1 7ª Jornada sobre la Biblioteca Digital Universitaria JBDU2009 "La biblioteca universitaria en la web" Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Kuna, Horacio; Miranda, Mirta J.; Caballero, Sergio; Jaroszczuk, Susana.

2 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Explotación de Información La explotación de Información es la sub-disciplina Informática que aporta a la Inteligencia de Negocio las herramientas (procesos y tecnologías) para la transformación de información en conocimiento, para lograr este objetivo se utiliza a la Minería de Datos. Se define la Minería de Datos (Data Mining) como el proceso mediante el cual se extrae conocimiento comprensible y útil que previamente era desconocido desde bases de datos, en diversos formatos, de manera automática.

3 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Explotación de Información Explotación de Información (2) La minería de datos es un elemento fundamental de un proceso más amplio que tiene como objetivo el descubrimiento de conocimiento en grandes bases de datos, este proceso, tiene una primer etapa de preparación de datos, luego el proceso de minería de datos, la obtención de patrones de comportamiento, y la evaluación e interpretación de los patrones descubiertos. Siste- ma de Inf. Prepara- ción datos Evaluación Interpre- tac. Visualizac. Minería De Datos Conoci mien- to Patrone s

4 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Explotación de Información Explotación de Información (3) Ante la necesidad existente de brindar al incipiente mercado una aproximación sistemática para la implementación de proyectos de Minería de Datos, diversas empresas han especificado un proceso de modelado diseñado para guiar al usuario a través de una sucesión formal de pasos:  SAS propone la utilización de la metodología SEMMA [SEMMA 2008] (Sample, Explore, Modify, Model, Assess).  En el año 1999 uno grupo de empresas europeas, NCR (Dinamarca), AG (Alemania), SPSS (Inglaterra) y OHRA (Holanda), desarrollaron una metodología de libre distribución CRISP-DM (Cross-Industry Standard Process for Data Mining) [CRISP, 2008].  La metodología P3TQ [Pyle, 2003] (Product, Place, Price, Time, Quantity), tiene dos modelos, el Modelo de Explotación de Información y el Modelo de Negocio.

5 Procesos de Explotación de Información Se identificaron cinco procesos de minería de datos y el contexto en el cual deben ser aplicados:  Proceso de predicción,  Proceso de construcción de modelos,  Proceso de descubrimiento de grupos,  Proceso de identificación de factores y  Proceso de detección de perfiles Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

6 Procesos, tecnologías aplicaciones de DM PROCESOS EITECNOLOGÍASAplicaciones PredicciónRedes Neuronales de Back Progagation (Perceptron multicapa) Predicción de valores atributos AgrupamientoMétodos Jerárquicos y no Jerárquicos. Redes SOM Descubrimiento de grupos InducciónAlgoritmos TDIDT (Top Down Induccion of Decision Trees) Descubrimiento de reglas de comportamiento PonderaciónRedes BayesianasPonderación de interdependencia de Atributos Agrupamiento + Inducción SOM + TDIDTDescubrimiento de reglas de pertenencia a grupos Inducción + Ponderación TDIDT + Redes Bayesianas Ponderación de atributos relevantes en reglas de comportamiento Agrupamietno + Ponderación SOM + Redes Bayesianas Ponderación de atributos relevantes en cada grupo descubierto

7 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Intelligent Miner de la empresa IBM. www-306.ibm.com/software/data/iminer/ Clementine de la empresa SPSS/Integral Solutions Limited (ISL). www.spss.com/clementine/www.spss.com/clementine/ Enterprise Miner de la empresa SAS. www.sas.com/technologies/analytics/datamining/miner/www.sas.com/technologies/analytics/datamining/miner/ Microstrategy de la empresa Microstrategy. www.microstrategy.com/www.microstrategy.com/ Darwin de la empresa Oracle. www.oracle.com/technology/documentation/darwin.htmlwww.oracle.com/technology/documentation/darwin.html CART de la empresa Salford Systems. www.salford-systems.com/www.salford-systems.com/ Data Surveyor de la empresa Data Distilleriers. www.ndparking.com/ddi.nlwww.ndparking.com/ddi.nl GainSmarts de la empresa Urban Science. www.urbanscience.com/GainSmarts.htmlwww.urbanscience.com/GainSmarts.html Knowledge Seeker de la empresa Angoss. www.angoss.com/www.angoss.com/ Polyanalyst de la empresa Megaputer www.megaputer.com/polyanalyst.phpwww.megaputer.com/polyanalyst.php SGI MineSet de la empresa Silicon Graphics. http://www.sgi.com/http://www.sgi.com/ Wizsoft/Wizwhy de la empresa Wizsoft. http://www.wizsoft.com/http://www.wizsoft.com/ Pattern Recognition Workbench (PRW) de la empresa Unica Corporation. http://www.unica.com/http://www.unica.com/ WEKA open source. www.weka.net.nz/www.weka.net.nz/ Rapid Miner open source. www.rapidminer.com/www.rapidminer.com/ Tanagra open source. http://eric.univ-lyon2.fr/~ricco/tanagra/http://eric.univ-lyon2.fr/~ricco/tanagra/ Pentaho open source. http://www.pentaho.com/products/try_bi_suite.phphttp://www.pentaho.com/products/try_bi_suite.php

