Ideas clave
Convierte las preguntas de negocio en decisiones cuantificables antes de elegir un algoritmo
Empieza por la decisión. La ciencia de datos es el uso sistemático de los datos para extraer conocimiento, con el objetivo práctico de facilitar la toma de decisiones empresariales. Un modelo no es valioso solo porque predice algo; sus predicciones deben mejorar una decisión real. Walmart ilustró el descubrimiento, no la confirmación: antes del huracán Frances, el análisis de las compras durante tormentas anteriores reveló que las Pop-Tarts de fresa se vendían a un ritmo unas siete veces superior al normal. Ese patrón inesperado podía orientar el abastecimiento de una forma que quizá pasaría inadvertida basándose únicamente en la intuición.
Distingue las herramientas del propósito. La ingeniería de datos almacena y mueve información, mientras que la minería de datos la analiza en busca de patrones útiles. Un estudio citado en el libro relacionó un aumento de una desviación estándar en la toma de decisiones basada en datos con un incremento de la productividad de entre el 4 % y el 6 %. Esa asociación respalda la inversión, pero no significa que todos los conjuntos de datos o modelos vayan a dar frutos.
La historia de Walmart ilustra una división del trabajo útil: el juicio humano identifica una decisión que vale la pena mejorar, mientras que la computación busca en una escala de evidencia que ninguna persona podría examinar manualmente. Esto se asemeja a la economía organizacional, en la que la tecnología solo crea valor cuando se combina con procesos complementarios y autoridad para actuar. El resultado sobre productividad es sugerente, pero no constituye una promesa universal de rentabilidad. Las empresas que miden la actividad analítica en vez de la calidad de las decisiones pueden volverse excelentes produciendo paneles que no cambian nada.
Considera los datos y los experimentos activos que merecen una inversión deliberada
A veces hay que crear los datos. Signet Bank quería fijar las condiciones de las ofertas de crédito según la rentabilidad de cada cliente, pero los registros históricos solo reflejaban las condiciones que se habían ofrecido hasta entonces. El banco probó distintas condiciones con sus clientes para obtener la evidencia que faltaba. La tasa de impagos aumentó del 2,9 % a casi el 6 % a medida que se acumulaban las pérdidas, pero los datos resultantes ayudaron a construir modelos que respaldaron una estrategia mucho más rentable. El negocio de tarjetas de crédito de Signet se convirtió en Capital One.
Invierte en recursos complementarios. Los datos por sí solos sirven de poco si no hay personas y sistemas capaces de utilizarlos. Según se informó, para el año 2000 Capital One realizaba 45.000 pruebas científicas. La lección general es comparar el valor esperado de contar con mejor información con el costo y el riesgo de obtenerla. Un proyecto piloto o una prueba controlada pueden ser una inversión en aprendizaje, no simplemente un gasto en una campaña fallida.
Este es un ejemplo notable del aprendizaje como activo estratégico. En economía experimental, una prueba controlada puede revelar cómo responden las personas a alternativas que los registros observacionales no permiten distinguir. El riesgo es real: las ofertas aleatorizadas pueden imponer costos a los clientes o exponer a una empresa a pérdidas, por lo que el experimento necesita límites, salvaguardas y un criterio de suspensión bien fundamentado. El argumento de fondo del libro no es experimentar de manera temeraria, sino reconocer que negarse a recopilar evidencia puede dejar a una empresa atrapada en decisiones basadas en las opciones de ayer.
Permite que el descubrimiento iterativo reformule el problema, en vez de imponer un plan fijo
Usa un ciclo reproducible. CRISP-DM, el proceso estándar interindustrial para la minería de datos, organiza el trabajo en comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implementación. Es un ciclo, no una cinta transportadora: lo que revelan los datos puede llevar al equipo a volver a definir la pregunta o a buscar evidencia mejor.
Adapta la tarea a las etiquetas disponibles. El aprendizaje supervisado usa ejemplos con valores objetivo conocidos, como saber si un cliente abandonó la empresa. El aprendizaje no supervisado busca estructuras sin un objetivo especificado. El fraude con tarjetas de crédito a menudo puede abordarse mediante aprendizaje supervisado, porque las transacciones fraudulentas se identifican después de descubrirlas. El fraude en la facturación de Medicare es más difícil: los proveedores sospechosos también realizan actividades legítimas, y quizá no existan etiquetas fiables de fraude. Etiquetas empresariales parecidas pueden ocultar problemas de datos muy distintos.
