Estructuración de un proyecto de Ciencias de Datos

More like this

Segundo gobierno de Manuel Prado Ugarteche

by Masiel Diaz

Presentaciones Electronicas

by Luis Angel Perez

Competencias profesionales laborales

by Fátima Cáceres

caracteristicas de la investigacion

by german gutierrez

Elaborado por: Laura Acosta Quintero

Estructuración de un proyecto de Ciencias de Datos

Caso de estudio: Scotiabank Colpatria

Consideraciones en la planeación

Estimación del tiempo de ejecución del modelo

Flujio de trabajo

Sistema de implementación

Metodologías y herramientas a utilizar

Retos principales

Integración con sistemas externos para obtener información

Determinar si las variables aplican a todos los clientes

Calidad de las bases de datos

Selección de variables con poder de discriminación

Tiempo de preparación

8 Meses

Modelo

Clasificación supervisada

Objetivos de negocio

Mejora de ingresos y utilidad

Desarrollo de un modelo de scoring de créditos

Gerente del proyecto

Danny Lenis

Metodologías de gestión de proyectos en Ciencia de Datos

clasificadas según

El desafío que resuelve

en

Integrales (proyectos, equipos, datos/información)

Equipos y gestión de datos e información

Data Science Workflow

Development Workflow for Data Scientists

Proyectos y gestión de datos e información

Toward Data Mining Engineering Data Science Edge

Big Data Management Canvas

Proyectos y equipos

Systematic Research on Big Data

Agile Data Science Life Cycle

EMC Data Analytics Life Cycle

Equipos

Managing Information and Data Science Teams

Proyectos

CRISP-DM

consta de

Seis fases

Despliegue

Llevar el modelo a producción

Toma de decisiones

Generación de informes

Integración con software

Evaluación

Comparar resultados con objetivos del negocio

Seleccionar nuevas técnicas si es necesario

Ajustar modelos

Modelado

Construir modelos predictivos

basados en

Datos disponibles

Seleccionar la técnica de análisis

tales como

Redes neuronales

Árboles de desición

Regresión logística

Preparación de los datos

donde se hace

Selección de variables relevantes

Transformación

Limpieza de

Datos faltantes

Datos incorrectos

Comprensión de los datos

Análisis descriptivo

Recolectar y explorar datos

Comprensión del negocio

Crear el plan de proyecto

Definir objetivos del cliente

es

La más utilizada mundialmente

por su

Acrónimo en inglés

traduce

Proceso Estándar Intersectorial para la Minería de Datos

Subtópico

Fundamental Methodology for Data Science

AI Ops

Analytics Canvas

Ideación Evaluación e Implementación de Big Data

Big Data Management Framework

Gestión de proyectos en Ciencias de Datos

aborda

Tres áreas clave

que son

Gestión de datos e información

Generación de

Conocimiento

Insights

Gestión de equipos

Colaboración

Coordinación

Comunicación

Gestión de proyectos

Administración de alcances de tareas y plazos.

Establecimiento de objetivos, etapas, resultados y entregables.

Monitoreo de etapas del proyecto.

Objetivo de los proyectos de Ciencia de Datos

Experiencia en el dominio recomendada para extraer valor de los datos.

Aplicabilidad en todos los sectores y dominios

Resolver problemas reales complejos

a través de

Técnicas basadas en datos

Ciencias de datos

utiliza

Métodos y técnicas científicas

para

extraer conocimiento y valor

de

Datos no estructurados

Datos estructurados

es un

Campo multidisciplinario

que integra

Estadística

Matemáticas

Informática