Meet ghk ihio kgk Google Chrome 2026 03 27 19 22 18

¿Qué es la Ciencia de Datos?

Definición y Conceptos Clave

• La ciencia de datos se define como la disciplina que transforma datos en información útil para la toma de decisiones. No se limita a programar o hacer estadísticas, sino que se enfoca en resolver problemas con datos.

• Un dato es un valor sin contexto (ejemplo: 100, Buenos Aires). La información surge cuando los datos tienen contexto y significado, como "se vendieron 100 unidades del producto A".

• Los insights son conclusiones relevantes obtenidas a partir del análisis de información. Por ejemplo, si las ventas bajaron un 20% porque no hubo promociones, eso sería un insight.

• La transformación de datos en información y luego en insights es crucial; los datos por sí solos no tienen valor significativo. El impacto real ocurre al generar insights útiles para decisiones informadas.

Roles en Ciencia de Datos

Diversidad de Perfiles

• En proyectos de ciencia de datos participan diferentes roles que aportan diversas habilidades necesarias para transformar datos en valor. Cada rol tiene responsabilidades específicas dentro del proceso.

Data Analyst

• El Data Analyst se encarga del análisis de datos, identifica patrones y construye reportes para responder preguntas comerciales clave (ejemplo: ¿qué producto se vendió más?). Utiliza herramientas como Excel, SQL y Power BI.

Data Scientist

• El Data Scientist explora los datos más profundamente, construyendo modelos predictivos y segmentando información para anticipar comportamientos comerciales. Utiliza herramientas como Python y R para su trabajo analítico avanzado.

¿Qué roles existen en el análisis de datos?

Roles y responsabilidades en el análisis de datos

• El perfil del analista de datos se centra en responder preguntas sobre la retención de clientes, segmentación de usuarios y proyecciones de ventas futuras. Este rol no solo analiza datos pasados, sino que también busca predecir situaciones futuras.

• El Data Engineer es responsable de obtener, integrar y transformar datos desde diversas fuentes. Utiliza herramientas como bases de datos, ETL (Extracción, Transformación y Carga), SQL y soluciones en la nube para asegurar que los datos estén disponibles y organizados.

• Las tareas del Data Engineer incluyen la ingesta de datos desde sistemas ERP, automatización de cargas informáticas y construcción de infraestructuras para garantizar que los datos lleguen completos y a tiempo.

• El Business Analyst actúa como un facilitador que entiende el problema real del negocio. Su función es definir las preguntas clave a responder e interpretar los resultados obtenidos a partir del análisis.

• Este rol traduce problemas generales (como aumentar las ventas) en preguntas concretas sobre segmentos, canales o productos específicos. Es esencial para conectar el negocio con aspectos técnicos relacionados con los datos.

Toma de decisiones basada en información

• Los tomadores de decisiones utilizan la información disponible para priorizar acciones y definir cambios operativos dentro del negocio, como lanzar promociones o ajustar precios.

• La clave para este perfil es no solo analizar los datos, sino tomar decisiones informadas que impacten positivamente al negocio.

Interrelación entre perfiles

• Los diferentes roles trabajan juntos: el negocio plantea necesidades; el Data Engineer prepara los datos; el Data Analyst visualiza; el Data Scientist modela o predice información; finalmente, se toman decisiones basadas en estos outputs.

• Un ejemplo práctico muestra cómo una empresa detecta una caída en ventas: el Data Engineer integra información relevante mientras que otros roles analizan causas y predicen riesgos futuros antes de decidir acciones correctivas.

Ciclo del dato

• Se define el ciclo del dato como las etapas por las cuales pasa un dato desde su origen hasta su utilización para generar valor al negocio.

• Las etapas principales son: captura del dato, almacenamiento, preparación, análisis, visualización/comunicación y toma de decisiones. Cada etapa es crucial para asegurar que los datos generen valor efectivo.

• Un dato no genera valor automáticamente; debe recorrer un ciclo completo donde se captura correctamente para evitar errores posteriores en análisis e interpretaciones.