El ciclo refleja una característica fundamental de la investigación y el desarrollo: la evidencia cambia la pregunta, no solo la respuesta. Por eso, los planes de proyecto convencionales, que presuponen requisitos estables, no se adaptan bien al trabajo de modelado en condiciones de incertidumbre. La comparación entre el fraude con tarjetas de crédito y el fraude en Medicare es especialmente útil porque pone de manifiesto un requisito previo oculto: las etiquetas las producen las instituciones y las investigaciones; no vienen dadas por la naturaleza. Un marco de procesos mejora la disciplina, pero no puede sustituir el conocimiento del dominio ni determinar qué riesgos merecen atención.
Optimiza el valor incremental, no solo el riesgo previsto de un cliente
Traduce las predicciones en valor. El valor esperado es el promedio ponderado por probabilidades de los posibles resultados. En el caso de un envío publicitario de una organización benéfica, la decisión depende de la probabilidad de respuesta, la donación probable y el costo del envío. Una persona con una alta probabilidad de responder puede seguir siendo un mal objetivo si la donación esperada no cubre el costo.
Pregúntate qué cambia la oferta. En la gestión del abandono de clientes, no basta con predecir quién probablemente se irá. La pregunta útil es si un incentivo cambia el resultado de ese cliente en comparación con no ofrecerle nada, y si el valor que se conserva supera el costo del incentivo. Para responder, hay que considerar dos estados posibles: con intervención y sin ella. Cuando la oferta es nueva, quizá los datos históricos no permitan responder, de modo que la empresa puede necesitar una prueba controlada o una hipótesis simplificadora reconocida explícitamente.
Este planteamiento conecta la analítica predictiva con la teoría de decisiones y la inferencia causal. Una puntuación de riesgo describe un resultado en las condiciones observadas; no indica si una intervención cambiará ese resultado. Esta distinción evita un desperdicio frecuente: gastar en retener a clientes que se habrían quedado de todos modos. La dificultad es que no se pueden observar al mismo tiempo los resultados contrafactuales de una misma persona. Los grupos de comparación aleatorizados ayudan a estimar el efecto promedio, mientras que la segmentación a nivel individual requiere hipótesis más fuertes y una validación cuidadosa.
Una puntuación impecable en los datos de entrenamiento puede indicar que el modelo no aprendió nada útil
El ajuste no equivale a la generalización. El sobreajuste se produce cuando un modelo capta las peculiaridades de los ejemplos de entrenamiento en vez de patrones que se mantienen en casos nuevos. Un modelo de abandono deliberadamente absurdo puede memorizar el registro de cada cliente anterior y clasificar ese conjunto de datos a la perfección. Sin embargo, no sirve para responder nada útil sobre un cliente que no haya visto antes.
Evalúa con casos reservados. Los datos de prueba reservados simulan el uso futuro: el modelo predice ejemplos cuyos valores objetivo se ocultaron durante el entrenamiento. La validación cruzada repite este proceso en varias particiones, o pliegues, para estimar el rendimiento promedio y su variabilidad. En un ejemplo de abandono de clientes, un árbol obtuvo un 73 % al evaluarse con los mismos datos usados para construirlo, pero promedió un 68,6 % en una validación cruzada de diez pliegues. Podar árboles, limitar las características o regularizar los parámetros puede contener la complejidad, pero no elimina la necesidad de una evaluación honesta.
El modelo que memoriza hace evidente un sutil punto estadístico: una puntuación alta puede medir lo bien que un método aprovecha el procedimiento de evaluación, no lo bien que representa a la población. La búsqueda repetida entre modelos crea un peligro relacionado, porque probar muchas alternativas y comunicar solo la ganadora favorece el ruido afortunado. Los conjuntos de validación y de prueba final separados ayudan, pero solo si el conjunto de prueba permanece intacto mientras se toman decisiones. La fuga de datos puede volver engañosa incluso una validación que parece cuidadosa.
Evalúa los modelos según los errores importantes y el presupuesto disponible
La exactitud puede maquillar el fracaso. En una población donde una clase supera a otra en una proporción de 999 a 1, predecir siempre la clase mayoritaria da una exactitud del 99,9 % sin detectar ninguno de los casos poco frecuentes. Una matriz de confusión distingue entre verdaderos y falsos positivos y verdaderos y falsos negativos, y hace visibles los distintos tipos de error. Sus consecuencias pueden ser muy diferentes, como cuando no detectar un cáncer es más grave que pedir una prueba de seguimiento innecesaria.
