicacin y lnea de carga, Zcalo derecho, Rayado Rozado,
Observada (2 %).
Transferencia ubicacin y lnea de carga, Llanta trasera izquierda, Rayado Rozado,
Observada (1 %).
Ingreso a Puerto, Escape, Rayado Rozado, Observada (1 %).
Subida Buque Puerto de Origen, Puerta delantera izquierda, Abollado, Observada (1
%).
El 6 % se observa en la subida a buque de puerto de origen, luego el 8 % en la transferencia
ubicacin y lnea de carga, el 6 % en el ingreso a puerto. Las partes que intervienen son: el 5 % el
limpiador y lavador de parabrisas, el 5 % de tapas de tanque de combustible, el 5 % de tapizado
interno de la puerta delantera izquierda, el 2 % del zcalo derecho, el 1 % de las llantas traseras
izquierdas, el 1 % del escape y el 1 % puertas delanteras izquierdas. Luego el tipo de avera se
divide en un 6 % de abollados, 9 % rayados o rozados y 5 % de proyecciones.

El ltimo periodo se caracteriza por la media:
Con el tipo de severidad grave si es considerada.
Si no se considera la severidad entonces el centroide de mayor peso es:
Transferencia ubicacin y lnea de carga, Giro Delantero (derecho / izquierdo),
Faltante (61 %).
Luego baja de forma considerable y se distribuye de la siguiente forma:
Bajada de Buque, Panel lateral derecho, Faltante (17 %).
Transferencia ubicacin y lnea de carga, Tapa posterior de techo, Rayado Rozado
(14 %).
Transferencia ubicacin y lnea de carga, Paragolpe delantero / Protector delantero,
Rayado Rozado (4 %).
Transferencia ubicacin y lnea de carga, Manijas externas de puertas traseras,
Reventado Estallado (4 %).
Transferencia ubicacin y lnea de carga, Llanta trasera izquierda, Rayado Rozado
(1 %).
El 17 % se producen en la bajada del buque y el 23 % en transferencia ubicacin y lnea de carga.
Las partes afectadas son: 17 % de paneles laterales derechos, 14 % de tapa posterior de techo, 4 %
de paragolpe delantero y protector delantero, 4 % de manijas externas de puertas traseras y el 1 %
de llantas traseras izquierdas. Lo tipos de averas son: 19 % de rayados o rozados y el 4 % de
estallados.
Si los datos de la gravedad de las averas son considerados entonces la ocurrencia de los daos es la
siguiente. El mximo porcentaje est centralizado en
Transferencia ubicacin y lnea de carga, Retrovisor externo derecho, Faltante: (79
%).
Como en el punto anterior no coincide con la media global.

Luego los porcentajes se reducen y queda conformado de la siguiente manera:
Transferencia ubicacin y lnea de carga, Llanta delantera izquierda, Rayado
Rozado, Observada (8 %).
Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado Rozado, Observada (5
%).
Ingreso a Puerto, Encendedor, Manchado, Observada (5 %).
Bajada de Buque, Moldura protectora lateral derecha, Abollado, Observada (2 %).
Ingreso a Puerto, Giro Delantero (derecho / izquierdo), Pintura saltada, Observada (1
%).
El 8 % ocurre en la transferencia de ubicacin y lnea de carga, el 11 % en el ingreso a puerto y el 2
% en la bajada de buque. Las partes afectadas se dividen en 8 % llanta delantera izquierda, 5 % de
paragolpes traseros o spoilers traseros, 5 % de encendedores, 2 % de molduras protectoras laterales
derechas, y 1 % giro delantero (derecho o izquierdo). Los tipos de averas son rayados o rozados 13
%, manchados 5 %, abollados 2 % y pintura saltada un 1 %.

8.5.2.6. Modelos, Partes y Tipos de Averas.

A continuacin se realiza una evaluacin de los resultados vinculados con la ocurrencia de averas
en los modelos de autos en estudio. Se contemplan como en el tem anterior el anlisis de daos con
consideracin de la severidad y sin la consideracin de ella.

El primer periodo tiene como media global:
Y si la gravedad es considerada esta es mediana.
Luego se observa la siguiente distribucin de los centroides formados:
Modelo 10, Manual, Abollado (25 %).
Modelo 10, Panel lateral izquierdo, Abollado (22 %).
Modelo 18, Cubierta delantera derecha, Rayado Rozado (18 %).
Modelo 17, Cubierta delantera izquierda, Abollado (14 %).
Modelo 4, Moldura protectora lateral derecha, Faltante (13 %).
Modelo 9, Cerraduras de puertas, Rayado Rozado (6 %).
Modelo 10, Giro Delantero (derecho / izquierdo), Rayado Rozado (2 %).
El modelos 10 tiene el 49 % de participacin entre los daos detectados, luego el modelo 18 tiene el
18 %, el modelo 17 con un 14 %, el modelo 4 con un 13 % y finalmente el modelo 9 con solo un 6
%. En referencia a las partes que intervienen estas se subdividen en: 25 % manual, 22 % panel
lateral izquierdo, 18 % cubierta delantera derecha, 14 % cubierta delantera izquierda, 13 % en
moldura protectora lateral derecha, 6 % en cerraduras de puertas, y el 6 % en giros delanteros
(derechos o izquierdos). Finalmente el tipo de avera se divide en: 61 % de abollados, 26 % rayados
y rozados y el 13 % de faltantes.
La produccin de averas considerando la gravedad tiene el siguiente el siguiente comportamiento:
Modelo 11, Luz de neblina trasera, Faltante, Leve (59 %).
Modelo 15, Puerta trasera derecha, Faltante, Grave (16 %).
Modelo 5, Giro Delantero (derecho / izquierdo), Faltante, Intolerable (8 %).
Modelo 17, Panel lateral derecho, Rayado Rozado, Mediano (6 %).
Modelo 16, Bolsa de herramientas, Abollado, Mediano (5 %).
Modelo 9, Manijas externas de puertas traseras, Rayado Rozado, Mediano (3 %).
Modelo 18, Paragolpe trasero / Spoiler trasero, Faltante, Mediano (2 %).
Modelo 14, Retrovisor externo derecho, Pintura saltada, Mediano (1 %).
El modelo 11 tiene el 59 % de participacin, el modelo 15 le sigue con un 16 %, luego se observa el
modelo 5 con el 8 %, el modelo 17 con el 6 %, el modelo 16 con el 5 %, el modelo 9 con el 3 %, el

modelo 18 con el 2 % y al final el modelo 14 con un 1 %. Las partes afectadas son: 59 % luces de
neblinas traseras, puertas traseras derechas con el 16 %, los giros delanteros (derechos o
izquierdos) con el 8 %, el panel lateral derecho con el 6 %, bolsas de herramientas con un 5 %,
manijas externas de puertas traseras con el 3 %, el 2 para los paragolpes traseros o spoilers traseros
y el 1 % para los retrovisores externos derechos. En cuanto a los tipos de averas estos se
subdividen en: faltantes con el 85 %, 9 % los rayados o rozados, abollados el 5 % y pintura saltada
el 1 %. Luego la severidad tiene el siguiente comportamiento: el 59 % con leves, 16 % graves,
intolerables 8 %, y finalmente medianos 12 %.

El segundo periodo se caracteriza por la combinacin:
Y cuando la severidad es considerada esta es media.
Luego los centroides quedan conformados de la siguiente manera:
Modelo 10, Guardabarro delantero izquierdo, Abollado (34 %).
Modelo 17, Aerosol antipinchazos, Proyeccin (20 %).
Modelo 17, Alfombra bal / caja de carga, Faltante (14 %).
Modelo 17, Puerta delantera derecha, Abollado (12 %).
Modelo 17, Cubierta delantera izquierda, Rayado Rozado (8 %).
Modelo 8, Panel lateral izquierdo, Rayado Rozado (5 %).
Modelo 6, Limpiador y lavador de parabrisas, Abollado (4 %).
Modelo 7, Zcalo interno puerta delantera izquierda, Rayado Rozado (3 %).
El modelo 10 participa con el 34 %, el modelo 17 tiene el 54 % de las averas, el modelo 8 con el 5
%, el modelo 6 con el 4 % y el modelo 7 con el 3 %. Luego las partes involucradas son:
guardabarros delanteros izquierdos con el 34 %, aerosol antipinchazos 20 %, alfombra bal o caja
de carga con el 14 %, puerta delantera derecha con el 12 %, cubierta delantera izquierda con el 8 %,
panel lateral izquierdo el 5 %, limpiador y lavador de parabrisas con el 4 % y al final zcalo interno
de puerta delantera izquierda con el 3 %. En cuanto a los tipos de averas se dividen de la siguiente
forma: abollados 50 %, proyeccin el 20 %, faltantes el 14 % y rayados o rozados con el 16 %.
Luego con la consideracin de las gravedades los daos se distribuyen del siguiente modo:
Modelo 13, Puerta delantera izquierda, Faltante, Leve (47 %).
Modelo 17, Alern, Faltante, Mediano (22 %).
Modelo 16, Guardabarro trasero derecho, Faltante, Grave (16 %).
Modelo 8, Giro Delantero (derecho / izquierdo), Faltante, Mediano (7 %).
Modelo 8, Cristales de parante delantero, Faltante, Grave (5 %).
Modelo 10, Barras de techo, Proyeccin, Mediano (2 %).
El modelo 13 con el 47 % de ocurrencia, luego el modelo 17 con el 22 %, el modelo 16 el 16 %, el
modelo 8 con el 12 % y finalmente el modelo 10 con el 2 %. Los tipos de averas se subdividen en:
faltantes 97 % y proyeccin con el 2 %. Las partes se subdividen en: 47 % de puertas delanteras
izquierdas, 22 % de alerones, con el 16 % guardabarros traseros derechos, el 7 % de giros
delanteros (derecho o izquierdo), el 5 % de cristales de parante delantero y el 2 % de barras de
techo. Finalmente la severidad de las averas se distribuye en: 47 % leves, 31 % medios y graves 21
%.

La media global del tercer periodo es:
Y la severidad de la avera es leve si es considerada en el procesamiento.
Luego los centroides arrojan la siguiente informacin:
Modelo 9, Giro Delantero (derecho / izquierdo), Abollado (28 %).
Modelo 17, Cubierta delantera izquierda, Faltante (22 %).
Modelo 17, Guardabarro trasero derecho, Abollado (17 %).

Modelo 18, Limpiador y lavador de parabrisas, Proyeccin (14 %).
Modelo 17, Llave de rueda, Faltante (11 %).
Modelo 17, Tapa posterior de techo, Faltante (6 %).
Modelo 13, Puerta trasera izquierda, Abollado (2 %).
El modelo 9 ocurre en un 28 %, el modelo 17 el 56 %, el modelo 18 ocurre en un 14 % y las avera
en el modelo 13 se producen en un 2 %. Luego se observa que el comportamiento de las parte se
distribuye de la siguiente manera: 28 % en giros delanteros (derechos o izquierdos), 22 % en
cubierta delantera izquierda, el 17 % en guardabarros traseros derechos, el 14 % en limpiador y
lavador de parabrisas, 11 % en llaves de ruedas, el 6 % en tapa posterior de techo y el 2 % en
puertas traseras izquierdas. Finalmente se observa que el 47 % son tipos de averas abollados, el 37
% de faltantes y el 14 % de proyecciones.
Considerando las severidades de las averas se observa el siguiente comportamiento:
Modelo 15, Tapa acceso gancho remolque, Faltante (89 %).
En casi un 90 % de ocurrencia el modelo 15 es el ms afectado. Y coincide ciento por ciento con la
media global.
Luego los porcentajes mnimos quedan distribuidos de la siguiente forma:
Modelo 17, Manual, Faltante, Grave (5 %).
Modelo 10, Faro de stop luneta, Abollado, Grave (3 %).
Modelo 4, Retrovisor externo derecho, Faltante, Grave (1 %).
Modelo 17, Puerta trasera izquierda, Faltante, Grave (1 %).
6 % modelo 17, modelo 10 el 3 % y el modelo 4 el 1 %. Luego se observa que las partes afectadas
son: manuales el 5 %, faros de stop de luneta el 3 %, 1 % de retrovisor externo derecho y tambin el
mismo porcentaje para las puertas traseras izquierdas. Luego se observa que el 7 % son faltantes y
el 3 % abollados. Finalmente el tipo de avera entre los porcentajes mnimos es siempre grave.

