> For the complete documentation index, see [llms.txt](https://agents.glueckkanja.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://agents.glueckkanja.com/es/agents/classification-optimizer/overview.md).

# Descripción general

> &#x20;**Estimación de costo de SCU**&#x20;
>
> Este agente normalmente consume **0,01 - 1 SCUs** por cada ejecución de análisis, según el volumen de datos de clasificación y la profundidad del modo de análisis seleccionado. El modo de análisis profundo puede usar más SCUs.

### Introducción

Classification Optimizer te ayuda a sacar el máximo partido de la clasificación de datos de Microsoft Purview. Si alguna vez te has preguntado por qué cierta información confidencial sigue colándose, o por qué te ahogas en falsos positivos, este agente es para ti. Analiza cómo están funcionando realmente en el mundo real tus Tipos de información confidencial (SITs), encuentra patrones que no sabías que existían y te indica exactamente cómo mejorar la precisión de tu clasificación.

<figure><img src="https://2737940525-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fffp5FAPWgFPcbF2uAEkp%2Fuploads%2FLnSGnJZgBOgXWFEYUhOM%2FMarketplace%20Classification%20Optimizer%201.png?alt=media&amp;token=2e9e83fa-7e0c-42a1-9e54-f070b309b9ea" alt=""><figcaption></figcaption></figure>

<div><figure><img src="https://2737940525-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fffp5FAPWgFPcbF2uAEkp%2Fuploads%2FCdtfPdkXb53KcHP5ErIV%2FMarketplace%20Classification%20Optimizer%202.png?alt=media&amp;token=ae04f5f2-79dd-443b-8ad5-42af623491c5" alt=""><figcaption></figcaption></figure> <figure><img src="https://2737940525-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fffp5FAPWgFPcbF2uAEkp%2Fuploads%2F2aLvLNAOGp4YZGXScoYS%2FMarketplace%20Classification%20Optimizer%203.png?alt=media&amp;token=f62f1f5a-5dc4-4b07-8723-9765025ac206" alt=""><figcaption></figcaption></figure> <figure><img src="https://2737940525-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fffp5FAPWgFPcbF2uAEkp%2Fuploads%2FF6TUkqO5oenAsfp2qyCZ%2FMarketplace%20Classification%20Optimizer%204.png?alt=media&amp;token=e16c2ec1-2326-4e7a-a611-d3d06536bbd3" alt=""><figcaption></figcaption></figure></div>

### Qué hace

* **Analiza el rendimiento real de los SIT** basado en datos reales de detección, no solo en teoría
* **Encuentra patrones de coocurrencia** mostrando qué tipos confidenciales aparecen juntos
* **Identifica brechas de clasificación** donde no se están detectando datos importantes
* **Detecta clasificadores redundantes** que se superponen y generan complejidad innecesaria
* **Recomienda nuevos SIT compuestos** basados en patrones que aparecen juntos de forma constante
* **Sugiere ajuste de parámetros** para reducir los falsos positivos y mejorar la precisión
* **Identifica candidatos a clasificadores entrenables** para patrones complejos dependientes del contexto
* **Proporciona recomendaciones priorizadas** con respaldo estadístico (soporte, elevación, confianza)

### Casos de uso

#### 1. Reducción de falsos positivos

Tus directivas de DLP se activan constantemente, pero la mitad de las alertas no son problemas reales. Los usuarios se están frustrando con bloqueos que no tienen sentido. Classification Optimizer analiza qué SIT están causando problemas y recomienda ajustes específicos de parámetros (niveles de confianza, recuentos de instancias, umbrales) para mejorar la precisión sin sacrificar la protección.

#### 2. Mejora de la precisión de detección

Los datos confidenciales importantes están pasando desapercibidos para tus directivas. Sospechas que tus clasificadores no están detectando todo lo que deberían. El agente identifica brechas de cobertura, analiza patrones de detección y recomienda nuevas combinaciones de SIT o clasificadores entrenables para detectar lo que actualmente te falta.