Ponle precio a la decisión. El beneficio esperado combina las tasas de error con los costos y beneficios de cada resultado. Compara los modelos candidatos con referencias realistas, como la selección aleatoria, la clase mayoritaria o una regla empresarial existente. Las curvas ROC muestran el equilibrio entre la detección y las falsas alarmas con distintos umbrales. La elevación (lift) compara la selección con el azar, mientras que las curvas de beneficio incorporan los costos y pueden identificar el mejor modelo para un presupuesto determinado.
La insistencia del capítulo en los costos es una aplicación práctica de la teoría de decisiones: un modelo solo es tan bueno como la regla de actuación que se construye a partir de él. Un umbral adecuado para un equipo con abundantes recursos puede resultar inservible para una pequeña unidad contra el fraude, aunque la clasificación sea idéntica. Las curvas ROC ayudan a separar la capacidad de clasificación de la prevalencia de las clases, pero no eligen por sí solas una política. Las estimaciones de costos también son juicios políticos, ya que los clientes y trabajadores afectados pueden cargar con consecuencias que no aparecen en la hoja de cálculo de la empresa.
Define el parecido en los datos antes de confiar en los vecinos o los grupos
La similitud se diseña. Los métodos de vecinos más cercanos predicen a partir de los casos considerados próximos al nuevo caso; la agrupación reúne casos considerados próximos entre sí sin usar una etiqueta objetivo. Ambos dependen de una representación y una medida de distancia, por lo que ninguno descubre una similitud abstracta. En un ejemplo de whisky escocés, se representó el sabor mediante 68 descriptores binarios. Así, quien disfrutara del Bunnahabhain podía encontrar whiskies cercanos comparando esas características.
Comprueba la vara de medir. Las características numéricas en distintas escalas pueden dominar un cálculo de distancia, mientras que las irrelevantes pueden distorsionarlo. La selección de características, el escalamiento y el conocimiento del dominio influyen en lo que se considera cercano. La agrupación también necesita interpretación: los grupos de noticias pueden compartir vocabulario o formato sin tener un tema significativo en común. Un grupo es un punto de partida para investigar, no necesariamente un segmento de negocio.
Esta es una lección de la teoría de la medición: las definiciones operativas determinan el fenómeno que un análisis puede revelar. Una medida de distancia puede ser matemáticamente elegante y, sin embargo, carecer de sentido semántico, del mismo modo que medir una ciudad solo por la distancia entre calles pasa por alto las barreras y el tiempo de viaje. Los descriptores del whisky hacen que las hipótesis sean especialmente visibles. En grandes conjuntos de datos de clientes, esas hipótesis son más difíciles de detectar, por lo que la revisión de expertos y las pruebas de sensibilidad son esenciales. Los grupos exploratorios resultan útiles cuando sus diferencias sugieren una decisión, no solo un gráfico llamativo.
Elige representaciones de texto que conserven la señal necesaria para tomar la decisión
Convierte las palabras en características. El texto se escribe para las personas, por lo que tiene una estructura variable, ambigüedades, errores ortográficos y contexto. Un punto de partida habitual es la representación de bolsa de palabras, que trata un documento como un conjunto de términos e ignora su orden. La frecuencia de término cuenta las apariciones de una palabra; TFIDF aumenta el peso de los términos frecuentes en un documento pero poco comunes en el corpus. La lematización y la eliminación de palabras vacías comunes pueden reducir el ruido, aunque eliminarlas sin cuidado puede borrar el significado.
Añade estructura cuando haga falta. Los n-gramas conservan secuencias cortas de palabras, la extracción de entidades con nombre identifica expresiones como los nombres de organizaciones y los modelos de temas infieren temas ocultos. En un ejemplo de noticias financieras, los modelos encontraron señales en unas 16.000 noticias etiquetadas según el movimiento posterior de las acciones. Una representación sencilla puede servir como primera aproximación, pero sus límites dependen de la tarea.
El capítulo sobre texto ilustra un principio general de la ciencia de datos: la representación suele ser tan importante como el algoritmo. TFIDF funciona porque los términos poco comunes pueden distinguir documentos; sin embargo, esos términos también pueden ser errores tipográficos o elementos accidentales. Añadir la estructura de las frases puede recuperar el contexto, pero amplía el espacio de características y eleva el riesgo de sobreajuste. Es el mismo equilibrio que se observa en la visión artificial y el reconocimiento del habla: las representaciones más ricas captan matices, pero exigen más datos y una evaluación más sólida.
