Análisis de negocios para Data science

El mundo de los datos data science y machine learning

¿Qué es ciencia de datos y big data? ¿Cómo afectan a mi negocio?

• Big Data
  • Gran volumen de información.
  • Las empresas almacenan información diariamente.
    • Información sobre Costos, eficiencia, clientes.
  • Solución matemática a un problema de negocio.

¿Qué tipo de información podemos analizar?

• Tipología de datos:
  • Personas.
  • Transacciones.
  • Navegación web.
  • Machine 2 Machine.
  • Biométricos.

¿Cómo crear empresas y culturas data-driven?

• Entender qué componentes son necesarios par crear una cultura data-driven.
  1. Crear una cultura de datos.
     • Tomar decisiones basadas en datos.
  2. Recolectar información.
  3. Medir todo.
  4. Datos relevantes y precisos.
  5. Testear y crear hipótesis.
  6. Desde los insights de datos a las acciones.
  7. Cumplir las regulaciones de datos.
  8. Automatizar.

¿Qué es inteligencia artificial y machine learning?

• Usos:
  • Detección de fraudes.
  • Búsqueda web.
  • Anuncios a tiempo real.
  • Análisis de textos.
  • Next best action.

Herramientas y roles de trabajo en ciencia de datos

Flujo de trabajo en ciencia de datos: fases, roles y oportunidades laborales.

• Ingeniero de datos:
  • Base de datos.
  • ETLs/APIs.
  • SQL y NoSQL.
• Analista bussiness inteligence
  • Extracción y dashboards.
  • Automatización.
  • SQL y Excel.
• Data Scientist
  • Machine learning.
  • Modelos estadísticos.
  • R y Python.
• Data Translator.
  • Data Scientist - Decision makers.
  • Destiladores de data.
  • Expertos en necesidad de negocio.

Herramientas para cada etapa del análisis de datos

• Extracción de información con SQL.
  • Extracción de información.
  • Síntesis de base de datos.
  • Cuadros de control de la operación.
• Análisis y visualización de datos con R y Python.

Problemas de negocio: análisis

Cómo estructurar un caso de negocio?

• Desglosar un problema de negocio en una hipótesis estructurada.
  • Qué?: Problema de negocio → Hipótesis: Partir de una pregunta específica.
  • Por qué?: Clasificar todos los motivos y sistematizarlos en pocas categorías.
  • Cómo?: Estrategia de cómo vamos a diseñar y organizar todo el análisis.
    1. Análisis Cuantitativo:
       • Debe ir siempre primero ya que es toda la información.
       • Hacer una clasificación numérica.
    2. Análisis Cualitativo:
       • Buscar categorías en función de texto.
       • Nos ayuda a identificar características, tipos relacionados con el problema.
    3. Matriz cuantitativa-cualitativa:
       • Poner en conjunto la información.
       • Entender los números y explicarlos más a profundidad.
    4. Acciones de prevención;
       • Definir acciones con la información que tenemos.
       • Pasar de los insights a acciones.
    5. Validación:
       • Verificar si nuestro análisis ha servido y si nuestras acciones de prevención están teniendo efecto.

Problemas de negocio: Implementación

Acciones, algoritmos y toma de decisiones según los resultados del análisis

• Algoritmos usados:
  • Minería de datos para clasificación de motivos de contacto.
  • Correlaciones y patrones de comportamiento.
  • Árboles de decisión y teoría de juegos para predecir y tomar decisiones
  • Validación con bayesianos y MCMC (Cadenas de montecarlo).
• Acciones:
  • Taggear a los Top Ofenders identificados mensualmente.
  • Advertirlos.
  • Bloquear usuarios.
  • Validación con A/B Test.