La minería de texto, también conocida como minería de datos de texto, es el proceso de transformar texto no estructurado en un formato estructurado para identificar patrones significativos y nueva información. Mediante la aplicación de técnicas analíticas avanzadas, como Naïve Bayes, máquinas de vectores de soporte (SVM, por sus siglas en inglés) y otros algoritmos de deep learning, las empresas pueden explorar y descubrir relaciones ocultas en sus datos no estructurados.

El texto es uno de los tipos de datos más comunes de las bases de datos. En función de la base de datos, estos datos se pueden organizar como:

• Datos estructurados: estos datos están estandarizados en un formato tabular con numerosas filas y columnas, lo que facilita su almacenamiento y procesamiento para análisis y algoritmos de machine learning. Los datos estructurados pueden incluir entradas como nombres, direcciones y números de teléfono.
  
  
• Datos no estructurados: estos datos no tienen un formato de datos predefinido. Pueden incluir texto de orígenes como redes sociales o reseñas de productos, o formatos multimedia enriquecidos, como archivos de audio y vídeo.
  
  
• Datos semiestructurados: como su propio nombre sugiere, estos datos son una combinación entre formatos de datos estructurados y no estructurados. Si bien tienen alguna organización, no presentan la estructura suficiente para cumplir con los requisitos de una base de datos relacional. Ejemplos de datos semiestructurados son XML, JSON y HTML.

Ya que aproximadamente el 80 % de los datos del mundo reside en un formato no estructurado (enlace externo a ibm.com), la minería de texto es una práctica extremadamente valiosa para las organizaciones. Las herramientas de minería de texto y las técnicas de procesamiento del lenguaje natural (PLN), como la extracción de información (PDF, 131 KB) (enlace externo a IBM), nos permiten transformar documentos no estructurados en un formato estructurado para habilitar el análisis y la generación de información de alta calidad. Esto, a su vez, mejora la toma de decisiones de las organizaciones con el objetivo final de obtener mejores resultados de negocio.

Los términos minería de texto y análisis de texto son sinónimos en gran parte, pero presentan matices.  La minería de texto y el análisis de texto identifican patrones y tendencias textuales en datos no estructurados mediante el uso de machine learning, estadística y lingüística. Al transformar los datos en un formato más estructurado a través de minería de texto y análisis de texto, el análisis de texto permite encontrar más información cuantitativa. Las técnicas de visualización de datos se pueden aprovechar para comunicar las conclusiones a audiencias más amplias.

El proceso de minería de texto comprende varias actividades que le permiten deducir información de datos de textos no estructurados. Antes de poder aplicar diferentes técnicas de minería de texto, debe empezar por el preprocesamiento de texto, que es la práctica de limpiar y transformar datos de texto en un formato utilizable. Esta práctica es un aspecto básico del procesamiento del lenguaje natural (PLN) y normalmente conlleva el uso de técnicas como identificación del lenguaje, tokenización, etiquetado de parte del discurso, fragmentación y análisis de sintaxis para dar el formato adecuado a los datos para su análisis. Una vez completado el preprocesamiento de texto, puede aplicar minería de texto para extraer información de los datos. Algunas de estas técnicas comunes de minería de texto incluyen:

Recuperación de información

La recuperación de información (IR, por sus siglas en inglés) devuelve información o documentos relevantes con base en un conjunto de consultas o frases. Los sistemas de IR utilizan algoritmos para realizar un seguimiento de los comportamientos de los usuarios e identificar datos relevantes. La recuperación de información se suele utilizar en sistemas de catálogos de bibliotecas y motores de búsqueda populares, como Google. Entre las subtareas más frecuentes de IR, destacan las siguientes:

• Tokenización: este es el proceso de desglosar un texto de formato largo en oraciones y palabras llamadas "tokens", las cuales se utilizan en los modelos, como "bolsa de palabras", para tareas de agrupación de textos y cotejo de documentos. 
  
  
• Lematización: se refiere al proceso de separar los prefijos y sufijos de la palabra para extraer el lema y el significado. Esta técnica mejora la recuperación de información, ya que reduce el tamaño de los archivos de indexación.

Procesamiento del lenguaje natural (PLN)

El procesamiento del lenguaje natural, que evolucionó de la lingüística computacional, utiliza métodos de varias disciplinas, como la ciencia informática, la inteligencia artificial, la lingüística y la ciencia de datos, para habilitar que los ordenadores entiendan el lenguaje humano, tanto en su forma escrita como verbal. Al analizar la estructura y la gramática de las oraciones, las subtareas de PLN permiten a los ordenadores "leer". Entre las subtareas más comunes, se incluyen:

• Resumen: esta técnica proporciona una sinopsis de fragmentos largos de texto para crear un resumen conciso y coherente de los puntos principales de un documento.
  