El cuarto periodo est caracterizado por el centroide.
Con severidad grave si es considerada.
Luego sin la consideracin de la gravedad de averas los centroides dan la siguiente informacin:
Modelo 18, Panel trasero bajo bal, Rayado Rozado (32 %).
Modelo 8, Llanta delantera izquierda, Abollado (21 %).
Modelo 18, Escape, Proyeccin (15 %).
Modelo 17, Guardabarro delantero izquierdo, Pintura saltada (14 %).
Modelo 6, Limpiador de Faros (derecho / izquierdo), Proyeccin (10 %).
Modelo 17, Separador interno de carga, Proyeccin (6 %).
Modelo 17, Llanta delantera derecha, Pintura saltada (2 %).
Modelo 9, Parante delantero, Rayado Rozado (1 %).
El 47 % corresponde al modelo 18, el modelo 8 el 21 %, el modelo 17 con el 22 %, el modelo 6 con
el 10 % y el modelo 9 con el 1 %. Las partes se subdividen en: 32 % el panel trasero bajo bal, el 21
% las llantas delanteras izquierdas, el 15 % de escapes, el 14 % de guardabarros delanteros
izquierdos, el 10 % limpiador de faros, el 6 % separador interno de carga, el 2 % de llanta delantera
derecha y el 1 % en los parantes delanteros. Luego se observa que los tipos de averas se distribuyen
de la siguiente forma: rayados o rozados 33 %, abollados con el 21 %, proyecciones con el 21 % y
pinturas saltadas con el 16 %.
Pasando a los resultados obtenidos con la consideracin de la gravedad del dao se observa que el
mayor ndice de ocurrencia es:
Modelo 15, Zcalo derecho, Faltante (71 %).
Luego los porcentajes bajan de forma importante y quedan distribuidos de la siguiente forma:
Modelo 18, Alfombra suplementarias, Faltante, Observada (13 %).
Modelo 8, Tapa acceso gancho remolque, Abollado, Observada (10 %).

Modelo 18, Luz de patente trasera, Proyeccin, Observada (4 %).
Modelo 9, Zcalo derecho, Manchado, Observada (2 %).
Modelo 16, Batera, Rayado Rozado, Observada (1 %).
El modelo 18 con el 17 %, luego el modelo 8 con el 10 %, el modelo 9 con el 2 % y al final el
modelo 16 con el 1 %. Las partes que intervienen se dividen en: 13 % alfombras suplementarias, 10
% tapas de acceso gancho de remolque, 4 $ de luz de patente trasera, 2 % de zcalos derechos y 1
% en bateras. Los tipos de averas observados son: faltantes el 13 %, abollados con el 10 %,
proyecciones con el 4 %, manchados con el 2 % y rayados o rozados con el 1 %. En todos los casos
las averas son solo observables.

El quinto periodo est caracterizado por la media global:
Donde cuando se considera la severidad esta es grave.
Luego pasando a la evaluacin de los resultados si la consideracin de la gravedad de los daos se
observa:
Modelo 17, Tapa de Bal o Puerta Trasera, Rayado Rozado (34 %).
Modelo 7, Tapa acceso gancho remolque, Abollado (33 %).
Modelo 17, Faro de stop luneta, Abollado (17 %).
Modelo 18, Guardabarros y parante trasero izquierdo, Rayado Rozado (7 %).
Modelo 6, Paragolpe trasero / Zona contacto, Rayado Rozado (7 %).
Modelo 9, Paragolpe delantero / Superior, Rayado Rozado (2 %).
Modelo 13, Techo (inclusive convertible), Abollado (1 %).
El 51 % de ocurrencias en el modelo 17, el 33 % en el modelo 7, luego el modelo 18 con el 7 %, el
modelo 6 con el 7 %, el modelo 9 con el 2 % y el modelo 13 con el 1 %. Las partes se agrupan en
los siguientes porcentajes segn lo descrito en la lista previa. Los tipos de averas se subdividen en:
rayados o rozados el 50 % y abollados el 51 %.
Luego los datos a avaluar considerando la gravedad de los daos ocurre con el mayor porcentaje en:
Modelo 13, Guardabarro delantero derecho, Faltante (89 %).
Luego los porcentajes se reducen a los siguientes centroides:
Modelo 6, Taza, Proyeccin, Observada (4 %).
Modelo 18, Llave, Abollado, Observada (3 %).
Modelo 19, Tapizado interno puerta delantera izquierda, Rayado Rozado, Observada
(1 %).
Modelo 8, Guardabarro delantero izquierdo, Abollado, Observada (1 %).
Donde le modelo 6 aparece en un 4 %, el modelo 18 en el 4 %, el modelo 19 en el 1 % al igual que
el modelo 8. Los tipos de averas se dividen en: 4 % proyecciones, 4 % abollados y 1 % en rayados
o rozados. Las partes se distribuyen en: 4 % tazas, 3 % llaves, 3 % tapizados internos de puerta
delanteras izquierdas y 1 % en guardabarros delanteros izquierdos. Finalmente se debe mencionar
que en todos los casos las averas son solo observaciones.

El periodo seis tiene como media global:
Si se considera la severidad esta es grave.
Los porcentajes de ocurrencia en los centroides se dividen en:
Modelo 7, Escape, Faltante (45 %).
Modelo 17, Panel trasero bajo bal, Rayado Rozado (24 %).
Modelo 18, Giro Delantero (derecho / izquierdo), Abollado (15 %).
Modelo 16, Guardabarros y parante trasero izquierdo, Abollado (8 %).
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado (3 %).
Modelo 17, Otros, Rayado Rozado (3 %).

Modelo 13, Barras de techo, Abollado (1 %).
El modelo 7 con el 45 %, el modelo 17 con el 27 %, el modelo 18 con el 15 %, el modelo 16 con el
8 %, el modelo 20 con el 3 % y el modelo 13 con el 1 %. Luego las partes que intervienen se
subdividen de la forma descrita en el listado anterior. En cuanto a loas tipos de averas estas se
distribuyen de la siguiente forma: faltantes el 45 %, rayados o rozados el 27 % y abollados el 24 %.
Los resultados del proceso considerando la gravedad de las averas se distribuyen como sigue:
El mayor porcentaje de ocurrencia es el modelo 13.
Luego se distribuye en forma mnima entre los siguientes centroides:
Modelo 7, Bolsa de herramientas, Faltante, Observada (7 %).
Modelo 19, Bolsa de herramientas, Proyeccin, Observada (2 %).
Modelo 16, Parrilla delantera, Pintura saltada, Observada (2 %).
Modelo 20, Spoiler delantero, Rayado Rozado, Observada (1 %).
Modelo 19, Paragolpe trasero / Spoiler trasero, Proyeccin, Observada (1 %).
El modelo 7 con el 7 %, el modelo 19 con un 3 %, el modelo 16 con un 2 % y el modelo 20 con el 1
%. Luego las partes se distribuyen en: un 9 % bolsas de herramientas, el 2 % en parrilla delantera, el
1 % en spoilers delanteros y el 1 % para los paragolpes traseros o spoilers traseros. Los tipos de
averas observados son: el 7 % de faltantes, proyeccin el 3 %, pinturas saltadas en un 2 % y un 1 %
para rayados o rozados. Finalmente se debe mencionar que la severidad de las averas mnimas es
solo observacin.

Los resultados del periodo siete tienen como media global:
General:
Y cuando la gravedad es considerada esta es grave.
Si no se considera la gravedad de las averas la distribucin es la siguiente:
Modelo 6, Puerta delantera derecha, Faltante (33 %).
Modelo 20, Barras de techo, Proyeccin (27 %).
Modelo 19, Retrovisor externo izquierdo, Abollado (21 %).
Modelo 20, Parrilla delantera, Rayado Rozado (10 %).
Modelo 18, Retrovisor externo derecho, Reventado Estallado (4 %).
Modelo 11, Barras de techo, Proyeccin (3 %).
Modelo 13, Llanta delantera derecha, Abollado (1 %).
Donde el modelo 6 tiene el 33 % de participacin, el modelo 20 el 37 %, el modelo 19 el 21 %, el
modelo 18 con el 4 %, el modelo 11 con el 3 % y modelo 13 con el 1 %. Luego las partes son
distribuidas de la siguiente forma: 33 % de puerta delantera derecha, 30 % de barras de techo, 21 %
de retrovisor externo izquierdo, 10 % de parrilla delantera, 4 % de retrovisor externo derecho y 1 %
de llanta delantera derecha. Finalmente los tipos de averas se distribuyen de la siguiente manera: 33
% de faltantes, 30 % de proyecciones, 22 % de abollados, 10 % de rayados o rozados y el 4 % de
reventado o estallado.
Sin considerar las severidades el mayor porcentaje de averas es:
Modelo 15, Guardabarro delantero derecho, Faltante (86 %).
Luego los porcentajes mnimos de ocurrencia son:
Modelo 19, Retrovisor externo derecho, Faltante, Observada (9 %).
Modelo 7, Zcalo izquierdo, Abollado, Observada (2 %).
Modelo 6, Manijas externas de puertas traseras, Proyeccin, Observada (2 %).
Modelo 5, Zcalo izquierdo, Rayado Rozado, Observada (1 %).
Modelo 8, Retrovisor externo derecho, Pintura saltada, Observada (1 %).
El modelo 19 con el 9 %, el 7 % con el 2 % al igual que el modelo 6, el modelo 5 y el modelo 8 con
el 1 %. Las partes averiadas tienen los siguientes porcentajes: 10 % retrovisor externo derecho, 3 %

zcalo izquierdo y 2 % de manijas externas de puertas traseras. Los tipos de averas que participan
son: 9 % faltantes, abollados 2 %, proyecciones 2 %, rayados o rozados 1 % al igual que pintura
saltada. Finalmente el tipo de severidad es observado.

El periodo ocho tiene como media global:
Con severidad grave.
En referencia a los resultados sin considerar la gravedad de la misma se divide de a siguiente forma:
Modelo 7, Parrilla delantera, Faltante (24 %).
Modelo 19, Zcalo izquierdo, Abollado (15 %).
Modelo 5, Manijas externas de puertas traseras, Proyeccin (10 %).
Modelo 13, Guardabarro delantero izquierdo, Abollado (7 %).
Modelo 5, Capot, Rayado Rozado (3 %).
Modelo 14, Techo corredizo, Faltante (3 %).
El 37 % para el modelo 20, el 24 % el modelo 7, el modelo 19 con el 15 %, el modelo 5 el 13 %, el
modelo 13 el 7 % y el modelo 14 con el 3 %. Las partes se subdividen segn los porcentajes es
pacificados en el listado previo. En cuanto a los tipos de avera se puede observar: el 47 % son
proyecciones, el 27 % faltantes, el 22 % de abollados y el 3 % de rayados o rozados.
Considerando las severidades se observa la siguiente distribucin:
Modelo 20, Cubierta delantera izquierda, Rayado Rozado, Observada (56 %).
Modelo 17, Manijas externas de puertas traseras, Proyeccin, Observada (12 %).
Modelo 20, Tapa de Bal o Puerta Trasera, Rayado Rozado, Observada (10 %).
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado, Observada (4
%).
Modelo 11, Panel lateral derecho, Faltante, Observada (1 %).
El 70 % para el modelo 20, el modelo 14 el 16 %, el modelo 17 con el 12 % y el modelo 11 con el 1
%.Las partes afectadas se distribuyen segn los datos especificados en el listado anterior. En cuanto
a los tipos de averas estos son: rayados o rozados con el 70 %, faltantes con el 17 % y el 12 %
proyecciones. Finalmente el tipo de severidad se divide en un 16 % de graves y un 83 % de solo
observaciones.

El noveno periodo se caracteriza por el siguiente centroide:
Y el tipo de severidad es grave.
Luego si la gravedad no es considerada la distribucin de los centroides es como sigue a
continuacin:
Modelo 6, Tapizado interno puerta delantera izquierda, Rayado Rozado (16 %).
Modelo 7, Guardabarro trasero derecho, Pintura saltada (14 %).
Modelo 7, Cable de carga, Rayado Rozado (7 %).
Modelo 13, Guardabarro trasero derecho, Abollado (3 %).
Modelo 13, Techo (inclusive convertible), Abollado (3 %).
Modelo 14, Luz de neblina trasera, Abollado (2 %).
Modelo 13, Faro de stop luneta, Faltante (1 %).
El modelo 20 con el 54 %, el modelo 6 con el 16 %, el modelo 7 con el 21 %, el modelo 13 con el 5
% y el modelo 14 con el 2 %. Luego se observa la siguiente distribucin entre las partes: 54 %
limpiador y lavador de parabrisas, tapizado interno puerta delantera izquierda el 17 %, guardabarros
trasero derecho con el 17 %, cable de carga 7 %, techo (inclusive convertible) 3 %, luz de neblina

trasera el 2 % y el faro de stop de luneta el 1 %. Luego el tipo de avera se subdivide en: pintura
saltada 14 %, rayados o rozados el 7 %, el 8 % de abollados y el 1 % de faltantes.
En referencia a la evaluacin de los resultados considerando su gravedad es la siguiente:
Modelo 20, Llanta trasera izquierda, Rayado Rozado, Observada (1 %).
Modelo 20, Alfombra bal / caja de carga, Rayado Rozado, Observada (3 %).
Modelo 8, Alfombra suplementarias, Proyeccin, Observada (9 %).
Modelo 16, Llanta delantera derecha, Faltante, Observada (7 %).
Modelo 7, Llanta delantera derecha, Faltante (32 %).
Modelo 20, Transponder, Proyeccin (47 %).
El modelo 20 con el 51 %, luego los modelos 8 con el 9 %, el modelo 16 con el 7 % y el modelo 7
con el 32 % son los resultados obtenidos. En cuanto a las partes averiadas se subdividen en rayados
o rozados con el 4 %, proyeccin con el 56 % y faltante con con el 39 %. Luego se observa que el
20 % son solo observaciones y averas el 80 %.

