¿Cómo se estructura un proyecto en ciencia de datos? CRISP-DM Elaborado por: Ludwig Angel

¿Cómo se estructura un proyecto en ciencia de datos?
CRISP-DM
Elaborado por: Ludwig Angel

Retos

Retos

6. Despligue

Implementar el modelo en producción

API, dashboard, informes^

Monitorear desempeño del modelo en tiempo real

Actualizar modelos según nuevos datos y necesidades^

Capacitar a los usuarios finales

Documentar el proceso

Definir Problema
Objetivos del Negocio
Evaluar Recursos
Planificación

Plan del proyecto

Comparar salidas del modelo con criterios de éxito definidos

Determinar Próximos Pasos

Cambios fuentes de datos
Requisitos Cambiantes
Escalabilidad

Tecnologías y herramientas
Planes Detallados

Selección de Datos
Limpieza de Datos
Construcción de Features

Descripción general de todas las fuentes de datos relevantes para su proyecto.

Expectativas del Cliente
Gestión de Riesgos
Evaluación Continua
Calidad de Datos

2. Comprensión de Datos

Arquitectura de datos de la organización.

Diccionario de fuentes de datos.
^

Calidad de los Datos

¿Son confiables? ¿Qué tan limpios estan?^

Análisis exploratorio de datos (EDA)^

4. Modelamiento

3. Preparación de datos

r

Esta etapa consume hasta el 80% del tiempo del proyecto. Es importante planificar con anticipación.

Datos Crudos

Conjunto de datos final^

Elegir Modelos

Entrenar Modelos

Evaluar Modelos

r

Evaluar modelos con métricas como RMSE, precisión, recall

Comparar Modelos

5. Evaluación

Evaluar Resultados

Revisar Proceso

Analizar qué funcionó y qué no^

1. Entendimiento del Negocio

Objetivos y
requisitos del proyecto