Curso
Comprender la ciencia de datos
2 h
872.7K
Bienvenido a la cuarta parte de nuestra serie de un mes de duración, Datos sin misterio. Como parte del Data Literacy Month, esta serie aclara conceptos clave del mundo de los datos, responde a esas preguntas que quizá no te atreves a hacer y lo hace de forma amena. Si quieres empezar por el principio, lee la primera entrega: ¿Qué es un conjunto de datos?
En esta entrega, exploraremos los distintos tipos de analítica, de la descriptiva a la prescriptiva, identificaremos los tipos de preguntas a las que los datos pueden dar respuesta, veremos ejemplos y mucho más.
Cuatro tipos de preguntas, cuatro tipos de analítica
Los datos pueden responder a un número casi infinito de preguntas, pero podemos agruparlas en cuatro categorías. Esto nos lleva de forma natural a distintos tipos de análisis de datos: cada categoría de pregunta tiene su tipo de analítica correspondiente.
|
Tipo de pregunta |
Tipo de analítica |
|
¿Qué ha pasado? |
Analítica descriptiva |
|
¿Por qué ha pasado? |
Analítica diagnóstica |
|
¿Qué va a pasar? |
Analítica predictiva |
|
¿Cómo hacemos que pase? |
Analítica prescriptiva |
Estos cuatro tipos de análisis están ordenados de menor a mayor complejidad. Según el alcance de un proyecto de datos, completar un análisis completo puede implicar combinar varios tipos de análisis.
Antes de profundizar en los distintos tipos de analítica, pensemos en un equivalente del mundo real: un paciente que visita al médico. Primero, el médico examina al paciente para describir los síntomas. Después, intenta diagnosticar el problema médico que los causa. En tercer lugar, intenta predecir cómo evolucionarán los síntomas con el tiempo (si el paciente mejorará o empeorará). Por último, receta un tratamiento.
Analítica descriptiva: entender qué ha pasado
La analítica descriptiva responde a preguntas del tipo "¿qué está pasando?" o "¿qué ha pasado?".
Las principales técnicas en analítica descriptiva son el cálculo de estadísticas de resumen y la creación de visualizaciones. Las estadísticas de resumen incluyen recuentos de datos, medidas de tendencia central como la media y la mediana, y medidas de variación como el rango y la desviación estándar.
Consulta más sobre estadísticas de resumen en la siguiente entrega de Datos sin misterio sobre estadística descriptiva. Además, puedes revisar esta chuleta para profundizar en visualizaciones de datos.
Ejemplo de analítica descriptiva
Veamos un ejemplo. Imagina que quieres entender los factores que impulsan los ingresos de tu empresa. Realizas una analítica descriptiva de tus datos de ventas y respondes preguntas como:
- ¿Cuántas ventas se realizaron el último mes? (Recuento de ventas).
- ¿Cuál es el valor medio por transacción? (Precio medio de venta).
- ¿Cuánta variación hay entre las ventas totales por tienda? (Desviación estándar de las ventas totales por tienda).
- ¿Cuáles fueron las ventas totales por día? (Un gráfico de líneas de ventas totales frente a fecha).
Analítica diagnóstica: entender el porqué
La analítica descriptiva suele generar nuevas preguntas. En el ejemplo de ventas, quizá veas que las ventas totales fueron inesperadamente bajas un jueves. Saber qué ha pasado es un buen punto de partida, pero no es una conclusión satisfactoria. La siguiente pregunta evidente es: "¿por qué fueron bajas las ventas ese jueves?".
Esta es una pregunta que requiere una analítica diagnóstica. En general, los análisis diagnósticos responden a preguntas del tipo "¿por qué ha ocurrido algo?". Normalmente, ese "algo" es un valor inusualmente alto o bajo, también llamado valor atípico.
La analítica diagnóstica suele implicar estos pasos:
- Formular hipótesis sobre por qué ocurrió algo inusual.
- Obtener datos relacionados con las posibles causas.
- Realizar analítica descriptiva en subconjuntos de tus datos ("data mining").
- Ajustar modelos estadísticos como la regresión para examinar la relación entre las causas y el fenómeno inusual.