• Ejemplos comunes incluyen la generación automática de datos por compras online. Si estos se capturan incorrectamente (por ejemplo: cliente o producto), todo análisis posterior será ineficaz.

¿Cómo se estructura el ciclo de datos?

Introducción y contexto

• Se inicia la discusión sobre la organización del aula y la limpieza de materiales previos, mencionando que se compartirá información relevante para las próximas clases.

• Se pregunta a los estudiantes si han visto conceptos relacionados en otras materias, indicando que algunos tienen conocimiento previo sobre el tema.

Fases del ciclo de datos

Captura

• La fase de captura implica recolectar datos de manera organizada para su posterior consulta. Es fundamental establecer un sistema claro desde el inicio.

Almacenamiento

• Los datos pueden almacenarse en diversas fuentes como Excel, bases de datos o data lakes. La clave es no solo tener los datos, sino organizarlos adecuadamente para facilitar su uso futuro.

Preparación

• En esta etapa se limpian y transforman los datos para asegurar que sean confiables y útiles. Esta fase es crucial ya que afecta directamente la calidad del análisis posterior.

• Tareas comunes incluyen eliminar duplicados, corregir errores y estandarizar formatos. Un ejemplo es unificar nombres de ciudades escritos de diferentes maneras.

Análisis

• El análisis consiste en explorar los datos para identificar patrones y relaciones. Se plantean preguntas clave como "¿qué pasó?" o "¿dónde ocurrió?", utilizando herramientas estadísticas descriptivas.

Visualización y comunicación

• En esta fase se presentan los hallazgos mediante gráficos e informes comprensibles para otros usuarios del negocio. Una buena visualización es esencial para comunicar efectivamente los resultados obtenidos.

Decisión o acción

• Finalmente, se toman decisiones basadas en el análisis realizado, como ajustar promociones o mejorar stock. El objetivo final no es solo crear gráficos, sino implementar acciones concretas basadas en los hallazgos.

Ejemplo práctico del ciclo de datos

• Se presenta un caso práctico sobre una empresa de delivery que busca aumentar sus ventas a través del registro detallado de pedidos y análisis geográfico.

Errores comunes en el ciclo de datos

• Se mencionan errores frecuentes como capturar datos incompletos, no validar información antes del análisis y tomar decisiones sin suficiente evidencia.

Introducción a CRISP-DM y el Ciclo de Datos

Metodología CRISP-DM

• La metodología CRISP-DM es una forma estructurada de abordar proyectos de ciencia de datos, que incluye entender el negocio, preparar y modelar datos, evaluar resultados e implementar soluciones.

• CRISP-DM significa "Cross Industry Standard Process for Data Mining" y se compone de varias etapas que guían el desarrollo ordenado de un proyecto.

• Las etapas clave incluyen: entendimiento del negocio, entendimiento de los datos, preparación de los datos, modelado, evaluación e implementación.

Conclusiones sobre Proyectos de Datos

• Un proyecto de datos comienza con la captura del dato y concluye cuando se generan acciones concretas basadas en ese análisis.

• Es fundamental no solo tener datos sino también comprenderlos y transformarlos en información útil para tomar decisiones estratégicas en el negocio.

Importancia del Entendimiento y Preparación de Datos

Análisis Correcto de Datos

• No todos los datos se analizan igual; es crucial entender el tipo específico para evitar análisis incorrectos.

• Por ejemplo, analizar promedios por ciudad puede llevar a conclusiones erróneas si no se comprende bien la naturaleza del dato.

Tipos de Variables

• Existen varios tipos de variables: numéricas (ej. precios), categóricas (ej. productos), ordinales (ej. satisfacción), texto (comentarios), y fecha (análisis temporal).

Calidad y Limpieza de Datos

Problemas Comunes en Calidad

• La calidad del análisis depende directamente de la calidad de los datos; problemas comunes incluyen valores faltantes, duplicados e inconsistencias.

• Ejemplos incluyen precios vacíos o negativos y variaciones en la escritura como "Buenos Aires" versus "Buenos Aires".