8 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico La familia TDIDT (Top Down Induction Trees) pertenece a los métodos inductivos del Aprendizaje Automático que aprenden a partir de ejemplos preclasificados. Dado un conjunto que contiene ejemplos pertenecientes a distintas clases, se realiza una prueba sobre los distintos atributos y se realiza una partición según el “mejor” atributo. Para encontrar el “mejor” atributo, se utiliza la teoría de la información, determinando que atributo aporta mayor ganacia (o menor perdida de informacion) al tomar un determinado valor.

9 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Dolor de pecho de angor Irradiación del angor Angor en relación Duración del angor Antigüedad del angor Respuesta vasodilatadora Infarto agudo de miocardio TípicoSiCon esfuerzoMenos de 30’RecientePositivoSi AtípicoNoEn reposoMás de 30’Más de 1 mesNegativoNo AusenteNoEn reposoMenos de 30’Más de 1 mesNegativoNo AtípicoNoEn reposoMenos de 30’RecientePositivoSi TípicoNoEn reposoMenos de 30’Más de 1 mesNegativoNo TípicoNoCon esfuerzoMás de 30’RecientePositivoNo AtípicoSiEn reposoMás de 30’RecienteNegativoNo TípicoNoCon esfuerzoMenos de 30’RecienteNegativoSi AtípicoNoCon esfuerzoMenos de 30’RecienteNegativoSi TípicoNoEn reposoMás de 30’Más de 1 mesPositivoNo AusenteSiEn reposoMenos de 30’Más de 1 mesNegativoNo TípicoNoEn reposoMenos de 30’RecienteNegativoNo AusenteSiCon esfuerzoMás de 30’RecientePositivoSi TípicoSiEn reposoMás de 30’Más de 1 mesPositivoNo TípicoNoEn reposoMenos de 30’RecienteNegativoNo ….. TípicoNoCon esfuerzoMenos de 30’Más de 1 mesNegativoSi Dolor de pecho de angor Duración del angor No (Infarto de miocardio) Más de 30’ Menos de 30’ TípicoAusenteAtípico No (Infarto de miocardio) Si (Infarto de miocardio) Respuesta vasodilatadora NegativoPositivo Si (Infarto de miocardio) Irradiación del angor SiNo No (Infarto de miocardio) Si (Infarto de miocardio) Angor en relación Antigüedad del angor Irradiación del angor Duración del angor Respuesta vasodilatadora Dolor de pecho de angor Infarto agudo de miocardio ALGORITMOS TDIDT Presentación intuitiva del proceso de inducción

10 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Si Cantidad de calorías = Alta Y estoy a dieta = Sí Entonces No comerlo Si Cantidad de calorías = Alta Y estoy a dieta = No Y estoy yendo al gimnasio = No Entonces Comerlo la mitad Si Cantidad de calorías = Alta Y estoy a dieta = No Y estoy yendo al gimnasio = Sí Entonces Comerlo Si Cantidad de calorías = Baja Entonces Comerlo Reglas Cantidad de calorías ¿Estoy a dieta? ¿Estoy yendo al gimnasio? Acción AltaSí No comerlo AltaSíNoNo comerlo AltaNoSíComerlo AltaNo Comer la mitad BajaSí Comerlo BajaSíNoComerlo BajaNoSíComerlo BajaNo Comerlo ALGORITMOS TDIDT Construcción de reglas

11 Minería de datos en entornos WEB La aplicación de técnicas de Data Mining sobre el conjunto de datos contenidos en la World Wide Web se conoce con el nombre de WebMining el objetivo es aprovechar todas las ventajas de los procesos de Minería de Datos para obtener conocimiento de la información disponible en Internet. Existen dos enfoques bien diferenciados de análisis, por un lado la Minería de datos desde el lado del servidor y por el otro desde el lado del cliente. Se utiliza la minería de datos en entornos Web para descubrir en forma automática documentos y servicios de la web y extraer información útil sobre ellos, información que implica distintos tipos de datos: imágenes, sonido, texto, semi-estructurado, imágenes, etc., Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

