La clasificacion inicial de las tecnicas de segmentacion distingue entre tecnicas predictivas, en las que las variables que intervienen en el proceso pueden clasificarse inicialmente en dependientes e independientes (similares a las tecnicas del analisis de la dependencia o metodos explicativos del analisis multivariante) y tecnicas descriptivas, en las que todas las variables tienen inicialmente el mismo estatus (similares a las tecnicas del analisis de la interdependencia o metodos descriptivos del analisis multivariante). Las tecnicas predictivas de segmentacion especifican el modelo para los datos en base a un conocimiento teorico previo. El modelo supuesto para los datos debe contrastarse despues del proceso de mineria de datos antes de aceptarlo como valido. Formalmente, la aplicacion de todo modelo debe superar las fases de identificacion objetiva (a partir de los datos se aplican reglas que permitan identificar el mejor modelo posible que ajuste los datos), estimacion (proceso de calculo de los parametros del modelo elegido para los datos en la fase de identificacion), diagnosis (proceso de contraste de la validez del modelo estimado) y prediccion (proceso de utilizacion del modelo identificado, estimado y validado para predecir valores futuros de las variables dependientes). En algunos casos, el modelo se obtiene como mezcla del conocimiento obtenido antes y despues de la segmentacion y tambien debe contrastarse antes de aceptarse como valido. Por ejemplo, las redes neuronales permiten descubrir modelos complejos y afinarlos a medida que progresa la exploracion de los datos. Gracias a su capacidad de aprendizaje, permiten descubrir relaciones complejas entre variables sin ninguna intervencion externa. Podemos incluir entre estas tecnicas todas las tecnicas de segmentacion en las que subyace un modelo (modelos de eleccion discreta, analisis discriminante, arboles de decision, redes neuronales, analisis conjunto, etc.) Estas tecnicas tambien se denominan tecnicas de clasificacion ya que permiten extraer perfiles de comportamiento o clases, siendo el objetivo construir un modelo que permita clasificar cualquier nuevo dato en una de las clases. En las tecnicas descriptivas no se asigna ningun papel predeterminado a las variables. No se supone la existencia de variables dependientes ni independientes y tampoco se supone la existencia de un modelo previo para los datos. Los modelos se crean automaticamente partiendo del reconocimiento de patrones. En este grupo se incluyen las tecnicas de clustering y las tecnicas de reduccion de la dimension (escalamiento multidimensonal, correspondencias, etc.) Tanto las tecnicas predictivas como las tecnicas descriptivas estan enfocadas al descubrimiento del conocimiento embebido en los datos. En este libro se exponen la mayoria de las tecnicas de clasificacion y segmentacion (modelos de eleccion discreta, arboles de decision, analisis cluster, analisis discriminante, analisis de correspondencias, etc.), asi como su tratamiento con el software SPSS. Se presentan ejercicios practicos resueltos con SPSS al final de cada capitulo.