Definición:
Web mining, o minería web, es la aplicación de métodos de minería de datos para descubrir patrones y obtener información a partir de datos relacionados con la Web. Puede trabajar con el contenido de las páginas, los enlaces que conectan documentos y los registros o eventos generados durante su uso.
No es una tecnología única ni se limita a recopilar páginas. El scraping puede utilizarse para obtener determinados datos, mientras que el web mining incluye su preparación, análisis e interpretación. Según el objetivo, puede emplear técnicas estadísticas, aprendizaje automático, procesamiento del lenguaje o análisis de grafos.
Los resultados dependen de la calidad y representatividad de los datos. Identificar una regularidad no demuestra por sí solo una relación causal ni permite atribuirla a todas las personas que utilizan un sitio.
Índice de contenidos
Tipos de web mining
La clasificación habitual distingue tres áreas según la parte de la Web que se analiza:
- Minería de contenido web: analiza texto, imágenes, vídeo, metadatos o datos estructurados presentes en páginas y documentos. El contenido puede extraerse del HTML, de una API o de otros formatos, pero necesita limpiarse y contextualizarse antes de interpretar sus patrones.
- Minería de estructura web: estudia las relaciones entre páginas, sitios o recursos mediante sus enlaces. Puede representar esas conexiones como un grafo para analizar nodos, comunidades o rutas. Un enlace indica una relación observable, pero no explica por sí solo su intención, importancia o calidad.
- Minería de uso web: examina registros de servidor, eventos de navegación u otros datos de interacción para identificar recorridos y pautas de uso. Se relaciona con la analítica web, aunque no todas las herramientas recopilan los mismos eventos ni definen de igual modo usuarios, sesiones o conversiones.
Estas áreas pueden combinarse. Por ejemplo, un análisis puede relacionar el tema de una página, su posición dentro de la estructura del sitio y los recorridos registrados hacia ella. La combinación no elimina las limitaciones de cada fuente.
Antes de analizar, suele ser necesario seleccionar los datos, normalizar formatos, eliminar duplicados y separar tráfico humano de bots cuando sea posible. En la minería de uso también pueden reconstruirse sesiones o secuencias de eventos. Estas operaciones incorporan decisiones que influyen en el resultado.
La recopilación debe respetar los permisos, las condiciones aplicables y la protección de datos. La información disponible en una página no es necesariamente de libre reutilización, y un registro técnico puede contener identificadores o datos que requieran medidas específicas.
Web mining frente a minería de datos
El web mining puede entenderse como una aplicación de la minería de datos a fuentes y problemas propios de la Web. La diferencia no depende de una cifra fija de registros o páginas, sino del origen, la estructura y las condiciones de los datos.
Estos tres aspectos permiten comparar ambos conceptos:
- Ámbito: la minería de datos puede aplicarse a información financiera, industrial, científica o comercial, entre muchas otras fuentes. El web mining se centra en contenidos, relaciones y usos vinculados a la Web.
- Estructura: una base de datos puede ofrecer tablas y campos definidos, mientras que la Web combina documentos semiestructurados, texto, recursos multimedia, enlaces y eventos. También existen datos web estructurados, por lo que la diferencia no es absoluta.
- Acceso y calidad: los datos corporativos suelen estar sujetos a permisos internos, pero tampoco todo dato web es público o accesible sin condiciones. En ambos casos pueden existir información incompleta, sesgos de selección, duplicados, errores y cambios en el tiempo.
El proceso no termina al descubrir un patrón. Es necesario comprobarlo con datos separados cuando sea posible, interpretar su alcance y evaluar si responde a la pregunta planteada. Una asociación entre páginas visitadas o contenidos no demuestra por sí sola una preferencia estable, una intención ni el comportamiento futuro de una persona.
Por ello, el valor del web mining depende tanto del método como de la procedencia de los datos y de las decisiones adoptadas durante su preparación. Sus resultados pueden apoyar la investigación, la organización de contenidos, la detección de tendencias o la mejora de servicios, pero no sustituyen la validación ni el criterio humano.