12 Minería de datos en entornos WEB(2) Minería de datos en entornos WEB (2) Se aplican técnicas de Minería de Datos para:  Descubrir conocimiento relacionado con el contenido de la Web donde se localizan los datos de las páginas HTML, los datos multimedia, datos XML y de textos.  Descubrir conocimientos relacionados con el uso y el acceso a la Web (Web User Mining).  Descubrir conocimientos relacionados con la estructura de la Web y se relaciona con encontrar patrones de comportamiento en los enlaces o links que se encuentran en los documentos hipertextuales en Internet. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

13 Aplicaciones de la Explotación de Información al ámbito bibliotecológico La aplicación de técnicas de Minería de Datos en el ámbito bibliotecario se conoce con el nombre de bibliomining. La llegada de las nuevas tecnologías de la Información y las comunicaciones a las Bibliotecas ha potenciado la búsqueda de patrones de comportamiento en los datos que se manejan. Algunas de sus principales aplicaciones son: Apoyo a la toma de decisiones Análisis de los datos disponibles de la colección con el objetivo de contar con información que ayude a administrar los fondos de la biblioteca, en este caso las redes neuronales han mostrado muy interesantes resultados. Análisis del comportamiento de los usuarios. Personalización de los servicios. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

14 Aplicaciones de la Explotación de Información al ámbito bibliotecológico (2) Para Nicholson, el proceso de Minería de Datos aplicado al ámbito bibliotecológico tiene seis fases para su implementación: Determinación de las áreas de interés. Identificación de fuentes de datos internas y externas. Recopilar, limpiar y hacer anónimos los datos en el data warehouse. Selección de las herramientas de análisis apropiadas. Descubrimiento de patrones a través de la minería de datos y creación de informes con herramientas tradicionales de análisis. Análisis e implementación de los resultados. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

15 Experimentación Diseño experimental y variables El objetivo del trabajo fue tratar de entender la causa por la cual un usuario se retrasa en la devolución de libros, de un sistema de gestión bibliotecaria que funciona en un entorno Web de una Facultad de la UNaM, donde se realiza la reserva a través de internet. Se trató de obtener patrones automáticos de comportamiento de la base de datos del sistema de gestión bibliotecaria Koha con información de los años 2006 al 2009 mediante el uso de procesos de explotación de información estandarizados. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

16 Experimentación (2) Diseño experimental y variables Se realizó un preprocesamiento con el objetivo de mejorar la calidad de los datos y se detectaron algunos problemas relacionados con datos faltantes, se agregaron algunas variables y se completó en forma aleatoria el contenido de las mismas con el objetivo de optimizar el proceso de explotación de información. Algunas variables fueron descartadas ya que no brindaban información sustantiva al objetivo planteado y fueron creadas nuevas variables a partir de variables ya existentes. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

17 Experimentación (3) Las principales variables utilizadas Procedimientos de la explotación de información aplicados al ámbito bibliotecológico Nombre de la variable Tipo de variableDescripciónValores posibles ClaustroDependienteClaustro al que pertenece el socio de la biblioteca 1 alumno 2 docente 3 no docente Signatura de claseDependienteClasificación temática del libro3 Cod_carreraDependienteCódigo de carrera1 Reserva_cDependienteSi se realizó o no reserva del libro prestado 0 = si 1 = 2 SemestreDependienteSemestre en el cual se realizó el prestamo 1 =primer semestre 2 =segundo semestre CumplimientoIndependienteInforma si el socio devolvió en termino o no el libro prestado si = Verdadero no = Falso

18 Resultados El principal objetivo fue encontrar características de los préstamos donde se produce un atrasa en la devolución del libro. La variable objetivo planteada fue cumplimiento, definiéndose como cumplimiento al socio de la biblioteca que devuelve el libros prestado en la fecha prevista. Para llegar al objetivo propuesto se aplicó un algoritmo de inducción que permitió obtener un conjunto de reglas que posibilitan explicar porque los socios se retrasan en la devolución de un libro. Se realizo la experimentación utilizando la herramienta software TANAGRA (Open Source) en su versión 1.4.25 y se utilizó el algoritmo C4.5 Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