El ltimo periodo en estudio muestra la media global:
Con severidad grave.
Sin la consideracin de la severidad el proceso arroja los siguientes valores:
Modelo 7, Panel lateral derecho, Proyeccin (44 %).
Modelo 19, Puerta trasera derecha, Faltante (41 %).
Modelo 20, Manijas externas de puertas delanteras, Proyeccin (6 %).
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado (4 %).
Modelo 13, Techo corredizo Pintura saltada (4 %).
Modelo 8, Capot, Faltante (1 %).
Modelo 10, Cristales de parante delantero, Reventado Estallado (1 %).
El modelo 7 con el 44 %, el modelo 19 con el 41 %, luego el modelo 20 con el 10 %, el modelo 13
con el 4 %, el modelo 8 con el 1 % al igual que el modelo 10. Luego las partes afectadas se
distribuyen segn se especific el listado expuesto previamente. Los tipos de averas se distribuyen
de la siguiente forma: proyeccin con el 50 %, faltante con el 41 %, rayado o rozado con el 4 %,
pintura saltada con el 4 % y reventado o estallado con el 1 %.
Con la gravedad considerada el mayor ndice de ocurrencia ocurre como sigue:
Modelo 14, Retrovisor externo derecho, Faltante (79 %).
Luego los porcentajes mnimos se dividen de la siguiente forma:
Modelo 7, Giro Delantero (derecho / izquierdo), Rayado Rozado, Observada (11 %).
Modelo 16, Limpiador y lavador de parabrisas, Faltante, Observada (4 %).
Modelo 7, Conjunto carrocera, Manchado, Observada (3 %).
Modelo 20, Guardabarro delantero izquierdo, Rayado Rozado, Observada (2 %).
El modelo 7 con el 14 %, el modelo 16 con el 4 % y el modelo 20 con el 2 %. Las partes se
subdividen segn se ha definido en el listado previo. Los tipos de averas son: rayados o rozados
con el 13 %, faltante con el 4 % y manchados con el 3 %. Luego la gravedad de las averas es solo
observable en todos los casos (21 %).

8.5.2.7. Imputacin Tipo de Transporte.

En este punto se van a evaluar los resultados obtenidos en cada periodo relacionados con el lugar
donde se producen los daos y a partir de estos se especificar el tipo de imputacin al que
corresponde.


En el periodo uno se observa que el 79 % de las averas corresponden al transporte terrestre. Luego
el 10 % transportes martimos y finalmente el 5 % a la salida de planta. El detalle del resultado del
proceso es el siguiente:
74 % de averas en Subida a Buque Puerto de Origen. Imputacin transporte
terrestre.
5 % de averas en Transferencia Ubicacin y Lnea de Carga. Imputacin planta de
produccin.

En el segundo periodo tambin el mayor ndice de daos es realizado por el transporte terrestre con
un 89 % del total de datos explotados. Luego le sigue el transporte martimo con el 6 % y
finalmente el puerto (averas en la playa de puerto) con solo el 2 %. El detalle porcentual de los
datos explotados es el siguiente:
83 % de averas en Subida a Buque Puerto de origen. Imputacin transporte
terrestre.

Los datos del periodo tres muestran que todava existe un predominio de las averas producidas por
el transporte terrestre con el 85 %. Luego las averas de trasporte martimo con el 9 % y finalmente
el la playa de puerto con el 4 %. Este periodo coincide con las imputaciones del periodo anterior
pero los porcentuales son distintos. En cuanto a los detalles del periodo es el siguiente:
terrestre.

La informacin del periodo cuatro muestra que el 60 % solo es de trasporte terrestre. Luego el 15 %
son daos de salida de planta de produccin. Y finalmente el 13 % son producidos en el transporte
martimo. El detalle es el siguiente:
terrestre.

El comportamiento de los resultados del periodo cinco tambin muestra en el primer lugar a las
averas imputables al transporte terrestre con un 46 %. Luego le siguen las averas producidas en
planta con el 23 %. En tercer lugar aparecen las averas producidas por las compaas martimas
con el 20 % y finalmente con un porcentaje mnimo se observan las averas en playa de puerto con
el 6 %. El detalle porcentual es el siguiente:
terrestre.

En el periodo seis todava existe el predominio de las averas imputables al transporte terrestre con
el 55 %. Luego, al igual que en el periodo anterior, las averas de planta de produccin con el 17 %.
En tercer lugar las averas de transporte terrestre con el 13 % y finalmente con solo un 5 % las
averas imputables a la playa de puerto.
terrestre.

El resultado de los procesos del periodo siete muestra que el transporte terrestre aparece con un 46
% de participacin. Luego en el segundo lugar se observan las averas de transporte martimo con el
21 %. En tercer lugar estn las averas imputables a planta con el 16 %. Y finalmente se observan
los daos imputables a la playa de puerto con el 10 %. El detalle porcentual es el siguiente:
21% de averas en Bajada de Buque. Imputacin transporte martimo.
produccin.
terrestre.

En el periodo ocho se observa el cambio del primer lugar de imputabilidad. En este periodo el
porcentaje ms alto de daos se encuentra en la salida de planta, o sea daos en produccin con el
48 %. Luego con el 36 % le siguen los daos imputables al transporte terrestre. El transporte
martimo tiene el 7 % de incidencia en los daos y finalmente el 5 % de los daos de este periodo
fueron producidos por la playa de puerto. El detalle es el siguiente:
produccin.
terrestre.

Las averas en el periodo nueve mantienen el primer lugar de imputacin del periodo anterior. Los
daos producidos en planta y detectados en la transferencia y lnea de carga tienen el 63 % de
ocurrencia. Luego sigue el trasporte terrestre con el 23 % y finalmente el 4 % son averas
producidas por el transporte martimo.
produccin.
terrestre.

El ltimo periodo en estudio tiene como mayor porcentaje de incidencia de las averas a la planta de
produccin con el 56 %. Luego le siguen los daos de transporte terrestre con el 25 %. En el tercer

lugar se encuentran las averas de playa de puerto con el 11 %. Y finalmente las averas de
transporte martimo con el 6 %.
produccin.
terrestre.

8.6. Desarrollo

En esta fase se realiza la evaluacin de los resultados y la misma concluye con una estrategia para el
desarrollo de los resultados de la minera de datos en el negocio.

8.6.1. Plan de desarrollo

Resumen de resultados.

El rbol de Clasificacin arroja el siguiente resultado que es ilustrado resumidamente en el Grfico
39. Se puede ver claramente los resultados obtenido sobre las cantidades de tipos de averas
producidos a lo largo de cada periodo. En el grfico se han introducido solo los cuatro principales
tipos de averas: Faltante, Pintura Saltada, Rayado o Rozado y Abollado. Estos cuatro tipos de
averas constituyen el 96,04 por ciento en promedio del total de datos explotados.

Tipos de Averas
0
1000
2000
3000
4000
5000
6000
Per i o d o
Faltante 494 184 274 264 240 247 339 605 641 1771
Pinturasaltada 935 790 812 598 490 271 136 237 609 334
Rayado - Rozado 2023 1628 1794 1792 1887 1499 1207 1278 4689 2223
Abollado 5338 2855 2375 1099 1126 1681 780 761 1016 751
2003 Semestre1-04 Semestre2-04 Semestre1-05 Semestre2-05 Semestre1-06 Semestre2-06 Semestre1-07 Semestre2-07 Semestre1-08

Grfico 39: Barras detallado cantidades por tipo de avera

Con el rbol de Clasificacin tambin se proceso la informacin relacionada con los lugares donde
se producen las averas. En el Grfico 40 se muestra el detalle de los resultados obtenidos. En este
caso a diferencia del resultado anterior, la informacin que se puede visualizar es el 100 % de los
resultados.


Un detalle a tener presente en el resultado que muestra a lugar Subida a Buque en Puerto de
Origen como el de mayor produccin de daos es que la informacin procesada en la prctica
pertenece a dos cambios de responsabilidad. Esto es, las averas detectadas en la subida a un buque
son imputables tanto al transporte terrestre como a playa de puerto. Adems, especialmente en los
periodos iniciales del presente proyecto tambin hubo cambios a nivel empresas que por motivos
polticos o internos. Es difcil estimar un porcentaje el cual sea representativo de lo que sucedi en
la realidad en el punto de control en cuestin pero esto nos lleva a deducir que como lnea futura de
investigacin se puede trabajar con los datos agrupados en funcin de los lugares de control y no
por periodos de tiempo como es estudio actual.

Lugares
0
1000
2000
3000
4000
5000
6000
7000
8000
Per i o d o
SubidaaBuque 104 82 228 201 104 138 265 95 523 633
Retiro dePuerto 352 89 71 137 248 187 119 156 60 124
Ingreso aPuerto 443 343 491 510 550 497 1069 575 1167 958
SalidadePlanta 511 69 53 642 1003 767 454 1457 4521 3020
BajadadeBuque 942 343 505 570 758 580 547 219 282 318
SubidaBuquePuerto deOrigen 6925 4741 4008 1849 1208 1585 144 517 635 454
Grfico 40:
Barras detallado cantidades por lugares de ocurrencia de averas

El resultado de la explotacin de datos con rbol de Clasificacin tambin fue realizado sobre los
modelos de autos que participan proyecto de minera de datos. El Grfico 41 muestra el resumen de
los resultados obtenidos.

En este caso como en el de los tipos de averas tambin se ha reducido la cuestin a los modelos que
participan en un 96,65 % de los registros explotados.

Como en el caso de los lugares de produccin de averas aqu tambin hay una observacin vlida
que se puede realizar. Existen modelos que debido a que no estn incluidos en determinados
periodos no porque no hayan tenido averas sino porque todava no participaban del proceso o
porque no se fabricaban o porque no entraban en la cadena logstica. Esto tambin lleva a
determinar la necesidad de realizar estudios futuros de minera de datos sobre la produccin de
averas de determinados modelos. Posiblemente un agrupamiento interesante puede ser por modelo.
De esto se hablar en tems posteriores cuando se especifiquen planes alternativos de explotacin de
datos o lneas futuras de investigacin.


Modelos
0
500
1000
1500
2000
2500
3000
3500
4000
4500
Per i o d o
Modelo 9 4143 1785 833 433 469 789 170 209 156 142
Modelo 17 2662 2616 3041 2002 1795 1482 260 125 30 38
Modelo 5 595 244 252 200 398 533 565 712 839 433
Modelo 20 546 319 632 574 266 441 1268 1403 3819 2571
Modelo 18 467 28 40 86 39 10 29 37 36 21
Modelo 13 436 562 457 35 70 125 106 270 358 190
Modelo 7 0 0 0 0 0 0 2 94 1747 1883
Modelo 8 0 0 0 465 608 285 28 88 75 26

Grfico 41: Barras detallado cantidades por modelos averiados

Para cada uno resultados obtenidos de la explotacin de datos aplicando los modelos de
clasificacin se han obtenido los conjuntos de reglas necesarios para establecer la ocurrencia de los
resultados linealmente. Por razones prcticas no se exponen en el proyecto el detalle de las reglas
pero las mismas pueden formar parte de futuras lneas de desarrollo de minera de datos para la
identificacin de las reglas que llevan a la ocurrencia de las averas.

Resumiendo el resultado de los agrupamientos generados a partir del algoritmo de Clustering se
observan los siguientes patrones de comportamiento. Estos resultados pueden ser diferenciados para
los tipos de averas de mayor ocurrencia en todo el conjunto de datos estudiado. Por cuestiones de
practicidad los patrones expuestos a continuacin representan el ms alto porcentaje de probabilidad
de ocurrencia en relacin a los datos analizados.