La predicción detecta asociaciones; los experimentos prueban si una acción cambia los resultados
La correlación no demuestra influencia. Un modelo puede identificar a personas con probabilidades de comprar, pero eso no demuestra que un anuncio haya causado la compra. En las redes sociales, las personas suelen relacionarse con otras parecidas a ellas, así que los amigos pueden tomar decisiones similares sin persuadirse mutuamente. Una investigación analizada en el libro reveló que los análisis convencionales del marketing viral podían exagerar la influencia en al menos un 700 % cuando no tenían en cuenta esa similitud.
Compara los contrafactuales. El análisis causal pregunta qué cambiaría si se produjera una intervención en vez de no producirse. Los experimentos aleatorizados crean grupos de tratamiento y control comparables, mientras que los métodos observacionales requieren supuestos sobre cómo se seleccionaron los casos. Estos métodos sirven para tomar decisiones sobre anuncios, incentivos y otras intervenciones, pero sus conclusiones solo son tan creíbles como el diseño y los supuestos que las sustentan.
El ejemplo de las redes sociales conecta la analítica con un problema clásico de la sociología: la homofilia, la tendencia de las personas parecidas a establecer vínculos, puede confundirse con la influencia entre pares. No se trata de una corrección técnica menor. Si una empresa confunde las preferencias compartidas con la persuasión, puede gastar grandes sumas en sembrar campañas que no se difundirían por ese motivo. La aleatorización ofrece un diseño sólido cuando es viable, aunque los experimentos también deben tener en cuenta los efectos indirectos, el consentimiento y quién queda excluido de la prueba.
Audita cómo se generaron los datos antes de tratar los patrones como hechos
Los datos tienen una historia. En un proyecto de detección de fraude, las llamadas que, al parecer, se habían hecho desde el sitio celular cero predecían con fuerza el fraude. Los investigadores acabaron descubriendo que esas llamadas se habían almacenado en una base de datos separada, sin información de ubicación; los valores faltantes se habían sustituido por ceros. El patrón describía un procedimiento de la base de datos, no un lugar sospechoso. Se trata de una forma de fuga de datos o de una discrepancia entre la característica registrada y la magnitud del mundo real que parece representar.
Mantén a las personas involucradas. Se necesita el juicio humano para definir la decisión, seleccionar datos útiles, examinar resultados sorprendentes y elegir qué se considera un resultado satisfactorio. La búsqueda automatizada puede encontrar patrones a gran escala, pero no puede establecer que un campo signifique lo que indica su etiqueta o que un indicador indirecto sea justo. La implementación también importa: el modelo en producción está condicionado por las decisiones de ingeniería y los procesos de negocio.
La historia del sitio celular cero es un estudio de caso conciso sobre el error de medición y el diseño institucional. Los datos no son la realidad en bruto; son rastros creados por formularios, programas informáticos, incentivos y omisiones. Esta idea es especialmente importante cuando las decisiones automatizadas afectan a las personas, porque un error técnico puede reproducir a gran escala un punto ciego administrativo. La revisión del dominio no es un control final decorativo. Permite comprobar si la explicación aparente del modelo resiste el contacto con el sistema que generó la evidencia.
Deja que Bayes combine indicios débiles, pero desconfía de sus probabilidades demasiado tajantes
Combina la evidencia de forma sencilla. La regla de Bayes actualiza la probabilidad previa de un resultado según la probabilidad de observar la evidencia en cada uno de los resultados posibles. Bayes ingenuo vuelve práctico este enfoque al suponer que las características son condicionalmente independientes dada la clase. Un anunciante web podría combinar pruebas a partir de los sitios que visita una persona para clasificar a los clientes potenciales; el mismo método es común en el filtrado de correo no deseado y puede actualizarse con eficiencia a medida que llegan nuevos ejemplos etiquetados.
Ten presente el supuesto. Los sitios visitados suelen estar relacionados entre sí, por lo que tratarlos como independientes puede hacer que una misma señal se cuente varias veces. Bayes ingenuo puede, aun así, clasificar bien los casos, pero sus estimaciones de probabilidad pueden volverse demasiado extremas. El método es útil porque es rápido, sencillo y suele dar buenos resultados, no porque su representación simplificada del mundo sea literalmente cierta.
