Data Science y Data Analysis: una introducción al tratamiento de datos

Los objetivos que persiguen ambos campos pueden complementarse, pero, debido a sus diferentes alcances, hay que remarcar sus divergencias:

El objetivo del análisis es llegar a conclusiones, sin necesariamente, generar algún desarrollo. Tal como sería monitorizar y analizar una serie de números respecto a una compra o tendencias, para después generar un reporte que ayude a definir una estrategia de ventas, por ejemplo.

El objetivo de la ciencia es obtener información significativa, desde diversidad de datos, con el uso de algoritmos, procesos y metodologías científicas, además de crear modelos que ayuden a solucionar áreas de oportunidad o mejorar sistemas.

Las habilidades que tienen tanto analistas, como los científicos también son diferentes en consecuencia de las metas antes mencionadas.

Un analista cuenta con las siguientes competencias:

• Conocimientos básicos a medios de programación enfocados al análisis con herramientas como Python o R.
• El análisis hace uso de software interactivo para visualización de datos, como Tableu o Power BI.
• Emplean software de gran capacidad de almacenamiento como es, por ejemplo, Hadoop, que funciona por código abierto.
• Data Analysis puede colaborar con los inversionistas o directivos de una empresa con el fin de mostrar información de valor, como pueden ser las tendencias de mercado y así, los tomadores de decisiones, determinar el siguiente paso.

Por otro lado, el científico tiene con un perfil que cumple con lo siguiente:

• Conocimientos de programación avanzados, utilizando lenguajes como Python, R, Julia y bases de datos. Además de que posee amplio dominio de estadística, matemáticas y algoritmos.
• Uso de Machine Learning como una de las herramientas principales para crear modelos que ayuden a la obtención de información.
• Un enfoque hacia el desarrollo de soluciones para los problemas encontrados, hacer predicciones o bien; establecer procesos automatizados. Trabajan dentro de la operación.
• Sólidas habilidades en herramientas como el Data Mining, por ejemplo, que es altamente recurrida, con el fin de obtener información mucho más profunda.

Aunque ambos campos puedan complementarse y a su vez tengan diferencias importantes, actualmente, los profesionales en el tratamiento de datos poseen habilidades que se pueden combinar y resultar en procesos integrales.

Metodologías que se aplican en Data Analysis y Science

Como parte de esta introducción, es relevante hablar de los procesos o metodologías que se aplican, ya sea en el análisis o en el proceso científico. Fijar un estándar en sus aplicaciones sería arbitrario, ya que cada experto realiza el procedimiento más apropiado según sus conocimientos y las necesidades del proyecto.

Aclarado esto; hablemos de diferentes metodologías que han generado mayor número de resultados y para no discutirlas al detalle, puesto que no es el objetivo de este artículo, las mencionaremos para tener una idea general de su funcionamiento básico.

Data Analysis

Resolución de problemas en 7 pasos que consiste en un método de análisis por etapas ordenadas en secuencia; definición de problemas; construcción de un árbol de probabilidades; descripción de un storyline o, mejor dicho, la solución ideal al problema; desarrollo de un plan; colectar y analizar datos de diferentes fuentes; síntesis y finalmente, comunicar el resultado.

Árboles de problemas e hipótesis, un método que tiene el fin de reducir en pequeños problemas por resolver un problema mayor, lo que ayuda a establecer prioridades y crear aproximaciones mucho más manejables.

Data Science

Data Science también ha tenido una evolución amplia; y su recorrido, así como la experiencia de diversos expertos, han arrojado principalmente 3 factores a considerar para establecer una metodología:

1. Modelos que ayuden a las organizaciones a obtener mejores resultados, algo que un solo modelo empleado puede no obtener.
2. Trabajo en equipo para realizar esta tarea, ya que es lógico que, si se necesitan modelos con más tareas, se necesita a más expertos colaborando para lograr el objetivo.
3. Aproximaciones ágiles porque un proceso inflexible, no podrá tener en cuenta variables o condiciones tecnológicas inesperadas.

Una vez hecha esta aclaración, vayamos con las metodologías:

CRISP-DM que es otra metodología en 6 etapas las cuales son: Business Understanding, Data Understanding, Data Preparation, Modelling o conocida también como testing de los datos que se tienen, evaluación y despliegue. Esta es una metodología que puede ser más comprensiva en cuanto a la información del negocio y establece una serie pasos claros.