Debido a que la herramienta de clustering utilizada en el proyecto se basa especficamente en el
valor de los atributos y no en las relaciones entre los mismos sera necesario para afinar los
resultados introducirlos o analizarlos a travs de algoritmos de induccin. La aplicacin de
algoritmos de induccin sobre los resultados del agrupamiento por cada periodo o cada explotacin
de datos en esta industria puede formar parte de lneas futuras de investigacin muy interesantes a
desarrollar.

Como resultado del agrupamiento de averas se pueden especificar los siguientes patrones:

Capot, Abollado, Observada.
Abollado, Leve.
Abollado, Observada.
Ingreso a Puerto, Abollado.
Transferencia ubicacin y lnea de carga, Abollado.
Abollado.
Subida Buque Puerto de Origen, Luneta trasera / Cristal puerta trasera,
Arrancado - Roto Fisurado, Grave.

Transferencia ubicacin y lnea de carga, Paragolpe delantero / Protector
delantero, Arrancado - Roto Fisurado, Observada.
Paragolpe delantero / Protector delantero, Arrancado - Roto Fisurado,
Observada.
Arrancado - Roto Fisurado, Observada.
Modelo 17, Arrancado - Roto Fisurado.
Manijas externas de puertas delanteras, Faltante, Observada.
Subida a Buque, Tapa acceso gancho remolque, Faltante.
Faltante, Grave.
Faltante, Leve.
Modelo 8, Faltante.
Faltante.
Modelo 13, Faltante.
Conjunto carrocera, Manchado, Observada.
Modelo 5, Otros, Manchado, Observada.
Paragolpe delantero / Protector delantero, Manchado, Observada.
Spoiler delantero, Manchado, Observada.
Manchado, Observada.
Guardabarro trasero derecho, Pintura saltada.
Modelo 17, Llanta delantera derecha, Pintura saltada.
Llanta trasera derecha, Pintura saltada, Observada.
Paragolpe delantero / Protector delantero, Pintura saltada, Observada.
Modelo 9, Pintura saltada, Mediano.
Pintura saltada, Observada.
Cable de carga, Proyeccin.
Retiro de Puerto, Proyeccin, Mediano.
Proyeccin, Observada.
Proyeccin.
Retiro de Puerto, Capot, Rayado Rozado.
Llanta trasera izquierda, Rayado Rozado, Observada.
Modelo 20, Llanta trasera izquierda, Rayado Rozado, Observada.
Transferencia ubicacin y lnea de carga, Manijas externas de puertas delanteras,
Rayado - Rozado
Manijas externas de puertas traseras, Rayado Rozado, Mediano.
Modelo 17, Otros, Rayado Rozado.
Panel trasero bajo bal, Rayado Rozado, Observada.
Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado Rozado,
Observada.
Retiro de Puerto, Paragolpe delantero / Protector delantero, Rayado Rozado,
Observada.
delantero, Rayado Rozado, Observada.
Modelo 20, Paragolpe delantero / Protector delantero, Rayado Rozado,
Observada.
Paragolpe delantero / Protector delantero, Rayado Rozado, Observada.
Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero,
Rayado Rozado.

delantero, Rayado Rozado.
Paragolpe delantero / Superior, Rayado Rozado, Mediano.
Modelo 20, Paragolpe delantero / Superior, Rayado Rozado, Observada.
Subida Buque Puerto de Origen, Paragolpe delantero / Superior, Rayado Rozado.
Paragolpe delantero / Superior, Rayado Rozado.
Modelo 13, Puerta delantera derecha, Rayado Rozado.
Retiro de Puerto, Rayado Rozado.
Modelo 13, Retrovisor externo izquierdo, Rayado Rozado.
Subida a Buque, Spoiler delantero, Rayado Rozado, Mediano.
Bajada de Buque, Spoiler delantero, Rayado Rozado, Observada.
Ingreso a Puerto, Spoiler delantero, Rayado Rozado, Observada.
Transferencia ubicacin y lnea de carga, Spoiler delantero, Rayado Rozado,
Observada.
Spoiler delantero, Rayado Rozado, Observada.
Bajada de Buque, Spoiler delantero, Rayado Rozado.
Transferencia ubicacin y lnea de carga, Spoiler delantero, Rayado Rozado.
Tapa posterior de techo, Rayado Rozado, Observada.
Tapizado interno puerta delantera izquierda, Rayado Rozado.
Subida a Buque, Zcalo interno puerta delantera izquierda, Rayado Rozado,
Observada.
Rayado Rozado, Grave.
Rayado Rozado, Leve.
Rayado Rozado, Mediano.
Modelo 20, Rayado Rozado, Observada.
Subida a Buque, Rayado Rozado, Observada.
Rayado Rozado, Observada.
Bajada de Buque, Rayado Rozado.
Ingreso a Puerto, Rayado Rozado.
Paragolpe trasero / Spoiler trasero, Rayado Rozado.
Transferencia ubicacin y lnea de carga, Rayado - Rozado.
Modelo 10, Rayado - Rozado.
Rayado Rozado.
Modelo 5, Rayado Rozado.
Moldura protectora lateral derecha, Rayado Rozado.
Cubierta trasera derecha, Reventado Estallado, Observada.
Reventado - Estallado.
Alern.
Barras de techo.
Capot, Observada.
Conjunto carrocera, Observada.

Cubierta delantera izquierda.
Faro delantero izquierdo / derecho, Mediano.
Subida Buque Puerto de Origen, Guardabarro trasero derecho.
Llanta trasera izquierda, Observada.
Manijas externas de puertas traseras, Observada.
Manijas externas de puertas traseras.
Panel lateral derecho, Observada.
Parante delantero, Observada.
Modelo 9, Parrilla delantera, Observada.
Parrilla delantera.
Retrovisor externo derecho, Grave.
Retrovisor externo derecho, Observada.
Separador interno de carga.
Tapa acceso gancho remolque, Observada.
Tapa posterior de techo, Mediano.
Tapa posterior de techo, Observada.
Tapa posterior de techo.
Techo (inclusive convertible) .
Techo corredizo, Observada.
Zcalo derecho, Grave.
Zcalo derecho, Observada.
Zcalo derecho, Grave.
Modelo 13, Grave.
Transferencia ubicacin y lnea de carga, Leve.
Modelo 16, Mediano.
Subida Buque Puerto de Origen, Observada.
Transferencia ubicacin y lnea de carga, Observada.
Modelo 13, Observada.
Subida a Buque.
Transferencia ubicacin y lnea de carga.
Modelo 17.
Modelo 9.
Modelo 13.
Ingreso a Puerto, Capot, Rayado Rozado.
Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado Rozado.
Ingreso a Puerto, Paragolpe trasesro / Zona contacto, Rayado Rozado.
Subida a Buque, Rayado Rozado, Grave.

El resumen expuesto anteriormente incluye todos los resultados coherentes en funcin de la relacin
entre sus atributos.

La lista anterior muestra todos los resultados de la explotacin de datos de clustering; esto es partes,
averas y gravedades; daos por lugar y daos por modelos.


Para resumir los resultados del Modelo de Prediccin se puede decir que se hicieron los siguientes
procesos y los mismos agruparon la ocurrencia de partes averiadas, tipos de averas, lugares donde
se producen las averas y modelos con averas como se especifica a continuacin.

Al igual que en el caso de los agrupamientos en los modelos de prediccin empleados sera viable y
necesaria el estudio y aplicacin de algoritmos de induccin debido a que los resultados generados
por sus atributos se basan en el valor numrico y no en la relacin entre ellos.

Las partes predictivas resultantes a lo largo de los 10 periodos son:

Manual
Escape
Llave
Taza
Alern

Estos resultados fueron obtenidos realizando la variacin del tipo de avera y la gravedad de los
mismos por cada periodo. Estas partes resultantes de los procesamientos de datos representan el 15
% de la cantidad de partes posibles de participacin en un siniestro.

En cuanto a los tipos de averas se puede ver un comportamiento mucho ms acotado en cantidad:

Faltante
Abollado
Proyeccin

A pesar que la cantidad resultante resumida es menor que en el anlisis de partes, en este caso los
tipos de averas representan el 27 % del total de tipos de averas entre las cuales se puede encontrar
un siniestro.

En referencia a los lugares donde se producen las averas el resultado arroj el siguiente valor:

Bajada de Buque
Ingreso a Puerto
Retiro de Puerto
Salida de Planta

En este caso se puede ver que la posibilidad que se encuentre una avera en la subida a un buque es
tan baja como para que el modelo de prediccin no la considere como resultado posible. Lo mismo

sucede con las averas encontradas en la subida a un buque en puerto de origen, si bien en ese punto
de control se han encontrado gran porcentaje de las averas en estudio el modelo no arroja como
resultado posible de ocurrencia en su prediccin.

Finalmente se observa que de los modelos de auto explotados en el presente estudio el resultado se
resume a la ocurrencia de:

Modelo 9
Modelo 17
Modelo 16
Modelo 15
Modelo 14
Modelo 13
Modelo 12
Modelo 11
Modelo 10

En este caso representan el 45 % de la cantidad de modelos posibles de aparecer.

Procesamiento de informacin

La informacin fue procesada segn la siguiente distribucin de datos dentro de cada software:

Explotacin de datos usando rbol de Clasificacin: Tipo de Averas, Lugares y Modelos de
autos. Para cada herramienta se ingresan las columnas de daos distribuidas segn el
formato parte +avera +gravedad.
Explotacin de datos usando Clustering de Averas, Modelos averiados y Lugares donde se
producen las averas. La distribucin de datos se realiza encolumnando las averas en
funcin del formato parte ms avera y ms gravedad.
Explotacin de datos usando Modelo de Prediccin de Averas, Lugares donde se producen
las averas, y Modelos averiados. El ingreso de datos a cada modelo se realiza segn el
formato parte +avera +gravedad.

En el procesamiento de datos vinculado directamente a los lugares donde se producen las averas se
realizan dos actividades:

1. Agrupar en funcin de la imputabilidad a la salida de planta dos de los puntos de control.
Estos puntos se identifican en el proyecto como Salida de Planta y la imputabilidad es a
Calidad o Lnea de Produccin.
2. Y para el caso especfico de los datos relacionados con el punto de control Subida a Buque
en Puerto de Origen se realiza la salvedad que la imputabilidad del dao est distribuida
entre los daos producidos por el transporte terrestre y la playa de puerto (donde tambin se
debe incluir la estiba).

Todos los modelos de datos son explotados para cada periodo desde el ao 2003 hasta mediados del
ao 2008. El proyecto se ha desarrollado sobre 7 puntos de control. El total global de inspecciones
realizadas para obtener la informacin es de 595393 inspecciones distribuidas entre los 7 puntos de
control. El nmero total de autos es de 183926 unidades inspeccionadas a lo largo de las cadenas de
logsticas, estas unidades corresponden a 20 tipos de modelos de autos diferentes. Finalmente y

como se mencion en la etapa de Preparacin de Datos el nmero total de registro de daos
explotados en el proyecto es de 50246.

Planes alternativos

Un plan alternativo de desarrollo de minera de datos puede ser el que se detalla a continuacin.

- Extraccin de datos en formato SQL desde las bases de datos.
- Normalizacin y transformacin de datos si es necesario.
- Generacin de registros con el formato: parte, avera, gravedad, modelo, y lugar.
- Distribucin de las tablas para introducir los datos en funcin de periodos por
columna.
- El modelo de Clustering se forma por las columnas:

Periodo 1
Periodo 2
Periodo 3
Periodo 4
Periodo 5
Periodo 6
Periodo 7
Periodo 8
Periodo 9
Periodo 10

- Luego para cada periodo / columna introducir los registros extrados de la base de
datos. O sea que se puede invertir la introduccin de los datos a ser explotados para
procesar por separado partes, luego averas, luego lugares, etc.

Otro plan alternativo que puede resultar interesante para la industria es el de separar la informacin
por lugar y luego procesar cada lugar independientemente. Esto quedara conformado de la
siguiente forma:

Punto de control salida de lnea de produccin.
Punto de control ingreso a puerto.
Punto de control despachos de puerto.
Punto de control subidas a buque.
Punto de control bajada de buque.

Luego para cada lugar donde se produce la informacin se ingresa en cada modelo segn el
procesamiento actual los datos vinculados a las averas en formato parte ms avera y ms gravedad.

Dentro de cada uno de los puntos de control se pueden encontrar ms de una compaa responsable
por el movimiento de la unidad automotriz por lo que tambin puede ser una lnea de anlisis valida
para llevar a la prctica la realizacin de una subdivisin por cada lugar en funcin de la compaa
que interviene.