#### 3. Simplificación de esquemas de clasificación complejos

Con el tiempo, has acumulado docenas o cientos de SIT, y ya nadie sabe cuáles siguen siendo realmente valiosos. Classification Optimizer te muestra qué clasificadores son redundantes, cuáles aparecen juntos de forma constante (y deberían combinarse) y cuáles no están detectando nada útil. Por fin limpia esa proliferación de clasificadores.

#### 4. Creación de mejores clasificadores compuestos

Sabes que ciertos tipos de datos confidenciales tienden a aparecer juntos (como números de pasaporte con fechas de nacimiento), pero crear manualmente los SIT compuestos adecuados es una cuestión de adivinanza. El agente analiza patrones de coocurrencia con métricas estadísticas y luego recomienda exactamente qué SIT deben combinarse y con qué parámetros.

#### 5. Cumplimiento más eficaz de los requisitos normativos

Los marcos de cumplimiento exigen protecciones específicas para los datos, pero tus SIT actuales no están alineados con esos requisitos. Classification Optimizer identifica brechas estratégicas vinculadas a necesidades normativas y recomienda nuevos clasificadores o clasificadores entrenables para cerrar esas brechas.

### ¿Por qué Classification Optimizer?

| El problema que está enfrentando                                                                               | Cómo ayuda esto                                                                                                |
| -------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------- |
| **Exceso de falsos positivos**: alertas de DLP por todas partes, pero la mayoría no son problemas reales       | **Ajuste de precisión**: recomendaciones de parámetros específicas para reducir el ruido sin perder protección |
| **Datos importantes que se escapan**: tus directivas no están detectando todo lo que deberían                  | **Análisis de brechas**: identifica lo que se está pasando por alto y recomienda nuevos patrones de detección  |
| **Caos de clasificadores**: demasiados SIT, no está claro cuáles importan                                      | **Analítica de uso**: muestra qué clasificadores son realmente valiosos frente a cuáles son redundantes        |
| **Conjeturas manuales**: crear SIT compuestos basándose en la intuición en lugar de en los datos               | **Descubrimiento de patrones**: el análisis estadístico revela qué SIT coocurren de forma constante            |
| **Análisis que consume mucho tiempo**: revisar manualmente la eficacia de la clasificación lleva una eternidad | **Información automatizada**: análisis completo con recomendaciones priorizadas en minutos                     |
| **Sin dirección estratégica**: no está claro dónde centrar los esfuerzos de mejora de la clasificación         | **Hoja de ruta priorizada**: recomendaciones ordenadas por impacto con métricas de respaldo                    |

### Cómo funciona

**Qué incluye:**

* Datos de alertas de Purview y eventos de detección de tu intervalo de tiempo especificado (30 días de forma predeterminada)
* Configuraciones de SIT existentes y patrones de detección
* Analítica de clasificación y datos de uso
* Eventos de seguridad que muestran detecciones reales de SIT
* Datos de clasificación de SharePoint, Exchange y archivos

**Qué hace:**

* Calcula métricas de referencia para cada SIT (frecuencia de detección, distribución)
* Crea una matriz de coocurrencia que muestra qué SIT aparecen juntos
* Aplica análisis estadístico (soporte, elevación, probabilidad condicional)
* Identifica patrones, brechas y oportunidades de optimización
* Genera recomendaciones con justificación técnica y orden de prioridad

**Qué obtiene:**

* Métricas de rendimiento de referencia de SIT
* Patrones de coocurrencia con significancia estadística
* Nuevas recomendaciones de SIT compuestos con parámetros sugeridos
* Guía de ajuste de parámetros para SIT existentes
* Candidatos a clasificadores entrenables para patrones complejos
* Sugerencias de optimización de directivas (ámbito, ajuste de reglas, agrupaciones)
* Plan de acción priorizado con impacto esperado
* Salida de depuración (opcional) que muestra pasos detallados del análisis


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://agents.glueckkanja.com/es/agents/classification-optimizer/overview.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
