La automatización de procesos se integra cada día más en nuestra sociedad. Del resultado de esta automatización se obtienen datos "informatizados" que en ocasiones son almacenados y en ocasiones descartados. Dado el abaratamiento de la tecnología de almacenamiento lo más frecuente suele ser almacenar la mayor cantidad de datos posible. Esta recolección de datos automática producen tremendas cantidades de datos almacenados en bases de datos, almacenes de datos (data warehouses) y otros repositorios de información.

La prospección de datos [1] nace con el fin de extraer información interesante desde datos almacenados en grandes bases de datos. Con "información interesante" nos referimos a no trivial, implícita, previamente desconocida y potencialmente útil. La prospección de datos combina técnicas de estadística clásica y técnicas de inteligencia artificial como aprendizaje estadístico y computacional.

Al hablar de prospección de datos debemos hablar del proceso de prospección. Existen diferentes metodologías, la más aceptada y por la que nos hemos decantado es la guía CRISP-DM [2]. En ella se define un modelo jerárquico de tareas a cuatro niveles de abstracción: En el nivel más alto el proceso se organiza en un número de fases; cada fase consiste en varias tareas genéricas de segundo nivel. Las tareas específicas solucionan tareas genéricas en situaciones específicas. Y los procesos son cada una de las aplicaciones de las tareas específicas a datos.

El modelo de proceso provee una visión global del ciclo de vida de este tipo de proyectos. Este ciclo de vida contiene las fases del proyecto, sus respectivas tareas y las relaciones entre estas tareas. El interés de esta sección es describir, a nivel de fases, el ciclo de vida de la guía CRISP-DM [2].

El ciclo de vida de un proyecto de prospección de datos consta de seis fases (figura 1). La secuencia de realización de estas fases no es estricta, se requieren movimientos de una fase a otra en base a los resultados obtenidos durante el proceso. Las flechas indican las dependencias más frecuentes entre las diferentes fases. El círculo exterior simboliza la naturaleza cíclica de la prospección de datos. La prospección de datos no concluye cuando se encuentra una solución, pues esta solución puede abrir nuevas puertas a explorar. La iteración en el proceso beneficia la experiencia adquirida en la iteración anterior.

La fase inicial del proceso de prospección de datos (comprensión del problema) está enfocada en la comprensión de los objetivos y requisitos del proyecto desde una perspectiva del cliente. En la comprensión de datos se recopilan los datos necesarios para el desarrollo del proyecto, se ofrece información de la estructura de estos datos, de su calidad y subconjuntos de interés. En la preparación de datos se cubren todas las actividades para construir los conjuntos de datos finales (datos que serán utilizados en las herramientas de modelado) a partir de los datos en bruto iniciales. En el modelado se seleccionan y aplican diferentes técnicas y sus parámetros son calibrados a los valores óptimos. Antes de proceder con el desarrollo final del modelo, es importante una evaluación más profunda y una revisión de los pasos seguidos en su construcción para asegurar que sus propiedades están dentro de los objetivos del proyecto.

En esta sección se exponen los resultados de la aplicación de la metodología CRISP-DM a datos de Incapacidad Permanente. Se presenta un resumen del informe final (trabajo completo en [3]), en el que quedan recogidos los resultados de cada una de las fases. Con esto se pretende dar una visión general de lo que sería el desarrollo de un proceso de prospección. No pretende ser un estudio exhaustivo de la Incapacidad Permanente, pues el conjunto de datos usado es limitado (978 expedientes). En los siguientes puntos se presenta el resultado de cada una de las fases del proceso:

Con el fin de completar los objetivos de la prospección de datos, y dado que los resultados obtenidos en los modelos lo permiten, desarrollamos el sistema SAVI, un sistema para la ayuda a la valoración de incapacidad permanente.

Figura 2: Capturas de pantalla del sistema SAVI