Continuando con ese anlisis la minera de datos tambin puede ser llevada a cabo distribuyendo los
grupos de datos por imputabilidad. Esto sera:


Averas provocadas por lneas martimas.
Averas producidas por transportes terrestres.
Averas de calidad.
Averas de puerto o playa.

Y cada grupo contendra en la explotacin de datos los cdigos de averas en formato parte ms
avera ms gravedad.

En resumen y concluyendo con la mencin de los planes alternativos que se podran llevar a la
prctica en un proyecto de minera de datos se puede decir que al contar con la informacin
normalizada desde la produccin de la misma (inspecciones segn los estndares) pasando por la
captura de datos y llegando a su almacenamiento en bases de datos centralizadas las estrategias para
un futuro procesamiento de datos aplicando tcnicas de minera de datos solo depende de los
requerimientos de las partes interesadas en la industria y la creatividad de los responsables de llevar
a cabo el proyecto.

El descubrimiento de la informacin obtenida a partir del presente proyecto directamente podra ser
usado para consolidar prcticas empricas realizadas en la industria. Se puede dar un marco terico
por ejemplo al hecho de trabajar siempre sobre la base que el comportamiento de los tipos de
averas siempre esta vinculado directamente a 4 tipos del total que impone el estndar de inspeccin
de este estudio. Esto est justificado debido a que la ocurrencia de averas se produce con cuatro
tipos de averas que participan en un porcentaje medio del 96 % del total en explotacin.

8.6.2. Supervisin y mantenimiento del plan

La supervisin y el mantenimiento de la implementacin del presente proyecto es importante
debido a que los datos que se procesan diariamente pueden ser modificados por el personal
operativo de la compaa. Los datos son modificados por diferentes motivos como puede ser haber
realizado una codificacin incorrecta, haber asignado una imputabilidad incorrecta, etc. El volumen
de datos en movimiento diario es grande y dinmico motivo por el cual la extraccin de las
muestras debe ser realizada cuidadosamente y realizando backups de los datos explotados por cada
proceso.

La minera de datos debera ser realizada por periodos de 6 meses. En funcin del presente proyecto
se puede establecer el semestre como una unidad de medida representativa importante para la
obtencin de resultados prcticos.

Como plan de supervisin y mantenimiento se podra establecer:

- Extraccin y almacenamiento semestral de datos guardando en formato de hoja de
clculo toda la informacin.
- Verificacin de los modelos de autos y lugares de inspeccin que intervienen. Si
aparecen nuevos puntos de control o nuevos modelos se debe proceder a su
codificacin.
- Distribucin de los datos en funcin de los modelos de software de minera de datos
a trabajar.
- Los archivos de la explotacin de datos semestrales deben ser guardado en soporte
magntico en la compaa. Lo conveniente es almacenar en carpetas y por procesos
semestralmente.

- Los resultados obtenidos por cada explotacin de datos debe ser llevado a formato de
hoja de clculos con generacin de grficos de barras y tortas para una mejor visin
e interpretacin de los resultados obtenidos por cada periodo.
- Al final de cada proceso de minera de datos la evaluacin de los resultados debe ser
realizado por un equipo compuesto por la parte operacin encargada de la captura de
la informacin y el rea de tecnologa de la compaa.

8.6.3. Produccin de Informe definitivo

La utilizacin de la metodologa CRISP-DM para este proyecto ha permitido encontrar un
comportamiento predictivo de los daos y/o en funcin del estndar utilizado para la realizacin de
la inspeccin de unidades.

Se ha podido encontrar un plan de extraccin, normalizacin, y codificacin de datos para la
realizacin de procesos de minera de datos semestrales. Como se ha mencionado en puntos
anteriores adems estos procesos de minera de datos pueden tener como objetivos otros aspectos
como pueden ser: realizar procesos de minera sobre las averas producidas en determinados puntos
de control, por determinadas compaas o por tipos de imputacin.

Entre los objetivos logrados por la aplicacin de la metodologa se puede mencionar:

Se han determinado los daos y/o averas para cada periodo.
Se han determinado responsabilidades en la siniestralidad en funcin del tipo de avera y
tipo de transporte por cada periodo.
El estudio de las averas ha permitido encontrar un referente de imputacin estableciendo
patrones de comportamiento.
Se han podido encontrar los tipos de averas y sus porcentajes de ocurrencia por cada
periodo.
Las partes averiadas han sido identificadas como as tambin las cantidades y porcentajes de
ocurrencia en cada periodo.
El comportamiento de los daos ha sido establecido especificando la gravedad de los
mismos.
Se han establecido cuales son los modelos de autos ms afectados por los daos como as
tambin las partes que normalmente aparecen averiadas en las unidades.
Los lugares donde se producen las averas han podido ser identificados como as tambin las
partes y tipos de averas.
Se han especificado las cantidades de averas por tipos de transportes, partes averas, tipos
de averas, lugares donde se producen las averas y los modelos afectados.
En referencia a informacin oculta descubierta en el proyecto lo ms importante fue lo
relacionado con la cantidad de tipos de avera normalmente producidos, las partes
normalmente afectadas y los modelos mayoritariamente averiados.

La presentacin final del proyecto se encuentra en el anexo 5. En este se encuentra un subconjunto
de resultados obtenidos como as tambin la explicacin global de la metodologa utilizada y los
pasos a seguir en la implementacin prctica.


8.6.4. Revisin del proyecto

Entre las cosas acertadas para el desarrollo del proyecto actual se puede decir que la determinacin
de la divisin en periodos de tipo ha sido determinante para poder encontrar un estndar de cantidad
de tiempo para realizar la explotacin de los datos.

Posiblemente uno de los errores en el proyecto fue el hecho de no invertir las columnas de datos a
ser explotados dentro de cada modelo.

Lo acertado dentro de la explotacin de datos de proyecto se puede mencionar la
Evaluar que fue lo correcto y que fue lo errado, cual fue el xito obtenido, y que necesidades sern
mejoradas.

Posiblemente para futuros proyectos haya que analizar la posibilidad de evitar el procesamiento o la
obtencin de resultados inconsistentes debido a la combinacin de partes con tipos de averas que
en la realidad no aparecen. Este proyecto puede ser de utilidad para especificar en el software de
captura o de almacenamiento en la base de datos todas las restricciones para el ingreso de averas
con estructura inconsistente.

Otro resultado interesante que se ha podido corroborar dentro de un contexto metodolgico debido a
la explotacin de datos desde el 2003 a mediados del 2008 con la base de datos en cuestin es que
el cambio de compaa de inspeccin en el punto de control Subida a Buque en Puerto de Origen
ha generado un cambio significativo en la deteccin de daos y/o averas. Los motivos que
provocaron ese comportamiento distintivo en los datos no son discutidos en el presente proyecto,
pero si se puede decir que para evitar este inconveniente en futuros proyectos de minera de datos
uno de los caminos factibles para explotar los datos puede ser el de agrupar la informacin por
puntos de control o por tipo de imputacin.


9. Conclusiones

A partir del anlisis de los diferentes mtodos para el desarrollo de esta minera de datos se puede
concluir que la metodologa CRISP-DM es apropiada para la explotacin de datos en esta industria.
Posiblemente en futuros proyectos podran utilizarse otras herramientas de software pero en
trminos generales es apropiado considerar al presente proyecto con todos los pasos y las
herramientas de software para la minera de datos en la deteccin de patrones de daos y/o averas.

Otro de los motivos por los cuales resulta apropiado trabajar con la metodologa mencionada
anteriormente es que es totalmente independiente de las herramientas de software. Esto ltimo,
caracterstica particular de CRISP-DM, es una de las grandes ventajas sobre otras metodologas.
Adems, siguiendo los pasos segn lo detalla la metodologa se ha probado que es completa y
flexible por lo cual es aconsejable recomendarla como base metodolgica para futuros proyectos en
la industria de automviles.

Como se ha mencionado a lo largo del presente trabajo en la industria automotriz a nivel global
existen diferentes estndares de inspeccin, codificacin y sistemas de captura de datos por lo tanto
la generalidad que presenta la metodologa CRISP-DM le permite hacerse recomendable para
futuras implementaciones. Cambiar de un estndar a otro no representa inconvenientes importantes
para la explotacin de informacin.

En referencia a la minera de datos realizada tambin se puede concluir que la misma puede tomar
formas diferentes de explotacin de datos tanto a nivel de formato de registros como a los periodos
de tiempos en los cuales se puede distribuir la informacin. El sistema de datos est normalizado
casi en su totalidad.

En relacin a las cantidades consideradas estadsticamente para la ocurrencia de los diferentes
siniestros se observa de forma clara como es su distribucin. Inclusive los resultados obtenidos
desde el punto de vista prctico permiten establecer como patrones de comportamiento los tipos de
averas y los modelos afectados en este nicho de mercado especfico (considerando el estndar de
inspeccin para la toma de datos y los modelos de autos que intervienen en este proyecto
particularmente).

Si bien los resultados del trabajo muestran patrones de comportamiento satisfactorios es interesante
ver que se pueden realizar ms combinaciones para la explotacin de datos en lo que se refiere a los
lugares, modelos de autos o tipo de formato de registros introducidos en cada modelo de software.
Inclusive puede tambin considerarse como parmetro de separacin las empresas responsables en
cada punto de control.

Teniendo en cuenta lo expuesto en los puntos iniciales de esta tesis se puede decir que cualquiera
sea el problema a resolver y con cualquier estndar de inspeccin no existe una nica tcnica para
solucionarlo, sino que puede ser resuelto con distintas herramientas. Los aspectos estadsticos de la
minera de datos aqu pueden dar resultados globales que permitan guiar el proyecto en esta
industria hacia los aspectos inteligentes de explotacin de datos. Esto es, posiblemente sea
conveniente comenzar los proyectos de data mining en esta industria con tcnicas estadsticas y
luego en la medida que se va profundizando en el anlisis y conocimiento de los resultados se puede
ir hacia la aplicacin de sistemas inteligentes.

La aplicacin del rbol de Clasificacin es totalmente ptima para este proyecto y en futuros
proyectos de minera de datos de esta industria. Inclusive independientemente de la distribucin o el

agrupamiento de la informacin. Resulta de alta importancia siempre utilizarlo al inicio de cada
explotacin de datos para tener una referencia clara de la situacin global de las cantidades de
datos. El modelo grfico de los resultados obtenidos detallando cantidades y porcentajes en toda la
distribucin en forma de tortas permite ver, seguir y analizar en todos los momentos del proyecto la
informacin y coherencia con que se va trabajando.

Cada rbol de Clasificacin del software utilizado genera las reglas de produccin de cada nodo.
Esas reglas pueden ser aplicables directamente al desarrollo de cualquier software para la
administracin de datos en el proceso de almacenamiento de informacin. Constituiran las
denominadas reglas de negocio para la validacin de datos de partes con tipos de averas y
gravedades. En este trabajo las reglas no han sido incluidas debido a su gran cantidad y a que cada
una tiene que ser sometida a un estudio previo para filtrarlas.

En cuanto al Clustering quizs sea necesario estudiar la posibilidad de trabajar con matrices de
menor tamao puesto que este estudio ha demostrado que se necesita mucho tiempo de
computacin para el procesamiento de matrices de 10 x 10 y posiblemente no se justifique debido a
la similitud obtenida en los resultados con otras matrices de menor tamao. Otro factor a ser
estudiado es la aplicacin o no de la gravedad de las averas puesto que pueden no ser necesarias,
pero no se debe dejar de lado que quizs el estndar lo precise. Tambin se puede realizar la
explotacin de datos con est tcnica considerando solamente datos relacionados con las partes por
un lado por periodos, o bien por tipos de averas en determinados periodos, o por lugares o modelos
en diferentes periodos. Es decir que la combinacin de posibilidades en funcin de la gran cantidad
de informacin disponible es muy alta y es posible considerar que lo ms importante es que con este
proyecto de tesis se ha podido demostrar la viabilidad de lneas de investigacin futuras con la
aplicacin del agrupamiento como tcnica de explotacin de datos.

Es interesante ver tambin que la combinacin de posibilidades para la produccin de los centroides
es grande debido al sistema de codificacin con el que se trabaja en el registro de averas en la
industria y al sistema de datos normalizado desde donde se extraen los datos. O sea que es posible
obtener resultados finales vlidos y errneos a partir de la explotacin. Los errores son descubiertos
a partir de la inconsistencia entre las combinaciones posibles de: partes ms averas ms
gravedades.

Si bien los resultados obtenidos son satisfactorios es importante destacar que es necesario trabajar,
en etapas posteriores o en una futura implementacin de esta metodologa en la industria, con
algoritmos de induccin para tratar de mejorar la explotacin de datos en lo que respecta a la
relacin entre ellos. Como se ha mencionado a lo largo de este proyecto de tesis la tendencia de las
tcnicas empleadas hacia el valor de los atributos y no entre sus relaciones muestra que algunos de
los datos resultantes son inconsistentes con la realidad. Algunas de las herramientas posibles de
utilizar pueden ser rboles de decisin o de clasificacin.

