Existen muchas respuestas para esta pregunta, a sí como muchas habilidades que realmente necesita un científico de datos. Sin embargo, a veces cometemos el error de pensar que las habilidades técnicas son las más importantes, cuando en la vida práctica no es exactamente lo que ocurre. Y no me refiero a las habilidades blandas que de por sí todo profesional las debe poseer, sino a otro tipo de habilidad que la experiencia se encargará de dártela.
En la publicación “Quiero ser un científico de datos ¿Por dónde empiezo?“ se describe muy bien las habilidades técnicas y blandas de un científico de datos.
En esta publicación mencionamos que la habilidad más importante será su capacidad para traducir datos en ideas que sean claras y significativas para un hecho no cuantitativo.
En el siguiente vídeo titulado “The best stats you’ve ever seen“, Hans Rosling, un famoso médico y estadístico sueco creador de Trandalyzer – software de visualización de información para animación de estadísticas – utiliza una nueva y sorprendente herramienta de presentación Gapminder, para presentar datos que desacreditan varios mitos sobre el desarrollo mundial.
Podemos resumir que para interpretar y traducir correctamente un conjunto de información y/o hechos, debemos de partir del paradigma de las 4-dimensiones del Data Analytics (Análisis de Datos). Es decir, podemos dividir en 4 tipos de análisis de datos.
1. Analítica Descriptiva: ¿Qué esta sucediendo?
Este tipo de análisis es el más común que se aplica en muchas organizaciones. El resultado de este análisis nos proporciona una visión de la situación actual de la empresa mediante gráficos, indicadores y KPIS del negocio.
2. Analítica Diagnóstica: ¿Por qué esta sucediendo?
El siguiente paso es el Análisis Diagnostico. En la evaluación de los datos descriptivos, las herramientas analíticas de diagnóstico permitirán a un analista profundizar en el problema e identificar su causa raíz.
3. Analítica Predictiva: ¿Qué es probable que suceda?
En análisis predictivo está enfocado en el futuro, en elaborar pronósticos mediante modelos predictivos. Por ejemplo, ya sea la probabilidad de que ocurra un evento en el corto,mediano o largo plazo , pronosticar una cantidad cuantificable o estimar un punto en el tiempo en el que algo podría suceder, son este tipo de resultados que las organizaciones intentan descubrir para tomar mejores decisiones.
Generalmente, los modelos predictivos utilizan una variedad de datos variables para hacer la predicción. La variabilidad de los datos es una pieza importante en este tipo de análisis, debido a que esta información tendrá relación con lo que es probable que prediga.
Por ejemplo: “Cuanto mayor es una persona y fuma de 3 a 5 cigarrillos por semana, será más susceptible que contraer cáncer al pulmón“; es decir, podríamos decir que la edad y el hábito de fumar tiene una relación lineal con el riesgo de iniciar cáncer al pulmón. Por supuesto, estos datos se deben trabajar con un sistema de reglas de puntuación o predicción.
4. Analítica Presprictiva: ¿Qué necesito hacer?
El siguiente paso es el Análisis Presprictivo. Para este tipo de análisis debimos haber realizado los tres tipos de análisis anteriormente mencionados, es decir debemos comprender muy bien lo sucedido, por que sucedió y contar con una variedad de análisis de lo que podría suceder, de esta manera podemos ayudar al usuario a determinar la mejor acción o el conjunto de acciones a seguir.
Un buen ejemplo sería lo que realizan las aplicaciones de tránsito como waze. Esta aplicación ayuda al conductor a elegir la mejor ruta para llegar a su destino, teniendo en cuenta la distancia de cada ruta (alternativas), la velocidad a la que se puede viajar en cada carretera y, lo más importante, que tiene muy en cuenta las restricciones de las vías ya sea por el tráfico, por un accidente ocurrido o por algún otro hecho que incremente el tiempo de viaje.
Conclusiones
Cada tipo de análisis de datos tiene un objetivo diferente que proporciona un valor variable para una organización pero que, analizando en conjunto y de manera secuencial aporta mucho valor.
Fuentes de referencia:
- Quiero ser un científico de datos ¿Por dónde empiezo?
- Video ” The best stats you’ve ever seen | Hans Rosling“
- Gapminder: Organización sin fines de lucro que da vida a datos globales vitales.
- Predictive Analytics World