Enron Email Dataset

Medio millón de correos reales de la empresa Enron, un clásico para NLP y análisis de redes organizacionales.

ÁreaSeguridad y Ciberseguridad
DominioCiberseguridad / Nlp
DificultadIntermedio
Tamaño~500,000 correos · ~150 empleados
Fuente oficial

¿Qué puedes lograr con este dataset?

  • Practicar NLP sobre comunicaciones organizacionales reales y no editadas
  • Construir grafos de red social a partir de patrones de comunicación por correo
  • Explorar técnicas de detección de anomalías en comunicaciones corporativas

Descripción

Este dataset, hecho público durante la investigación federal sobre el colapso de Enron en 2001, contiene aproximadamente 500,000 correos electrónicos reales de unos 150 empleados senior de la empresa, siendo uno de los pocos corpus grandes de correo corporativo real disponibles para investigación.

Casos de uso

  • Análisis de redes sociales organizacionales a partir de patrones de comunicación
  • Clasificación y clustering de texto de correos electrónicos
  • Investigación en detección de fraude corporativo mediante análisis de comunicaciones
  • Enseñanza de NLP con texto no estructurado real

Cómo cargarlo

Cómo cargarlopython
import email
import glob

for ruta in glob.glob("maildir/lay-k/inbox/*")[:3]:
    with open(ruta) as f:
        msg = email.message_from_file(f)
        print(msg["Subject"])

Ventajas y limitaciones

Ventajas

  • Único en su tipo: comunicaciones corporativas reales a esta escala son extremadamente raras de conseguir
  • Rico para tanto análisis de texto como de redes sociales organizacionales
  • Caso de estudio históricamente significativo (el escándalo Enron)

Limitaciones

  • Formato de correo crudo (mbox/maildir) requiere parsing cuidadoso antes de analizar
  • Contiene información personal sensible de los empleados involucrados, lo que exige un uso ético responsable

Datasets relacionados