En relacin al Modelo de Prediccin es importante su aplicacin y determinante a la hora de
encontrar los patrones de ocurrencia en las averas, lugares, partes averiadas y modelos de autos
averiados. Al igual que con las otras dos herramientas utilizadas se han dejado fuera de este trabajo
algunos de los resultados obtenidos. Esto es, para el caso de las variaciones posibles de realizar
entre determinado rango de tipos de averas o partes la ocurrencia de los resultados predictivos
puede variar.

Las pendientes obtenidas sobre las tendencias pueden ser positivas o negativas, y tambin pueden
tener como ocurrencia de resultados posibles un determinado rango de valores. Estos ltimos son

aspectos matemticos que estudiados profundamente pueden dar informacin til sobre el
comportamiento o la predictibilidad de las averas.

Adems, tambin como en el caso del Clustering es posible realizar la bsqueda de otro tipo de
predicciones como por ejemplo determinados tipos de averas en determinados meses del ao. O
bien, se puede realizar la prediccin sobre partes solamente en determinados periodos, o lugares o
modelos de autos.

Este software de prediccin empleado tambin se basa fuertemente en el valor de sus atributos ms
que en la relacin entre ellos en los resultados finales por lo que sera conveniente tambin como el
caso del Clustering trabajar con algoritmos de induccin para mejorar los resultados.

Concluyendo con el resultado de la utilizacin del software empleado la informacin de esta
industria en su formato tradicional y con el sistema de seguimiento almacenado en una base de
datos central puede ser explotada en un proyecto de minera de datos con la aplicacin de tcnicas
como el clustering, la clasificacin o la prediccin.

Los periodos de tiempo para el desarrollo de una minera de datos en la industria podra ser el
semestre. La muestra semestral de datos es considerada suficiente como para lograr los objetivos
segn se plantearon en el presente proyecto de tesis, y teniendo en cuenta el movimiento de los
vehculos de mercado argentino. Los tipos de transportes tambin pueden determinar los lmites y
alcances de un proyecto de minera de datos para detectar patrones de comportamiento.

Tambin es importante mencionar como conclusin de este proyecto que la estructura de las bases
de datos desde donde se extrajo el mayor porcentaje de informacin contiene todas las relaciones y
el formato necesarios para el desarrollo de cualquier tipo de herramienta de software para la gestin
de la informacin. O sea que es recomendable para el desarrollo de aplicaciones de software de
captura o almacenamiento de informacin para cada punto de control de una cadena logstica,
realizar un anlisis detallado de las combinaciones posibles de averas o tipos de averas en funcin
de esta base de datos.

El mecanismo para la obtencin de las reglas de negocios para aplicaciones informticas en el
seguimiento y control de siniestros de este estudio no esta desarrollada en este mercado, motivo por
el cual este proyecto puede servir de antecedente para mostrar lo lineamientos generales a tener en
cuenta para el desarrollo de la tecnologa en la industria automotriz.

El descubrimiento de patrones de comportamiento de las averas o los resultados estadsticos en la
explotacin de datos realizada en este trabajo permite definir el camino que se debe seguir para la
realizacin de presupuestos y la definicin de polticas de distribucin de los operadores logsticos
encargados de los movimientos de los automviles 0 KM. Teniendo en consideracin que el costo
de produccin de las unidades es menor al costo de su posterior distribucin desde que sale de lnea
de produccin hasta que llega a su destino final, hace de la minera de datos con tcnicas
estadsticas e inteligentes una alternativa ms que importante para ser desarrollada por las empresas
interesadas en el descubrimiento de patrones de comportamiento como as tambin en el control y
asignacin de responsabilidad por siniestralidad.




10. Lneas futuras de investigacin

Las lneas futuras de investigacin pueden ser las siguientes:

Implementacin de la metodologa para el estudio de comportamiento de averas agrupando
la informacin por empresas responsables de siniestros.
Desarrollo de la metodologa con informacin extrada de base de datos con otros estndares
de inspeccin de unidades. Se recuerda que cada compaa puede tener su propio estndar
de inspeccin el cual define el formato en el que los registros pueden ser explotados.
Al igual que la implementacin por empresas responsables tambin se puede procesar la
informacin para determinadas marcas o modelos de autos.
Implementacin de proyecto con datos agrupados en funcin de la imputabilidad tambin es
otra futura lnea de investigacin viable.
Con la aplicacin del Modelo de Clasificacin se puede extraer todo el conjunto de reglas de
negocio generado para ser aplicado en el software tanto de captura de datos como en la
aplicacin que alimenta la base de datos. Esto es, a partir de las reglas generadas por el
modelo validar todos los datos que ingresan al sistema.
Como se ha mencionado en otros tems a lo largo de esta tesis tambin es viable la
explotacin de datos de este sistema de informacin considerando cada uno de los puntos de
control por separado.
El Modelo de Clstering tambin puede ser considerado definiendo matrices de menor
tamao.

En cuanto a la utilizacin de nuevas herramientas o herramientas complementarias para el
tratamiento de la informacin en esta industria es necesario hacer mencin como posibles lneas
futuras de investigacin la utilizacin de algoritmos de induccin. Tanto en el Clustering como en el
Modelo de Prediccin los resultados obtenidos hacen hincapi fundamentalmente en sus valores
numricos y no en la relacin entre los atributos. O sea que antes de dar los resultados finales de la
aplicacin de cada modelo sera conveniente una introduccin previa de los mismos en algoritmos
que permitan una aproximacin ms cercana a la realidad en lo referente a la relacin entre los
datos procesados.

Concluyendo con los posibles caminos de investigacin se puede hacer referencia a que en esta
industria uno de los sistemas de informacin estndares en el mundo (seguimiento y control de
unidades automotrices) es el que se ha expuesto en el presente proyecto. Con la informacin
normalizada electrnicamente es posible su estudio y explotacin con la aplicacin de la
metodologa CRISP-DM considerando diferentes tipos de agrupacin de datos y distintas
herramientas de software para obtener resultados exitosos para los interesados.




11. Bibliografas y Documentacin

Britos, P., et al, Minera de Datos, Basada en Sistemas Inteligentes (Editorial Nueva Librera,
2005).
De Ville, B., Microsoft Data Mining: Integrated Business Intelligence for e-Commerce and
Knowledge Management (Butterworth-Heinemann, 2001).
Dich, J ., E-data, Transformando datos en informacin con Data Warehouse (Editorial Prentice
Hall, 2001).
Gill, H. y Rao, P., Data Warehousing, la integracin de informacin para la mejor toma de
decisiones (Editorial Prentice Hall 1996).
Groth, R., Data Mining: A Hands-On Approach for Business Professionals (Editorial Prentice Hall
PTR, 1998).
Han, J . y Kamber, M., Data Mining: Concepts and Techniques (Editorial Morgan Kauffman
Publishers, 2001).
Hernndez, O., Introduccin a la Minera de Datos (Editorial Pearson Educion, 2004).
Hornick, F., et al, J ava Data Mining: Strategy, Standard, and Practice: A Practical Guide for
architecture, design, and implementation (The Morgan Kaufmann Series in Data Management
Systems) (Elsevier Inc., 2007).
Inmon, W., Building the Data Warehouse (Editorial J ohn Wiley & Sons, Inc., 2002).
J ean-Michel Franco y EDS-Instituc Prometheus, El Data Warehouse, El Data Minning (Ediciones
Gestin 2000, 1997).
J ean-Pasal, A., Inteligencia Artificial (Editorial Paraninfo, 1986).
Larose, T., Data Mining Methods and Models (J ohn Wiley & Sons, Inc., 2006).
Mccorduck, P., Mquinas que piensan, historia de la Inteligencia Artificial (Editorial Tecnos, 1991).
Mundy, J ., et al, The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the Microsoft
Business Intelligence Toolset (Wiley Publishing, Inc., 2006).
Nilsson Nils, J ., Inteligencia Artificial Una Nueva Sntesis (Editorial MCGrow-Hill, 2001).
Pajares Martinsanz, G., Inteligencia Artificial e Ingeniera del Conocimiento (Editorial Alfaomega
Grupo Editor, 2006).
Pea, D., Anlisis de datos Multivariantes (Editorial McGraw Hill/Interamericana de Espaa,
2002).
Prez Lpez, C. y Santin Gonzalez, D., Minera de Datos, Tcnicas y Herramientas (Editorial
Paraninfo, 2007).
Russel, S y Norvig P., Inteligencia Artificial - Un Enfoque Moderno (Editorial. Pearson Education,
2003).
Singh, H., Data Warehousing (Editorial Prentice Hall, 1998).
Sitio de ADEFA (Asociacin de Fbricas de Automotores) http://www.adefa.com.ar (Octubre,
2007).
Sitio de comunidad de personas interesadas en compartir conocimiento sobre temas relacionados
con los datos, y como tratarlos para transformarlos en informacin que a su vez nos permita obtener
conocimiento y saber: http://www.dataprix.com/categorias-de-dataprix.
Sitio de Estadstica (Metodologa para el desarrollo de proyectos de Data Mining)
http://www.estadistico.com/arts.html?20040426 (Septiembre, 2007).
Sitio de ITBA (Instituto Tecnolgico Buenos Aires, Centro de Ingeniera de Software e Ingeniera
del Conocimiento, Escuela de Postgrado) http://www.itba.edu.ar/capis/webcapis/planma-esp.html
(Septiembre de 2007).
Sitio de Metodologa CRISP-DM (Cross Industry Standard Process for Data Mining)
http://www.crisp-dm.org (Agosto, 2007).
Sitio de Microsoft http://technet.microsoft.com/es-es/library/ms174861.aspx (Octubre, 2007).
Sitio de SAMAS (Sociedad Argentina de Mastologa) http://www.samas.org.ar (Agosto, 2007).

Sitio de SECYT (Biblioteca Electrnica de Ciencia y Tecnologa)
http://www.biblioteca.secyt.gov.ar (Agosto, 2007).
Sitio de Universidad de Sevilla http://www.us.edu.es (Septiembre, 2007).
Sitio de Universidad Politcnica de Madrid http://www.upm.es (Septiembre, 2007).
Sitio de Universidad Politcnica de Valencia http://www.upv.es (Septiembre, 2007).
Tang, Z. and MacLennan, J ., (Author), Data Mining with SQL Server 2005 (Wiley Publishing, Inc.,
2005).


12. Anexos

Anexo 1: Terminologa de negocio.

Trmino Significado
Area Parte de un vehculo.
Avera Tipo de dao.
Bajada de buque Operacin de translado de un auto desde un barco hacia
el puerto.
Barcaza Buque especficamente usado para transporte de autos.
Batea Camin con estructura para transporte de vehculos.
Buque Barco especial acondicionada y dimensionada para el
transporte de automviles, camiones, tractores, etc.
Cadena logstica Conjunto de lugares por donde va pasando una
determinada unidad automotriz.
Check point Punto de control.
Cdificacin de avera Sistema de cdigo establecido para tomar un daos. Por
ej. Parte +Avera +Gravedad.
Colector de datos Equipo electrnico de datos con lector de cdigo de
barras.
CP Punto de control.
Dealer Punto final de distribucin de una cadena logstica.
Estndar de inspeccin Conjunto de reglas para establecer un criterio de
inspeccin donde se especifica como inspeccionar y
define como son las averas en funcin de un nivel de
importancia.
Gravedad Nivel de un dao.
Hand held Colector de datos elctrnico con lector de cdigo de
barras.
Ingreso a puerto Entrada de autos a la playa de un puerto.
Lnea de produccin Fbrica donde se producen los autos.
Lnea de transferencia Lugar donde se transfiere una unidad luego de su salida
de planta.
Patio Lugar donde se almacenan vehculos.
Perito Inspector que verifica estado de un vehculo.
Perito naval Persona que realiza inspeccin de barcos y sus cargas.
Playa Lugar donde se almacenan vehculos.
Proyeccin Tipo de dao colectivo que provine de una variedad de
acciones.
Retiro de puerto Salida de autos de la playa de un puerto.
Severidad Gravedad de un dao.
Spoiler Alern u otro elemento de la carrocera de un automvil
que sirve para hacerlo ms aerodinmico.
Subida a buque Operacin de translado de un auto desde la playade
puerto hacia un barco.