Ten en cuenta que, en muchos casos, solo podrás determinar una relación entre lo que mides y la causa sospechada. No podrás demostrar que sea realmente la causa. En una próxima entrega de Datos sin misterio trataremos el riesgo de confundir correlación con causalidad.
Ejemplo de analítica diagnóstica
Volviendo a nuestro ejemplo de ventas, tras detectar unas ventas totales inusualmente bajas un jueves del mes pasado, decides realizar una analítica diagnóstica sobre los datos.
- Formular una hipótesis: tu primera hipótesis es que las ventas fueron menores por una caída de la web que bloqueó las ventas online.
- Obtener datos: recuperas los datos de rendimiento del sitio web.
- Analítica descriptiva: haces un gráfico de líneas del rendimiento en el tiempo, pero no ves una caída ese jueves. Después, calculas las ventas totales separando online y tienda física y ves que el descenso se produjo en tienda física en una región del país.
- Formular otra hipótesis: recuerdas que esa zona del país sufrió una fuerte tormenta ese jueves y planteas que eso pudo ahuyentar a los clientes.
- Obtener datos: recuperas datos meteorológicos para cada tienda.
- Ajustar modelos estadísticos: ajustas un modelo de series temporales a tus ventas totales, usando el clima como variable de entrada. Esto muestra que el mal tiempo está correlacionado con menores ventas.
Analítica predictiva: entender qué va a pasar
El análisis de datos no solo permite entender el pasado. El tercer tipo de analítica se centra en hacer predicciones. Pueden ser predicciones sobre el futuro, en cuyo caso las llamamos previsiones, pero no siempre tiene que ser así. También pueden predecir si los clientes encajan en ciertos segmentos de clientes o si una transacción es fraudulenta o no. Las principales técnicas en analítica predictiva son los modelos estadísticos que, en el contexto de la predicción, suelen llamarse modelos de machine learning.
Puedes leer más sobre machine learning en la tercera entrega de Datos sin misterio, sobre la diferencia entre ciencia de datos, inteligencia artificial, machine learning y deep learning.
Ejemplo de analítica predictiva
Tras diagnosticar el problema de las bajas ventas, tu jefa ahora está preocupada por el próximo trimestre y quiere saber cómo evolucionarán los ingresos en los próximos meses. Como consecuencia, usas el mismo modelo de series temporales de antes, esta vez para predecir las ventas futuras.
Tu jefa también quiere entender a qué clientes potenciales debe dirigirse según quién tenga más probabilidades de comprar. Así que creas un modelo de machine learning basado en características de los clientes, como su historial de compras y su renta estimada, para predecir la probabilidad de que realicen una compra.
Analítica prescriptiva: ¿cómo hacemos que ocurra?
Uno de los grandes beneficios de la analítica de datos es que te ayuda a tomar mejores decisiones. Es decir, en lugar de guiarte por la intuición, tomas decisiones basadas en datos. La analítica prescriptiva te ayuda a responder preguntas del tipo "¿qué deberíamos hacer?".
Las técnicas de la analítica prescriptiva se apoyan en los modelos de machine learning de la analítica diagnóstica y predictiva para explorar distintos escenarios. Además, incluye la optimización para descubrir el mejor escenario posible entre varias opciones.
Ejemplo de analítica prescriptiva
Tu jefa está en un dilema. Las previsiones de ingresos no son tan altas como esperaba el consejo, así que ahora tiene presión para idear cómo incrementarlos. Recurre a ti para proponer una solución basada en datos.
- Entre ambos, planteáis posibles escenarios para cambiar la mezcla de ventas tienda/online y para ajustar el precio de productos clave.
- Usas analítica predictiva para hacer predicciones sobre cada uno de estos escenarios.
- Tras identificar algunos escenarios prometedores, aplicas optimización para afinar hasta lograr el mejor resultado posible.
¿Quieres saber más?
Esperamos que te haya gustado esta breve introducción a los distintos tipos de analítica de datos. En la próxima entrega profundizaremos en la analítica descriptiva y nos centraremos en las técnicas estadísticas dentro de la analítica descriptiva.