Bayes ingenuo ilustra un acuerdo científico provechoso: aceptar un supuesto irreal si permite obtener una aproximación útil y, luego, comprobar si el resultado sirve para el uso previsto. Es importante distinguir entre la clasificación y una probabilidad calibrada. A veces una campaña puede tolerar probabilidades imperfectas si los prospectos mejor clasificados son realmente mejores, mientras que las decisiones con costos asimétricos pueden requerir una calibración fiable. La sencillez del modelo facilita el diagnóstico, pero su aparente confianza nunca debe confundirse con la certeza.
Crea una ventaja mediante los datos, el talento y una cultura que ponga a prueba las afirmaciones
Las capacidades se acumulan. Los datos adquieren valor estratégico cuando una empresa puede vincularlos con decisiones que sus competidores no pueden mejorar fácilmente. El historial de compras de Amazon permitió crear recomendaciones personalizadas, mientras que Capital One construyó su negocio de crédito en torno a las pruebas repetidas y los modelos de rentabilidad. Esa ventaja depende de activos complementarios: datos pertinentes, capacidad analítica, ingeniería y un proceso de negocio que actúe a partir de los resultados.
Gestiona la investigación, no solo la entrega. Los proyectos de ciencia de datos son exploratorios, por lo que los equipos necesitan margen para hacer pruebas piloto, comparar los resultados con referencias y aprender de los enfoques fallidos. Los directivos deben tener conocimientos analíticos suficientes para preguntar por las etiquetas, la evaluación y la implementación, mientras que los científicos de datos necesitan contexto empresarial. El libro aborda la privacidad y la ética como responsabilidades serias, porque los datos personales detallados pueden mejorar las predicciones y, al mismo tiempo, aumentar las consecuencias del uso indebido.
El argumento estratégico se asemeja al enfoque de recursos de las empresas: un activo importa cuando es valioso, difícil de imitar y está respaldado por rutinas propias de la organización. Un modelo rara vez basta para establecer una ventaja duradera; a menudo los competidores pueden reproducir un algoritmo con más facilidad que una fuente de datos fiable, una cultura de experimentación o un equipo que entienda el negocio. Sin embargo, una ventaja duradera no es automáticamente un beneficio social. La gobernanza debe preguntar quién recibe las ganancias, quién soporta los errores y si la recopilación de datos es proporcional.
Análisis
La mayor contribución del libro es reformular la ciencia de datos: deja de presentarla como un catálogo de algoritmos y la plantea como una disciplina de diseño de decisiones. La pregunta recurrente no es simplemente si un modelo detecta patrones, sino si el problema, los datos, la evaluación y la implementación encajan entre sí. Este énfasis hace accesibles las ideas técnicas a los directivos sin fingir que las matemáticas o la ingeniería son irrelevantes. Los ejemplos narrativos también cumplen una función importante: el patrón de compras inusual durante el huracán ilustra el descubrimiento, Capital One muestra los datos como inversión y el sitio celular cero enseña cómo una convención de una base de datos puede hacerse pasar por un hecho sobre el mundo.
El marco resulta más poderoso cuando obliga a los analistas a explicitar sus supuestos. El valor esperado pone de manifiesto los costos ocultos, la validación cruzada revela la memorización y el razonamiento causal distingue entre predecir un resultado y cambiarlo. No son simples refinamientos de modelado; son salvaguardas contra el autoengaño organizacional. El enfoque también anticipa un problema que hoy suele describirse como fijación en las métricas: una vez que un indicador indirecto se convierte en objetivo, los equipos pueden optimizarlo y descuidar el propósito subyacente. La solución no es rechazar la medición, sino volver a preguntarse si la magnitud medida sigue representando la decisión que importa.
Algunas afirmaciones requieren prudencia contextual. Las asociaciones con la productividad no garantizan que la inversión analítica de una empresa en particular vaya a dar frutos, y un mejor rendimiento predictivo puede intensificar los riesgos para la privacidad o el trato injusto. Asimismo, el éxito histórico de un modelo no garantiza su estabilidad cuando las personas se adaptan, los mercados cambian o se modifican los flujos de datos. El enfoque del libro, centrado en los procesos, ofrece una respuesta sólida: supervisar el contexto de uso, mantener la revisión humana y tratar la implementación como parte del problema analítico. Su lección más perdurable es que la ciencia de datos fiable combina la búsqueda computacional con la responsabilidad humana de decidir qué preguntar, qué cuenta como evidencia y qué consecuencias son aceptables.
