Gestión de Proyectos de Ciencia de Datos
Metodologías
CRISP-DM
Adopta una visión más amplia que integra mejor los objetivos del negocio
Objetivos
Ayudar a estructurar el proyecto
Evitar errores comunes
Maximizar el valor de los resultados
Fases de un proyecto
Comprensión del negocio
Análisis del contexto empresalial
Definición de objetivos y necesidades
Identificación de riesgos y gestión del cambio
Comprensión de los datos
Evaluación de los activos de datos existentes.
Determinación de la madurez analítica.
Identificación de casos de uso.
Preparación de Datos
Limpieza y transformación de datos.
Criterios de inclusión/exclusión de datos.
Construcción de bases de datos estructuradas.
Modelado y Análisis
Selección de modelos analíticos.
Desarrollo de algoritmos de machine learning.
Aplicación de modelos estadísticos.
Entrega y Despliegue
Validación de resultados.
Uso de métricas de desempeño.
Ajustes iterativos de los modelos.
KDD
SEMMA
Factores clave
Gobernanza de datos
Seguridad y ética en el uso de datos
Cumplimiento normativo
Habilidades del equipo
Conformación de equipos multidisciplinarios
Desafíos en Ciencia de Datos
Calidad y accesibilidad de los datos
Interpretabilidad de los modelos
Integración en el contexto real
Aplicación en Diversos Contextos
Sector Empresarial
Optimización de procesos
Análisis de clientes y marketing
Finanzas y gestión de riesgos
Automatización de procesos
Sector Académico
Ciencia abierta
Investigación científica
Clasificación de grupos de investigación
Sector público
Evaluación de impacto de políticas públicas
Modelos en ciencia de datos para optimizar
Movilidad vehícular
Aspectos ambientales
Seguridad ciudadana
Optimización de recursos
Transversal
Inteligencia artificial aplicada
Internet de las cosas
Ciberseguridad
Gestión de indicadores
Satisfacción del cliente
Análisis predictivos