ADIANATI1I0724

Fundamentos de la analítica de datos

Semana 1

ADIANATI1I0724

Instrucciones para áreas que cuentan con dos o más elementos interactivos:

Instrucciones para áreas que solamente cuentan con un elemento interactivo:

Preguntade refuerzo

Pase el cursor sobre el elemento para conocer más información.

Dé clic en el apartado para conocer su contenido.

Dé clic en el apartado para conocer su contenido y al finalizar responda la pregunta de refuerzo.

Pase el cursor sobre cada elemento para conocer más información.

<- Paleta de colores PRINCIPAL

Pase el cursor sobre cada elemento para conocer más información.

Colores secundarios

Dé clic en cada apartado para conocer su contenido.

Analítica de Datos en la Administración y Negocios

Fases iniciales del proceso CRISP-DM

Definición

Traducción

Estrategia

Según un estudio de KDnuggets (2014), CRISP-DM es la metodología más utilizada en proyectos de análisis de datos, con un 43% de adopción en la industria.

Comprensión del negocio

Comprensión de los datos

Definición de objetivos y requisitos del proyecto desde la perspectiva del negocio.

Traducción de estos objetivos en un problema de minería de datos.

Desarrollo de una estrategia preliminar para alcanzar los objetivos.

¡A practicar!

Seleccione la respuesta correcta y dé clic en enviar.

Preguntade refuerzo

Instrucciones para áreas que cuentan con dos o más elementos interactivos:

Instrucciones para áreas que solamente cuentan con un elemento interactivo:

Pase el cursor sobre el elemento para conocer más información.

Dé clic en el apartado para conocer su contenido.

Pase el cursor sobre cada elemento para conocer más información.

Dé clic en cada apartado para conocer su contenido.

Dé clic en cada apartado para conocer su contenido.

<- Paleta de colores PRINCIPAL

Colores secundarios

La preparación de datos es una de las fases más intensivas en trabajo, pero es fundamental para garantizar la calidad del análisis y los resultados posteriores. Un modelo bien calibrado puede mejorar significativamente la precisión de las predicciones, lo que se traduce en mejores decisiones empresariales.

Fases intermedias y finales del proceso CRISP-DM

Preparación de los datos

Modelado

Evaluación

Despliegue

¡A practicar!

Dé clic en "Volver a contestar" si desea responder nuevamente las preguntas.

Seleccione la respuesta correcta y dé clic en enviar.

Burk, S. y Miner, G. D. (2020). It's all analytics!: the foundations of Al, big data and data science landscape for professionals in healthcare, business, and government. Productivity Press. https://ebookcentral.proquest.com/lib/bibliouniminuto-ebooks/reader.action?docID=6209045 Piatetsky, G. (2014, 28 de octubre). CRISP-DM, still the top methodology for analytics, data mining, or data science projects. KDnuggets. https://www.kdnuggets.com/2014/10/crisp-dm- top-methodology-analytics-data-mining-data-science-projects.html

Referencias:

©UNIMINUTO. Todos los derechos reservados. Todos los derechos de Propiedad Industrial e Intelectual de este material son propiedad exclusiva de la Corporación Universitaria Minuto de Dios.

Preparación de los datos

• Selección de datos y variables relevantes.
• Realización de transformaciones necesarias en los datos.
• Limpieza de datos para preparar el conjunto final de datos para el modelado.

Despliegue

• Implementación de los modelos desarrollados.
• Generación de reportes y despliegue de los modelos en otros departamentos o procesos.
• Monitoreo continuo y actualización de los modelos según sea necesario.

• Recolección de datos iniciales
• Exploración de los datos para familiarizarse con ellos y descubrir conocimientos iniciales
• Evaluación de la calidad de los datos y selección de subconjuntos de interés

Comprensión de los datos

La fase de comprensión de datos es crucial, ya que se estima que los científicos de datos pasan hasta un 80% de su tiempo limpiando y preparando los datos para el análisis.

Evaluación

• Evaluación de los modelos para determinar su calidad y efectividad.
• Verificación de que los modelos cumplen con los objetivos del proyecto.
• Decisión sobre el uso de los resultados del modelado.

• Ahorro de recursos y evitar errores en la toma de decisiones.

Modelado

• Selección y aplicación de técnicas de modelado adecuadas.
• Calibración de los modelos para optimizar los resultados.
• Iteración entre la preparación de datos y el modelado según sea necesario.