Survey Operacin de inspeccin autos.
Surveyor Persona que realiza un inspaccin de un auto.
Transponder Dispositivo a bordo de un auto que recibe seales de
radio correspondientes a una banda de frecuencias
determinada, las amplifica y desplaza su frecuencia a otra
del espectro y la retransmite.
Transporte martimo Sistema de traslado de autos por mar.
Transporte terrestre Sistema de traslado de autos por tierra.
Trincado Forma de amarrar un auto al piso de un buque.

Anexo 2: Terminologa de minera de datos.

Trmino Significado
Algoritmos genticos Tcnicas de optimizacin que usan procesos tales como
combinacin gentica, mutacin y seleccin natural en un diseo
basado en los conceptos de evolucin natural.
Anlisis de series de
tiempo (time-series)
Anlisis de una secuencia de medidas hechas a intervalos
especficos. El tiempo es usualmente la dimensin dominanate de
los datos.
Anlisis exploratorio de
datos
Uso de tcnicas estadsticas tanto grficas como descriptivas para
aprender acerca de la estructura de un conjunto de datos.
Anlisis prospectivo de
datos
Anlisis de datos que predice futuras tendencias, comportamientos
o eventos basado en datos histticos.
Anlisis retrospectivo de
datos
Anlisis de datos que provee una visin de las tendencias,
comportamientos o eventos basado en datos histricos.
rbol de decisin Estructura en forma de rbol que representa un conjunto de
decisiones. Estas decisiones generan reglas para la clasificacin de
un conjunto de datos.
Base de datos
multidimensional
Base de datos diseada para procesamiento analtico on-line
(OLAP). Estructurada como un hipercubo con un eje por
dimensin.
CART rboles de
clasificacin y regresin
Una tcnica de rbol de decisin usada para la clasificacin de un
conjunto da datos. Provee un conjunto de reglas que se pueden
aplicar a un nuevo (sin clasificar) conjunto de datos para predecir
cules registros darn un cierto resultado. Segmenta un conjunto
de datos creando 2 divisiones. Requiere menos preparacin de
datos que CHAID .
CHAID Deteccin de
interaccin automtica de
Chi cuadrado
Una tcnica de rbol de decisin usada para la clasificacin de un
conjunto da datos. Provee un conjunto de reglas que se pueden
aplicar a un nuevo (sin clasificar) conjunto de datos para predecir
cules registros darn un cierto resultado. Segmenta un conjunto
de datos utilizando tests de chi cuadrado para crear mltiples
divisiones. Antecede, y requiere ms preparacin de datos, que
CART.

Clasificacin Proceso de dividir un conjunto de datos en grupos mutuamente
excluyentes de tal manera que cada miembro de un grupo est lo
"ms cercano" posible a otro, y grupos diferentes estn lo "ms
lejos" posible uno del otro, donde la distancia est medida con
respecto a variable(s) especfica(s) las cuales se estn tratando de
predecir. Por ejemplo, un problema tpico de clasificacin es el de
dividir una base de datos de compaas en grupos que son lo ms
homogneos posibles con respecto a variables como "posibilidades
de crdito" con valores tales como "Bueno" y "Malo".
Clustering
(agrupamiento)
Proceso de dividir un conjunto de datos en grupos mutuamente
excluyentes de tal manera que cada miembro de un grupo est lo
"ms cercano" posible a otro, y grupos diferentes estn lo "ms
lejos" posible uno del otro, donde la distancia est medida con
respecto a todas las variables disponibles.
Computadoras con
multiprocesadores
Una computadora que incluye mltiples procesadores conectados
por una red.
Data cleansing Proceso de asegurar que todos los valores en un conjunto de datos
sean consistentes y correctamente registrados.
Data Mining La extraccin de informacin predecible escondida en grandes
bases de datos.
Data Warehouse Sistema para el almacenamiento y distribucin de cantdades
masivas de datos.
Datos anormales Datos que resultan de errores (por ej. errores en el tipeado durante
la carga) o que representan eventos inusuales.
Dimensin En una base de datos relacional o plana, cada campo en un registro
representa una dimensin. En una base de datos multidimensional,
una dimensin es un conjunto de entidades similares; por ej. una
base de datos multidimensional de ventas podra incluir las
dimensiones Producto, Tiempo y Ciudad.
Modelo analtico Una estructura y proceso para analizar un conjunto de datos. Por
ejemplo, un rbol de decisin es un modelo para la clasificacin de
un conjunto de datos.
Modelo lineal Un modelo analtico que asume relaciones lineales entre una
variable seleccionada (dependiente) y sus predictores (variables
independientes).
Modelo no lineal Un modelo analtico que no asume una relacin lineal en los
coeficientes de las variables que son estudiadas.
Modelo predictivo Estructura y proceso para predecir valores de variables
especificadas en un conjunto de datos.
Navegacin de datos Proceso de visualizar diferentes dimensiones, "fetas" y niveles de
una base de datos multidimensional.
OLAP Procesamiento
analtico on-line (On
Line Analitic prossesing)
Se refiere a aplicaciones de bases de datos orientadas a array que
permite a los usuarios ver, navegar, manipular y analizar bases de
datos multidimensionales.

Outlier Un item de datos cuyo valor cae fuera de los lmites que encierran
a la mayora del resto de los valores correspondientes de la
muestra. Puede indicar datos anormales. Deberan ser examinados
detenidamente; pueden dar importante informacin.
Procesamiento paralelo Uso coordinado de mltiples procesadores para realizar tareas
computacionales. El procesamiento paralelo puede ocurrir en una
computadora con mltiples procesadores o en una red de
estaciones de trabajo o PCs.
RAID Formacin redundante de discos baratos (Redundant Array of
inexpensive disks). Tecnologa para el almacenamiento paralelo
eficiente de datos en sistemas de computadoras de alto
rendimiento.
Regresin lineal Tcnica estadstica utilizada para encontrar la mejor relacin lineal
que encaja entre una variable seleccionada (dependiente) y sus
predicados (variables independientes).
Regresin logstica Una regresin lineal que predice las proporciones de una variable
seleccionada categrica, tal como Tipo de Consumidor, en una
poblacin.
SMP Multiprocesador
simtrico (Symmetric
multiprocessor)
Tipo de computadora con multiprocesadores en la cual la memoria
es compartida entre los procesadores.
Vecino ms cercano Tcnica que clasifica cada registro en un conjunto de datos basado
en una combinacin de las clases del/de los k registro (s) ms
similar/es a l en un conjunto de datos histricos (donde k =1).
Algunas veces se llama la tcnica del vecino k-ms cercano.

Anexo 3: Consultas estructuradas para base de datos.

/*cantidad de inspecciones total*/
select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasis
inner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasis
inner join operativos on operativos.idoperativo=operativos_chasis.idoperativo
and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 or
operativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)
where operativos.fechaoperativo between '20030101' and '20080631'
and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or
left(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')

/*cantidad de inspecciones por periodo*/













/*cantidad de unidades total*/
select distinct operativos_chasis.idchasis from chasis


/*cantidad de unidades por periodo*/













/*cantidad de modelos*/
and chasis.modelo='307'

/*cantidad de abollados*/
select *
from danios
inner join operativos on operativos.idoperativo=danios.idoperativo
and operativos.fechaoperativo between '20030101' and '20080630'
inner join chasis on chasis.idchasis=danios.idchasis
and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' or
left(chasis.vin,2)='8a')
where idarea=54
and idaveria=6

select *
from danios
where idarea=51
and idaveria=6
and chasis.modelo='boxer'

select *
from danios
where idarea=3
and idaveria=6
and (operativos.idcp=30)


select idaveria, idarea, count(iddanio)
from danios
where idaveria=6
group by idaveria, idarea
order by idaveria, idarea

/*cantidad de rayados*/
select *
from danios
where idarea=13
and idaveria=9

select *
from danios
where idarea=51
and idaveria=9
and chasis.modelo='307'

select *
from danios
where idarea=8

and idaveria=9
and (operativos.idcp=10 or operativos.idcp=300)

from danios
where idaveria=9

/*cantidad de pintura*/
select *
from danios
where idarea=73
and idaveria=5

select *
from danios
where idarea=35
and idaveria=5
and chasis.modelo='c4'

select *
from danios
where idarea=6

and idaveria=5

from danios
where idaveria=5

/*cantidad de faltantes*/
select *
from danios
where idarea=41
and idaveria=7

select *
from danios
where idarea=34
and idaveria=7
and chasis.modelo='c3'

select *
from danios

where idarea=43
and idaveria=7

from danios
where idaveria=7

Anexo 4: Codificacin

Modelos de autos.

Cdigo Desccripcin
1 Modelo 1
2 Modelo 2
3 Modelo 3
4 Modelo 4
5 Modelo 5
6 Modelo 6
7 Modelo 7
8 Modelo 8
9 Modelo 9
10 Modelo 10
11 Modelo 11
12 Modelo 12
13 Modelo 13
14 Modelo 14
15 Modelo 15
16 Modelo 16
17 Modelo 17
18 Modelo 18
19 Modelo 19
20 Modelo 20

Cdigos de puntos de control


Cdigo Descripcin
30 Bajada de Buque
300 Transferencia ubicacin y lnea de carga
420 Subida a Buque
60 Retiro de Puerto
10 Retiro Fbrica de Origen
25 Subida Buque Puerto de Origen
360 Ingreso a Puerto

Cdigos de tipos de transportes.

Cdigo Descripcin
30 Transporte martimo
300 Transporte terrestre

Cdigos de partes.

Cdigo Descripcin
1 Spoiler delantero
2 Paragolpe delantero / Protector delantero
3 Capot
4 Paragolpe delantero / Superior
5 Parante delantero
6 Techo (inclusive convertible)
7 Techo corredizo
8 Barras de techo
9 Tapa posterior de techo
10 Parabrisa
11 Tapa de Bal o Puerta Trasera
12 Paragolpe trasero / Spoiler trasero
13 Panel trasero bajo bal
14 Paragolpe trasero / Zona contacto
15 Tapizado interno puerta delantera izquierda
16 Zcalo interno puerta delantera izquierda
17 Manijas externas de puertas delanteras
18 Manijas externas de puertas traseras
19 Aerosol antipinchazos
20 Transponder
21 Antena

22 Faldillas para barro
23 Limpiador de Faros (derecho / izquierdo)
24 Limpiador y lavador de parabrisas
25 Limpiador y lavador de vidrios traseros
26 Alern
27 Taza
28 Alfombra suplementarias
29 Manual
30 Retrovisor externo derecho
31 Guardabarro delantero derecho
32 Llanta delantera derecha
33 Cubierta delantera derecha
34 Zcalo derecho
35 Guardabarro trasero derecho
36 Puerta delantera derecha
37 Puerta trasera derecha
38 Panel lateral derecho
39 Moldura protectora lateral derecha
40 Giro Delantero (derecho / izquierdo)
41 Cristales de parante delantero
42 Escape
43 Tapa acceso gancho remolque
44 Bolsa de herramientas
45 Otros
46 Llave
47 Parrilla delantera
48 Luz de neblina trasera
49 Faro de stop luneta
50 Retrovisor externo izquierdo
51 Guardabarro delantero izquierdo
52 Llanta delantera izquierda
53 Cubierta delantera izquierda
54 Zcalo izquierdo
55 Guardabarros y parante trasero izquierdo
56 Puerta delantera izquierda
57 Puerta trasera izquierda
58 Panel lateral izquierdo
59 Moldura protectora lateral izquierda
60 Tapa tanque combustible
61 Insignia
62 Alfombra bal / caja de carga
63 Luz de patente trasera
64 Cable de carga
65 Luz trasera izquierda

66 Cristales parante trasero / fijos
67 Cristales fijos / Mviles paneles
68 Plip
69 Cerraduras de puertas
70 Bajo chasis trasero
71 Bajo chasis delantero
72 Asientos delanteros / traseros
73 Llanta trasera derecha
74 Cubierta trasera derecha
75 Giro guardabarros delantero derecho / izquierdo
76 Faro delantero izquierdo / derecho
77 Faro antiniebla / largo alcance
78 Rejilla retenedora de carga
79 Separador interno de carga
80 Luneta trasera / Cristal puerta trasera
81 Llave de rueda
82 Cristales de puertas delanteras
83 Cristales de puertas traseras
84 Encendedor
85 Sistema de navegacin
86 Stereo / Radio
87 Compactera / Porta CD
88 Apoya cabezas delantero / izquierdo / derecho
89
Apoya cabezas trasero / izquierdo / centro /
derecho
90 Conjunto carroceria
91 Batera
92 Crquet
93 Llanta trasera izquierda
94 Cubierta trasera izquierda
95 Rueda de auxilio
96 Gancho de remolque
97 xxxxxxxxxx
98 Botiqun
99 -

Cdigos de tipos de averas.