Domino que es otra aproximación, la que combina CRISP-DM y Agile. Esto, ayuda a que se tenga claridad visual por medio de un roadmap y moderniza métodos que tienen poco espacio para la colaboración.

Existen más metodologías y marcos de estudio que las mencionadas y que responden a diferentes características. En caso de no saber cuál es la mejor para un caso determinado, se recomienda acudir a un experto o a una consultoría de Data Science o Data Analysis, de esta forma el panorama será mucho más claro.

Aplicaciones de la ciencia y análisis de datos

En esta introducción a Data Analysis y Data Science es importante abordar definiciones, métodos y ahora, es momento de conocer algunas de las áreas de aplicación.

1. Search Engine Siempre que queremos realizar una búsqueda en internet, recurrimos a un buscador, el cual, funciona por medio de algoritmos que realizan una serie de pasos con la información de cada usuario. Esta explicación es general, ya que el funcionamiento de los algoritmos puede ser más complejo y se actualiza continuamente.

2. Finanzas En los últimos años, el campo de las finanzas se ha visto en constante cambio, debido a que la tecnología de análisis contribuye a bajar el nivel de inseguridad, recurrencia de fraudes o riesgos en las inversiones. Sobre este último tema, el análisis y la ciencia han tenido un papel importante en el campo de la predicción de riesgos o posibles pérdidas. Así, genera un impacto en las empresas porque les permite optimizar stock, maximizar el tiempo de vida de sus relaciones comerciales o recursos y tomar decisiones sustentables.

3. E-commerce Las empresas de e-commerce más famosas como Amazon, Flipkart y Mercado Libre, entre otros más, cuentan con Data Analysis para asegurar la personalización del recorrido de compra y la definición de target con algoritmos. Todo lo que implica descubrir patrones de compra, preferencia o tendencias, está íntimamente relacionada con el tratamiento de la información de cada comprador.

4. Industria Este es el campo que ha podido tener una gran transformación. Es posible que se tenga un conocimiento general de las conocidas Smart Factories y ciencia de datos en el mundo industrial que trae con ella optimizaciones en diferentes áreas.

Comenzando con la promoción de los modelos de producción inteligentes fundamentados en la tecnología de predicción, el aprendizaje automático o inteligencia artificial, entre muchas otras herramientas. Lo que ha resultado en un aumento de la productividad y velocidad.

El papel de esta disciplina dentro de la industria también aborda la reducción de costos o energía invertida, creación de mejores equipos o componentes, evaluación de riesgos, desarrollo de software especializado, evitar desperdicio o merma, entre muchas otras ventajas con las que ya trabajan diferentes industrias.

Dentro del sector industrial, podemos destacar ciertas aplicaciones como:

• Análisis predictivo o en tiempo real de datos sobre el desempeño y calidad de los productos o procesos. Lo que incluye el pronóstico de fallas detectando problemas antes de que ocurran, ahorrando recursos.
• Optimización de precios para encontrar el balance de costo beneficio, entre cliente y producción.
• Automatización de las industrias, lo que es uno de los primeros pasos para ser parte de una producción inteligente.
• Optimización de la cadena de suministro, que no es una tarea simple debido a todos los factores involucrados. Sin embargo; es posible utilizando el modelo de análisis adecuado.
• Diseño y desarrollo de producto, ya que se busca fabricar según los requerimientos de los clientes. Un paso más es la optimización de productos existentes, mostrando capacidad de adaptación.

Existen muchas más aplicaciones en las industrias y si se quiere implementar en una compañía, se necesita identificar cuál sería el objetivo, el grado de profundización y determinar el procedimiento ideal. ¿Cómo descubrir lo que necesita una empresa?

El objetivo de esta introducción al análisis o a la ciencia de datos es dar un vistazo a las posibilidades, pero es imperativo recordar la complejidad que conlleva. La recomendación es contar con expertos en el área. Autmix trabaja de la mano con los clientes para conseguir el máximo rendimiento en cada operación y que la información extraída, se convierta en el activo estratégico clave de su éxito. Conoce más de esta división de Autmix y comienza con la consultoría.