Resumen de reseñas
Data Science for Business recibe reseñas mayoritariamente positivas; los lectores elogian su enfoque práctico y sus explicaciones claras de los conceptos de ciencia de datos aplicados a los negocios. Muchos lo consideran valioso tanto para principiantes como para profesionales con experiencia y destacan su utilidad para conectar los aspectos técnicos y empresariales. Algunos reseñadores señalan que el libro puede ser denso y difícil, pero en general se considera una introducción integral a la ciencia de datos en un contexto empresarial. A algunos críticos les parece demasiado superficial o prolijo en ciertas secciones.
También leyeron
Glosario
CRISP-DM
proceso iterativo de minería de datosEl Proceso Estándar Intersectorial para la Minería de Datos, un modelo de proceso que organiza un proyecto en comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implementación. Las etapas son iterativas, no estrictamente lineales. Los resultados del modelado o la evaluación pueden revelar la necesidad de revisar el problema, adquirir otros datos o cambiar la solución propuesta.
sobreajuste
aprendizaje de peculiaridades específicas de la muestraLa tendencia de un procedimiento de modelado a ajustarse a detalles de los datos de entrenamiento que no representan patrones estables en la población más amplia. Un modelo con sobreajuste puede funcionar muy bien con los ejemplos usados para construirlo y mal con ejemplos nuevos. La evaluación con datos reservados y los controles de complejidad, como la poda, la selección de características y la regularización, ayudan a detectar o reducir el problema.
valor esperado
valor de los resultados ponderado por sus probabilidadesUn cálculo que enumera los posibles resultados, multiplica el valor de cada resultado por su probabilidad y suma los productos. En el análisis empresarial, conecta las estimaciones del modelo con las decisiones al combinar las probabilidades obtenidas de los datos con los costos y beneficios de la aplicación. Puede revelar qué subproblemas requieren modelos y qué valores deben provenir del conocimiento del negocio.
validación cruzada
evaluación repetida con datos reservadosUn procedimiento para estimar el rendimiento de un modelo dividiendo los datos etiquetados en pliegues, entrenándolo repetidamente con todos menos uno de ellos y probándolo con el pliegue restante. Cada pliegue se usa por turno como conjunto de prueba. Las puntuaciones resultantes ofrecen una estimación promedio y una idea de la variabilidad, al tiempo que aprovechan mejor los datos limitados que una única partición.
elevación (lift)
ventaja sobre el azarUna medida de cuánto más frecuente es un resultado o patrón en un grupo seleccionado de lo que cabría esperar según una referencia, a menudo la selección aleatoria o la independencia estadística. En la selección de objetivos, la elevación compara la tasa de respuesta entre los casos seleccionados con la tasa de respuesta general. En la minería de asociaciones, compara la coocurrencia observada con la frecuencia que se esperaría si los elementos fueran independientes.
TFIDF
ponderación de la relevancia de los términosFrecuencia del término multiplicada por la frecuencia inversa de documento: una representación de texto que asigna peso a un término según su frecuencia en un documento y su rareza en el conjunto de documentos. Los términos frecuentes en un documento reciben peso, mientras que aquellos comunes en todo el corpus reciben menos. Así, los documentos pueden representarse como vectores de características para su recuperación, clasificación o agrupamiento.
Bayes ingenuo
clasificador de evidencias independientesUn método generativo de clasificación que aplica la regla de Bayes y estima la probabilidad de que las características observadas se den en cada clase. Su supuesto simplificador es que las características son condicionalmente independientes dada la clase. Esto hace que el aprendizaje y la predicción sean eficientes y a menudo permite obtener clasificaciones útiles, pero las características correlacionadas pueden contabilizarse varias veces y hacer que las estimaciones de probabilidad no estén bien calibradas.
curva ROC
detección frente a falsas alarmasUn gráfico que muestra la tasa de verdaderos positivos de un clasificador frente a su tasa de falsos positivos a medida que cambia el umbral de decisión. Cada punto representa una relación de compromiso distinta entre detectar casos positivos y generar falsas alarmas. Como cada tasa se calcula dentro de una clase real, la curva separa el rendimiento de clasificación del predominio de las clases, aunque por sí sola no incorpora los costos del negocio.
ingeniería analítica (analytical engineering)
diseño de soluciones basadas en datosEl trabajo de traducir un problema empresarial real en tareas analíticas que puedan resolverse, utilizando los datos, métodos, restricciones y conocimientos del dominio disponibles. Incluye descomponer un problema en componentes que puedan modelarse, evaluar si los datos permiten abordarlos y recombinar los resultados de los modelos con los costos y las decisiones del negocio. Puede ser necesario reformular el planteamiento a medida que el equipo aprende qué pueden y qué no pueden responder los datos.
