Web Mining

Dirigido a:

• Gerentes, analistas de datos y personal

Modalidad:

• Hands-on

Duración:

• 2 días

Descripción:

• Este curso proporciona una introducción a la utilización de técnicas de data mining para
  el análisis de distintos tipos de datos provenientes de transacciones en la World Wide Web.
  Se consideran los problemas y prácticas más relevantes y se utilizan varias herramientas.
  

Aprenda cómo

• Utilizar herramientas estadísticas para hacer análisis de datos de transacciones en la Web
  (Web analytics).
• Identificar e interpretar métricas clave.
• Comprender las principales técnicas de recolección de datos, su impacto sobre las métricas
  y sus limitaciones.
• Obtener conclusiones sobre cómo optimizar el diseño de un sitio web o realizar actividades
  de marketing.

¿Quiénes debieran asistir?

• Analistas que desean comprender las mejores prácticas, técnicas, tendencias y problemas
  del área de Web mining, incluyendo analistas de data mining, de marketing y CRM.
  

Prerrequisitos:

• Tener un conocimiento básico del funcionamiento de la Web y de las cuestiones básicas
  del comercio electrónico (e-commerce) y publicidad en línea.
• Tener un conocimiento básico de estadística descriptiva e inferencial.
• Tener un conocimiento básico de las principales técnicas de data mining.

Contenido:

1. Introducción:
   • Definición, ejemplos y breve historia de la World Wide Web.
   • Revisión de las principales tecnologías y estándares en la Web.
   • Análisis de flujo de clicks.
2. Técnicas de recolección de datos de flujo de clicks:
   • Análisis de logs.
   • Tagging de páginas web.
   • Cookies.
   • Sniffing de paquetes.
   • Herramientas de análisis.
3. Métricas en la Web
   • Vistas de páginas, visitas (sesiones), diversas clases de visitas,
     tiempo en una página, tasa de rebotes, etc.
   • Análisis de contenidos, páginas más populares, págines de entrada
     y salida.
   • Métricas vinculadas a sucesos.
   • Medición de resultados/acciones: cadena de conversión, tasas de
     conversión, tasas de abandono, etc.
4. Monitoreo y análisis:
   • Monitoreo y detección de anomalías.
   • Análisis de tendencias.
   • benchmarking.
   • tableros de control.
   • segmentación y OLAP.
   • análisis de navegación.
   • experimentación y análisis multivariado.
   • analytics de búsqueda, motores de búsqueda y optimización.
5. Modelización descriptiva de transacciones en la Web
   • Pre- y postprocesamiento de datos.
   • Reglas de asociación.
   • Análisis de secuencia.
   • Clustering (k-medias).
6. Modelización predictiva:
   • Ejemplos de aplicaciones de web mining.
   • Sistemas de recomendación y filtrado colaborativo.
7. Redes sociales y su análisis:
   • Ejemplos (Twitter, Facebook, etc).
   • Métricas de blogs.
   • Métricas de redes sociales.
   • Análisis de comunidades en la Web.
   • Difusión en redes sociales y marketing viral.