Cdigo Descripcin
1 Quemado
2 Arrancado - Roto - Fisurado
3 Desgarrado - Cortado
4 Reventado - Estallado
5 Pintura saltada

6 Abollado
7 Faltante
8 Proyeccin
9 Rayado - Rozado
10 Manchado
11 Exceso kilometraje

Cdigos de gravedades.

Cdigo Descripcin
1 Intolerable
2 Grave
3 Mediano
4 Leve
20 Observada
21 -

Anexo 5: Presentacin final.

Cartula
Presentacin Final

Deteccin de Patrones para la Prevencin de Daos y/o Averas

Ing. Hugo Daniel Flores

Pgina 1
Presentacin

Deteccin de Patrones para la Prevencin de Daos y/o Averas en
Automviles 0 KM.
Metodologa de desarrollo de minera de datos.
Metodologa CRISP-DM.
Desarrollo de la industria automotriz.
Procesos en la industria automotriz
Informacin de la industria automotriz
Aplicacin de metodologa de desarrollo de minera de datos.
Conclusin.

Pgina 2
Objetivos

1. Identificar daos y/o averas.
2. Determinar responsabilidad de siniestralidad en funcin del tipo de avera y tipo de
transporte.

3. Imputar incidentes segn el tipo de transporte.
4. Determinar tipos de averas y/o daos.
5. Determinar partes averiadas y/o daadas que muestren algn tipo de comportamiento.
6. Especificar gravedad de daos y/o averas.
7. Definir e identificar modelos con daos especificando partes, tipo de dao y gravedad.
8. Especificar lugares donde se producen daos y/o averas tratando de definir patrones de
comportamiento.
9. Especificar estadsticamente: tipos de transporte que producen daos y/o averas como as
10. Descubrir informacin oculta en funcin de los modelos generados a partir de los datos
disponibles.

Pgina 3
Tecnologa

Minera de Datos
Es un proceso con el cual se pueden descubrir y cuantificar relaciones predictivas en los datos con
la aplicacin de un conjunto de tcnicas, y del resultado de este proceso es posible obtener
conocimiento til para el negocio.

Tcnicas de Mineria de Datos

Anlisis estadstico
Se preocupa por el poder de generalizacin de los resultados obtenidos para poder inferir los
resultados a situaciones ms generales que la estudiada.

Anlisis con sistemas inteligentes
Se preocupa por ofrecer soluciones algortmicas con un coste computacional aceptable.

Pgina 4
Tecnologa

Metodologas de Minera de Datos

Metodologa SEMMA
1. Muestreo
2. Exploracin
3. Manipulacin
4. Modelado
5. Valoracin

Metodologa MS
1. Definicin del problema
2. Preparacin de datos
3. Exploracin de datos
4. Generacin del modelos
5. Validacin del modelos
6. Implementacin y actualizacin de los modelos

Pgina 5

Tecnologa

Metodologa CRISP-DM

1. Anlisis del problema
2. Anlisis de datos
4. Modelado
5. Explotacin
6. Evaluacin

Pgina 6
Metodologa CRISP-DM

Fue concebido a finales de 1996. Daimler Chrysler (entonces Daimler-Benz) estaba delante
de la mayora de las organizaciones industriales y comerciales en la aplicacin de la minera de
datos en sus operaciones de negocios.

Introduccin
1. La metodologa CRISP-DM
2. Pasaje de modelos genricos a modelos especializados

Modelo de referencia
1. Comprensin del negocio
2. Comprensin de datos
4. Modelado
5. Evaluacin
6. Desarrollo

Pgina 7
Metodologa CRISP-DM

Gua de usuario
Comprendiendo el negocio
Comprensin de datos
Preparacin de los datos
Modelado
Evaluacin
Desarrollo

Salidas
Comprensin del negocio
Comprensin de datos
Preparacin de los datos
Modelado
Evaluacin
Desarrollo
Resumen de dependencias


Pgina 8
Metodologa CRISP-DM

Apndice
Glosario/Terminologa
Tipos de problemas de minera de datos

Pgina 9
Industria automotriz

1. La industria automotriz y la identificacin de daos y/o averas.
2. Globalizacin de marcas.
3. Diversificacin de modelos.
4. Especializacin en produccin de modelos.
5. Desarrollo de tecnologa de las comunicaciones y medios de transportes.
6. Implementacin de controles.
7. Reduccin de costos.
8. Incorporacin de operadores logsticos.
9. Tercerizacin de sistemas de transporte y lugares de almacenamiento.
10. Puntos de control estratgicos.
11. Creacin de los estndares de inspeccin:
12. Procedimientos de inspeccin.
13. Sistemas codificacin de daos y/o averas.
14. Circuitos logsticos

Pgina 10
Industria
Circuitos logsticos
Exportacin

Importacin


Pgina 11
Procesos, Informacin y Datos

Puntos de control
Los check points son los nodos de las cadenas logsticas que conforman lo circuitos que
recorren las unidades desde que salen de produccin hasta que llegan a su destino final.
Estndares de inspeccin
En cada punto de control se realiza la inspeccin de unidades segn un conjunto de reglas o
procedimientos especificados por el estndar de isnepccin.
Captura de datos
Normalmente en la industria los datos son tomados por lectores de cdigo de barras debido a
que toda unidad viene con una hoja detallada donde se indica el cdigo de barras con datos
relacionados al vehculo.
Procesamiento de datos
Los datos son tomados donde se reliza cada inspeccin y luego son almacenados en una base
de datos. Actualmente hay dos sistemas de almacenamiento uno en batch y otro de lnea a travs de
radiofrecuencia.
Base de datos
Sistema de datos estructurado y normalizado.

Pgina 12
Aplicacin de la metodologa CRISP-DM

Comprensin del negocio
El objetivo del negocio es determinar comportamientos en la ocurrencia de daos y/o
averas. De esto ltimo tambin se puede inferir que es de utilidad para la toma de decisiones el
poder determinar o definir los lugares donde se producen los daos y las imputaciones de las
mismas.

Comprensin de datos
Identificacin de autos, modelos, lugares, tipos de trasportes, empresas, partes, averas,
gravedades, observacin, fechas.

Preparacin de datos
Nmero de chasis, Modelo, Fecha, Lugar, Parte, Tipo Avera, Gravedad, Observacin.

Pgina 13

Modelado

El conjunto de datos de entrenamiento fue almacenado en archivos con formato de hoja de
clculo y se dividi en funcin de los perodos establecidos previamente para el presente proyecto.
Las cantidades de datos de entrenamiento para los respectivos modelos es variable en funcin del
software utilizado, lo cual fue especificado previamente.

Evaluacin

La ejecucin de los modelos ha generado los datos esperados en funcin de los objetivos de
negocio establecidos previamente para el proyecto. Si bien en el primer anlisis se pudo decir que

se han cubierto todas las alternativas para lograr los objetivos de negocio y de minera de datos no
se descart la posibilidad de arribar a nuevas preguntas de negocio o nuevas aproximaciones de
resultados.

Pgina 14

Desarrollo

rbol de Clasificacin
Construccin de un rbol que en cada nodo establece condiciones sobre atributos, divide el
conjunto de casos en subconjuntos que cumplen cada condicin. Los subconjuntos se vuelven a
dividir aadiendo nuevos niveles al rbol hasta detenerse mediante algn criterio.

Agrupamiento
Tcnica que agrupa los datos en funcin de una distancia sin utilizar ningn tipo de
informacin externa para organizar los grupos.

Modelo de Clasificacin
La diferencia con la primera tcnica est en que en la prediccin el atributo objetivo no es un
atributo cualitativo discreto, sino es uno continuo. El objetivo de la prediccin esta en encontrar el
valor numrico del atributo objetivo para objetos no vistos.

Pgina 15

Desarrollo

Pgina 16

Tipos de Averas
0
1000
2000
3000
4000
5000
6000
Per i o d o
Faltante 494 184 274 264 240 247 339 605 641 1771
Pinturasaltada 935 790 812 598 490 271 136 237 609 334
Rayado - Rozado 2023 1628 1794 1792 1887 1499 1207 1278 4689 2223
Abollado 5338 2855 2375 1099 1126 1681 780 761 1016 751

Desarrollo

Pgina 17

Desarrollo

Pgina 18

Desarrollo
Abollados
Capot, Observada.
Modelos
0
500
1000
1500
2000
2500
3000
3500
4000
4500
Per i o d o
Modelo 9 4143 1785 833 433 469 789 170 209 156 142
Modelo 17 2662 2616 3041 2002 1795 1482 260 125 30 38
Modelo 5 595 244 252 200 398 533 565 712 839 433
Modelo 20 546 319 632 574 266 441 1268 1403 3819 2571
Modelo 18 467 28 40 86 39 10 29 37 36 21
Modelo 13 436 562 457 35 70 125 106 270 358 190
Modelo 7 0 0 0 0 0 0 2 94 1747 1883
Modelo 8 0 0 0 465 608 285 28 88 75 26
Lugares
0
1000
2000
3000
4000
5000
6000
7000
8000
Per i o d o
SubidaaBuque 104 82 228 201 104 138 265 95 523 633
Retiro dePuerto 352 89 71 137 248 187 119 156 60 124
Ingreso aPuerto 443 343 491 510 550 497 1069 575 1167 958
SalidadePlanta 511 69 53 642 1003 767 454 1457 4521 3020
BajadadeBuque 942 343 505 570 758 580 547 219 282 318
SubidaBuquePuerto deOrigen 6925 4741 4008 1849 1208 1585 144 517 635 454

Capot.
Leve.
Observada.
Transferencia ubicacin y lnea de carga.

Pgina 19

Desarrollo

Rayados o rozados
Manijas externas de puertas traseras, Mediano.
Panel trasero bajo bal, Observada.
Spoiler delantero, Observada.
Tapa posterior de techo, Observada.
Paragolpe delantero / Protector delantero, Observada.
Paragolpe delantero / Superior, Mediano.
Tapizado interno puerta delantera izquierda.
Paragolpe delantero / Superior.
Manijas externas de puertas traseras.
Panel trasero bajo bal.
Paragolpe delantero / Protector delantero.
Paragolpe delantero / Superior.
Spoiler delantero.
Tapa posterior de techo.
Tapizado interno puerta delantera izquierda.

Pgina 20

Desarrollo

Faltantes
Manijas externas de puertas delanteras, Observada.
Manijas externas de puertas delanteras.
Grave.
Leve.
Observada.
Modelo 8.
Subida a Buque, Tapa acceso gancho remolque.

Pgina 21

Desarrollo

Pintura saltada
Llanta trasera derecha, Observada.
Paragolpe delantero / Protector delantero, Observada.
Guardabarro trasero derecho.

Llanta trasera derecha.
Paragolpe delantero / Protector delantero.
Mediano.
Observada.
Modelo 17, Llanta delantera derecha.
Modelo 9, Mediano.

Pgina 22

Desarrollo

Prediccin
Alern
Escape
Llave
Manual
Taza

Pgina 23
Conclusin

1. La metodologa CRISP DM es aplicable a la industria.
2. La aplicacin de las tcnicas de rbol de Clasificacin, Clustering y Modelo de Prediccin
permiten obtener resultados satisfactorios.
3. Resulta ptimo el desarrollo y ejecucin de la metodologa en periodos semestrales.
4. La explotacin de datos puede tomar diferentes formas: por periodos diferentes, modelos o
empresas especficas, puntos de control, tipos de averas o partes averiadas.
5. Los resultados obtenidos de la minera de datos pueden ser de utilidad para el desarrollo de
sistemas de informacin.
6. En referencia a los datos y estructura de datos de los sistemas de base de datos desde donde
se ha tomado la informacin se puede observar que los mismos son satisfactorios.

Pgina 24
Conclusin

En cuanto a los objetivos los mismos han sido logrados:
Se han identificado daos y/o averas.
Se han determinado las responsabilidades en funcin de la avera y tipos de
transporte.

Las imputaciones de los incidentes segn el tipo de transporte se han establecido.
Se han determinado los tipos de averas y/o daos.
Se han determinado las partes averiadas y se ha podido establecer sus
comportamientos.
Se han especificado gravedades de daos y/o averas.
Se han definido e identificado los modelos de autos con daos especificando partes,
tipo de dao y gravedad.
Se han especificado lugares donde se producen daos y/o averas y se han definido
patrones de comportamiento.
Se han especificado estadsticamente tipos de transporte que producen daos y/o
averas como as tambin, partes, tipos de averas, gravedades, lugares donde se
producen.



Tesis de BI

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesis de BI

Caricato da

Copyright:

Formati disponibili

Tesis de Magister en Ingeniera en Sistemas de Informacin

Deteccin de Patrones de Daos y Averas en la Industria

Potrebbero piacerti anche