Preguntas frecuentes
¿De qué trata Data Science for Business?
- Panorama general: Data Science for Business, de Foster Provost, ofrece una introducción detallada a los principios de la ciencia de datos y su aplicación en contextos empresariales. Se centra en comprender los conceptos de minería de datos, no solo los algoritmos.
- Público destinatario: El libro está dirigido a profesionales del ámbito empresarial, desarrolladores y aspirantes a científicos de datos que quieran aprovechar los datos para tomar decisiones y conectar a los equipos técnicos con los empresariales.
- Ejemplos prácticos: Incluye ejemplos del mundo real, como la pérdida de clientes y el marketing dirigido, para mostrar cómo la ciencia de datos puede resolver problemas empresariales concretos.
¿Por qué debería leer Data Science for Business?
- Esencial para los negocios modernos: El libro destaca que, en el mundo actual, los datos son parte integral de los negocios y que comprender la ciencia de datos es crucial para tomar decisiones informadas.
- Accesible para todos los niveles: Explica temas complejos de manera accesible, por lo que es adecuado para lectores con distintos niveles de experiencia y especialmente útil para directivos empresariales que trabajan con científicos de datos.
- Conocimientos fundamentales: Ofrece conceptos fundamentales que son esenciales para cualquiera que quiera comprender los entornos basados en datos o trabajar en ellos.
¿Cuáles son las principales conclusiones de Data Science for Business?
- Pensamiento analítico sobre los datos: El libro destaca la importancia de analizar los datos para mejorar la toma de decisiones e introduce un enfoque estructurado para resolver problemas utilizando datos.
- Comprender el sobreajuste: Una conclusión importante es el concepto de sobreajuste, por el que los modelos funcionan bien con los datos de entrenamiento, pero mal con datos que no han visto, lo que pone de relieve la importancia de la generalización.
- Técnicas de evaluación de modelos: El libro analiza métodos para evaluar modelos, como la validación cruzada, a fin de garantizar que funcionen bien con datos nuevos, algo crucial para crear soluciones fiables basadas en datos.
¿Qué es el sobreajuste y por qué es importante en Data Science for Business?
- Definición de sobreajuste: El sobreajuste ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento y capta el ruido y los valores atípicos en lugar del patrón subyacente, lo que resulta en un rendimiento deficiente con datos que no ha visto.
- Generalización frente a memorización: Un buen modelo debe generalizar bien a datos nuevos en lugar de limitarse a memorizar el conjunto de entrenamiento; esto es clave para realizar predicciones precisas en aplicaciones del mundo real.
- Cómo evitar el sobreajuste: Se analizan técnicas como la validación cruzada, la poda en modelos de árbol y la regularización en modelos de regresión para evitar el sobreajuste y mantener un equilibrio entre la complejidad del modelo y su rendimiento.
¿Cómo define Data Science for Business el pensamiento analítico sobre los datos?
- Enfoque estructurado: El pensamiento analítico sobre los datos se describe como una manera estructurada de abordar problemas empresariales mediante datos. Implica identificar los datos pertinentes, aplicar métodos adecuados e interpretar los resultados.
- Marco para la toma de decisiones: El libro ofrece marcos que ayudan a los lectores a analizar problemas sistemáticamente y tomar decisiones basadas en datos, alineando las estrategias empresariales con los conocimientos obtenidos de estos.
- Integración de la creatividad y el conocimiento del dominio: El pensamiento analítico eficaz sobre los datos combina las habilidades analíticas con la creatividad y el conocimiento del dominio, lo que conduce a mejores resultados en la resolución de problemas.
¿Qué es el proceso CRISP-DM en Data Science for Business?
- Marco estructurado: CRISP-DM significa Proceso Estándar Intersectorial para la Minería de Datos; es un marco estructurado para proyectos de minería de datos que consta de seis fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implementación.
- Naturaleza iterativa: El proceso es iterativo: los conocimientos adquiridos en una fase pueden llevar a revisar fases anteriores, lo que permite la mejora continua y el perfeccionamiento de los proyectos de ciencia de datos.
- Aplicabilidad en distintos sectores: CRISP-DM está diseñado para aplicarse en distintos sectores y ofrece un lenguaje y una metodología comunes a profesionales de diferentes ámbitos.