  
• Etiquetado de parte del discurso (PoS, por sus siglas en inglés): esta técnica asigna una etiqueta a cada token de un documento en función de su categoría gramatical, es decir, sustantivos, verbos, adjetivos, etc. Este paso permite el análisis semántico en texto no estructurado.
  
  
• Categorización de texto: esta tarea, también denominada clasificación de texto, se encarga de analizar los documentos de texto y clasificarlos en temas o categorías predefinidas. Esta subtarea es especialmente útil cuando se categorizan sinónimos y abreviaturas.
  
  
• Análisis de sentimiento: esta tarea detecta sentimientos positivos o negativos de fuentes de datos internas y externas, lo que le permite realizar un seguimiento de los cambios en las actitudes de los clientes a lo largo del tiempo. Se suele utilizar para obtener información sobre las percepciones de marcas, productos y servicios, que las empresas pueden aprovechar para conectar con los clientes y mejorar los procesos y las experiencias de los usuarios.

Extracción de información

La extracción de información (IE, por sus siglas en inglés) muestra los datos relevantes cuando se buscan varios documentos. También se enfoca en extraer información estructurada de texto libre y almacenar estas entidades, atributos e información de relaciones en una base de datos. Las subtareas de extracción de información más comunes son:

• Selección de características, o selección de atributos: es el proceso de seleccionar las características importantes (dimensiones) para contribuir al máximo a la generación de un modelo de análisis predictivo.
  
  
• Extracción de características: es el proceso de seleccionar un subconjunto de características para mejorar la precisión de una tarea de clasificación. Esto es particularmente importante para la reducción de la dimensionalidad.
  
  
• Reconocimiento de entidad nombrada (NER, por sus siglas en inglés): también conocido como identificación de entidad o extracción de entidad, tiene como objetivo encontrar y categorizar entidades específicas en el texto, como nombres o ubicaciones. Por ejemplo, NER identifica "California" como ubicación y "Mary" como nombre de mujer.

Minería de datos

La minería de datos es el proceso de identificar patrones y extraer información útil de conjuntos de big data. Esta práctica evalúa tanto los datos estructurados como los no estructurados para identificar nueva información, y se utiliza comúnmente para analizar los comportamientos de los consumidores en marketing y ventas. La minería de texto es básicamente un subcampo de la minería de datos que se enfoca en estructurar datos no estructurados y analizarlos para generar nueva información de valor. Las técnicas mencionadas anteriormente son formas de minería de datos que caen dentro del ámbito del análisis de datos de texto.

El software de análisis de texto ha condicionado la forma de trabajar de muchos sectores, permitiéndoles mejorar las experiencias de los usuarios de productos, así como agilizar y mejorar la toma de decisiones de negocio. Entre los casos de uso destacamos:

Servicio de atención al cliente: existen varias formas de solicitar comentarios a nuestros usuarios. Cuando se combina con herramientas de análisis de texto, sistemas de comentarios —como chatbots, encuestas de clientes, NPS (Net-Promoter Score), reseñas en línea o incidencias de soporte— y perfiles en redes sociales, permite a las empresas mejorar su experiencia del cliente de forma rápida. La minería de texto y el análisis de opinión proporcionan a las empresas un mecanismo para priorizar los principales puntos débiles de sus clientes, lo que les permite responder a problemas urgentes en tiempo real y aumentar la satisfacción del cliente. Descubra cómo Verizon utiliza el análisis de texto en el servicio al cliente.

Gestión de riesgos: la minería de texto también tiene aplicaciones en gestión de riesgos, donde puede proporcionar información sobre tendencias del sector y mercados financieros mediante la monitorización de cambios de opinión y la extracción de información de informes y documentos de analistas. Esto resulta particularmente útil para las instituciones bancarias, ya que estos datos inspiran más confianza a la hora de plantearse inversiones comerciales en distintos sectores. Descubra cómo CIBC y EquBot utilizan el análisis de texto para la mitigación de riesgos.

Mantenimiento: la minería de texto ofrece una imagen detallada y completa del funcionamiento y la funcionalidad de productos y maquinaria. Con el tiempo, la minería de texto automatiza la toma de decisiones revelando patrones que se correlacionan con problemas y procedimientos de mantenimiento preventivo y reactivo. El análisis de texto ayuda a los profesionales de mantenimiento a descubrir la causa raíz de los desafíos y fallos más rápido.

Asistencia sanitaria: las técnicas de minería de texto han ido cobrando valor para los investigadores en el campo biomédico, especialmente para agrupar información. La investigación manual de investigación médica puede consumir mucho tiempo y dinero; la minería de texto proporciona un método de automatización para extraer información de valor de la bibliografía médica.

Filtrado de spam: el spam sirve con frecuencia como punto de entrada para que los hackers infecten sistemas informáticos con malware. La minería de texto puede proporcionar un método para filtrar y excluir estos correos electrónicos de las bandejas de entrada, mejorando la experiencia del usuario y minimizando el riesgo de ciberataques a los usuarios finales.