Técnicas para Limpieza

• Limpiar datos implica corregir errores y preparar los conjuntos para su análisis mediante técnicas como eliminar duplicados o imputar valores faltantes.

• Es esencial estandarizar formatos para asegurar consistencia en el análisis posterior.

Transformación de Datos y el Rol del Future Engineer

Importancia de la Transformación de Datos

• La transformación de datos busca convertir información en formatos más útiles para el análisis empresarial, incluyendo la creación de nuevas columnas y agrupaciones.

• Aproximadamente el 80% del trabajo en ciencia de datos se dedica a preparar los datos, lo que resalta la importancia de esta etapa en el proceso analítico.

Preparación y Limpieza de Datos

• Antes del análisis, es crucial entender y limpiar los datos; errores comunes incluyen analizar sin limpieza previa o ignorar valores nulos.

• Se proporciona un ejercicio práctico con un dataset en Excel, donde cada pestaña tiene tareas específicas relacionadas con la calidad y transformación de los datos.

Actividades Prácticas Sugeridas

• Los participantes deben identificar tipos de variables (numéricas, categóricas), detectar duplicados e inconsistencias, así como crear columnas derivadas relevantes.

• Se sugiere cruzar información entre hojas para calcular métricas como frecuencia y gasto total. Es importante documentar las decisiones tomadas durante la limpieza.

Análisis Exploratorio de Datos (EDA)

Objetivos del EDA

• El EDA es fundamental para explorar y entender los datos antes del análisis profundo; busca detectar patrones y problemas dentro del dataset.

• Preguntas clave durante el EDA incluyen: ¿Qué variables hay? ¿Qué valores toman? ¿Existen relaciones entre ellas?

Herramientas y Métodos Utilizados

• Las herramientas para realizar EDA pueden incluir tablas, gráficos estadísticos y diferentes tipos de análisis (univariado, bivariado, multivariado).

• Ejemplos prácticos pueden ser detectar productos más vendidos o variaciones por fecha o ciudad.

Introducción a Conceptos Estadísticos

Importancia de la Estadística

• La estadística ayuda a interpretar grandes volúmenes de datos que son difíciles de analizar directamente; simplifica la comprensión mediante promedios.

Definiciones Clave

• La media se define como el promedio aritmético; se calcula sumando todos los valores divididos por su cantidad. Un ejemplo muestra cómo puede no representar adecuadamente ciertos conjuntos.

Problemas con la Media

• La media puede ser engañosa si hay valores extremos; por ejemplo, un conjunto con números muy dispares puede dar una media que no refleja bien la realidad.

Mediana como Alternativa

• La mediana es el valor central al ordenar un conjunto; ofrece una representación más precisa en algunos casos.

Medidas de Tendencia Central: Media, Mediana y Moda

Conceptos Básicos

• La mediana es el punto que divide un conjunto de datos en dos mitades iguales. Es importante destacar que la mediana no se ve afectada por valores extremos, lo cual la hace útil en ciertos análisis.

• La moda se define como el valor que más se repite dentro de un conjunto de datos. Por ejemplo, en la serie 10, 10, 20, la moda es claramente el 10. Este concepto ayuda a identificar qué es lo más común en los datos.

Comparación entre Media, Mediana y Moda

• Se presenta un cuadro comparativo que resume las características de cada medida:

• Media: Promedio; se utiliza generalmente cuando los datos no tienen outliers (valores atípicos).

• Mediana: Valor central; preferida cuando hay outliers presentes.

• Moda: Valor más frecuente; utilizada principalmente con datos categóricos.

Representación Gráfica

• Se menciona un gráfico típico que ilustra las tres medidas:

• Distribución negativa del eje x hacia la izquierda.

• Distribución simétrica cuando los datos caen en el medio.

• Simetría positiva cuando la elección es positiva.

Resumen Final

• Se proporciona un resumen conciso sobre media, mediana y moda para facilitar su comprensión y aplicación práctica en ejercicios futuros.