¿Qué es el marco del valor esperado en Data Science for Business?
- Herramienta para la toma de decisiones: El marco del valor esperado ayuda a evaluar los posibles beneficios y costos asociados a distintas decisiones y permite a las empresas cuantificar los resultados esperados a partir de datos históricos.
- Componentes del valor esperado: Comprende las probabilidades de distintos resultados y los valores asociados a ellos, calculados a partir de datos, lo que ayuda a tomar decisiones informadas para maximizar las ganancias o minimizar los costos.
- Aplicación a problemas empresariales: El marco puede aplicarse a diversos escenarios empresariales, como el marketing dirigido y las estrategias de retención de clientes, para identificar las acciones más rentables mediante el análisis de datos.
¿Cómo aborda Data Science for Business el sobreajuste en los modelos de datos?
- Explicación del sobreajuste: El sobreajuste ocurre cuando un modelo capta el ruido de los datos de entrenamiento en lugar del patrón subyacente, lo que resulta en un rendimiento deficiente con datos que no ha visto.
- Técnicas de evaluación de modelos: Se destacan técnicas como la validación cruzada para evaluar el rendimiento de los modelos y mitigar el sobreajuste, garantizando que generalicen bien.
- Control de la complejidad: Se analizan métodos para controlar la complejidad de los modelos, como la regularización y la selección de características, con el fin de crear modelos que equilibren el ajuste y la complejidad y reduzcan el riesgo de sobreajuste.
¿Qué importancia tiene la similitud en la ciencia de datos, según Data Science for Business?
- Fundamento de muchas técnicas: La similitud subyace a diversos métodos de ciencia de datos, incluidos el agrupamiento y la clasificación, y ayuda a agrupar puntos de datos y hacer predicciones sobre ellos de manera eficaz.
- Aplicaciones empresariales: La similitud se utiliza en aplicaciones prácticas como la segmentación de clientes y los sistemas de recomendación, lo que permite a las empresas orientar sus esfuerzos de marketing y mejorar la participación de los clientes.
- Representación matemática: La similitud puede cuantificarse mediante métricas de distancia, como la distancia euclidiana, lo que permite analizar y comparar sistemáticamente los puntos de datos.
¿Qué tipos de modelos se analizan en Data Science for Business?
- Modelos predictivos: El libro aborda técnicas de modelado predictivo, como los árboles de clasificación, la regresión logística y los métodos de vecinos más cercanos, cada uno adecuado para distintos tipos de datos y problemas empresariales.
- Modelos de agrupamiento: Las técnicas de agrupamiento reúnen puntos de datos similares y ayudan a las empresas a comprender los segmentos y comportamientos de los clientes, revelando conocimientos útiles para las estrategias de marketing y el desarrollo de productos.
- Modelos de minería de texto: Las técnicas de minería de texto, como la representación de bolsa de palabras y TFIDF, son esenciales para analizar datos no estructurados y permiten a las empresas extraer información valiosa de fuentes textuales.
¿Qué es la representación de bolsa de palabras en la minería de texto, según Data Science for Business?
- Concepto básico: La representación de bolsa de palabras trata cada documento como una colección de palabras individuales e ignora la gramática y el orden de las palabras, lo que simplifica los datos de texto para su análisis.
- Frecuencia de los términos: Cada palabra se representa según su frecuencia de aparición, lo que permite identificar términos importantes; técnicas como TFIDF lo mejoran al ponderar los términos según su rareza.
- Aplicaciones: Se usa ampliamente en la clasificación de textos, el análisis de sentimientos y la recuperación de información. Ofrece una manera sencilla de convertir texto en datos numéricos para algoritmos de aprendizaje automático.
¿Qué papel desempeña el conocimiento del dominio en la ciencia de datos, según Data Science for Business?
- Mejora de la validez de los modelos: El conocimiento del dominio es crucial para validar los modelos y asegurarse de que tengan sentido en el contexto empresarial; ayuda a los científicos de datos a interpretar los resultados y perfeccionar los análisis.
- Orientación de la selección de características: Comprender el dominio permite a los científicos de datos seleccionar características pertinentes que probablemente afecten a la variable objetivo, lo que mejora el rendimiento y la pertinencia del modelo.
- Facilitación de la comunicación: El conocimiento del dominio facilita la comunicación entre los científicos de datos y las partes interesadas del negocio y garantiza que compartan una comprensión del problema y de los datos, lo que favorece una colaboración eficaz.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.