19 Resultados (2) Resultados (2) Experimentación con Tanagra Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

20 Resultados (3) Se encontraron 48 reglas de comportamiento de la base de datos. A continuación se muestran algunas de las reglas encontradas. reserva_c < 0,5000 signatura de clase < 6,5000 claustro < 2,5000 then cumplimiento = si (72,78 % of 36344 examples) claustro >= 2,5000 cod_carrera_c < 1,5000  signatura de clase < 5,5000 then cumplimiento = si (57,45 % of 188 examples)  signatura de clase >= 5,5000 then cumplimiento = no (57,81 % of 64 examples) cod_carrera_c >= 1,5000  signatura de clase < 5,5000  cod_carrera_c < 2,5000 then cumplimiento = si (80,88 % of 136 examples)  cod_carrera_c >= 2,5000  signatura de clase < 4,5000  cod_carrera_c < 3,5000 then cumplimiento = si (81,36 % of 59 examples)  cod_carrera_c >= 3,5000  Semestre_c < 1,5000 then cumplimiento = no (66,67 % of 6 examples)  Semestre_c >= 1,5000 then cumplimiento = si (77,78 % of 9 examples)  signatura de clase >= 4,5000 then cumplimiento = si (65,96 % of 47 examples)  signatura de clase >= 5,5000 then cumplimiento = si (80,33 % of 122 examples) Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

21 Resultados (4) Una de las reglas aparece por ejemplo que cuando se realizó reserva previa, la signatura de clase es 3/4/5/6, el claustro es alumno o docente, el cumplimiento en la devolución del libro es de alrededor del 73%.  Que cuando se realizó reserva previa, la signatura de clase es 3/4/5, el claustro es no docente, el código de carrera es = 1, el cumplimiento en la devolución del libro es de alrededor del 57%.  Que cuando se realizó reserva previa, la signatura de clase es 6, el claustro es no docente, el código de carrera es = 1, el no cumplimiento en la devolución del libro es de alrededor del 57%.  Que cuando se realizó reserva previa, la signatura de clase es 3/4/5, el claustro es no docente, el código de carrera es = 2, el cumplimiento en la devolución del libro es de alrededor del 81%. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

22 Interpretación El conocimiento que surge en la base del sistema de gestión de la biblioteca aporta un conocimiento fundamental para entender cual es la lógica de funcionamiento del sistema de reserva / préstamo y devolución de libros. Este conocimiento que no es visible sin la aplicación de procedimientos de explotación de información es de suma utilidad ya que permite entender en que casos se producen atrasos en la devolución de libros y poder de esta manera tomar las medidas preventivas que permitan corregir esta situación. Es posible aplicar otros algoritmos de Minería de datos por ejemplo redes SOM para clusterizar y de esta manera analizar cual es el agrupamiento que surge o Redes Bayesianas para entender la interrelación entre atributos. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

23 Conclusiones y futuras líneas de Investigación Analizando los resultados obtenidos después del proceso de explotación de la información aplicando un algoritmo de inducción, es posible afirmar que estas herramientas resultan de gran importancia para determinar las causales del cumplimiento o no de las fechas de devolución de libros en un sistema de gestión de bibliotecas que funciona en un entorno WEB, dando elementos para el análisis y la toma de decisiones como por ejemplo adoptar una política de capacitación de usuarios ante prestamos de determinada signatura topográfica, o dirigir la capacitación a los alumnos de determinada carrera, etc. Se pueden aplicar otros procedimientos como clusterizar para encontrar grupos de datos con características comunes o Redes Bayesianas para ponderar la interdependencia entre atributos, etc. Es importante destacar que la confiabilidad de los resultados del proceso de explotación de información tiene directa relación con la calidad de los datos de los sistemas de gestión. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

24 Conclusiones y futuras líneas de Investigación (2) Como consecuencia de estas conclusiones surgen una serie de preguntas con relación a los datos que se recogen de cada préstamo: ¿son los necesarios? ¿Son pocos? ¿Son bien interpretados? ¿Son excesivos? ¿Están bien categorizados? ¿Se necesita incorporar datos nuevos? ¿Se debe realizar un control de calidad más exhaustivo de los datos que están en la base de datos? Si bien es muy importante la potencialidad que tiene para los Bibliotecarios el uso de procedimientos de Explotación de información en general y en entornos Web en particular, su aplicación es aún aislada e insipiente, siendo un importante campo de investigación. Procedimientos de la explotación de información aplicados al ámbito bibliotecológico

25 Muchas gracias!!! Investigadores Proyecto 16H-253 [email protected] [email protected] [email protected] [email protected] Procedimientos de la explotación de información aplicados al ámbito bibliotecológico