Fases

1. Comprensión del negocio

Conocer

Objetivos de la empresa

Como medir

Resultados

2. Comprensión de los datos

Evaluar

Explorar

Recopilar

3. Preparación de los datos

Seleccionar

Limpiar

Formatear

4. Modelado

Seleccionar

Algoritmo de modelado

5. Evaluación

Revisar

Evaluar resultados

Corregir

6. Despliegue

Capacitar

Personal

Monitorear

Resultados

Documentar

Procesos

Subtópico

CRIDP-DM

DATOS

Validación

Entrenamiento

Datos

Datos

DATOS

Topic flotante^

Conocer

Sistema donde se implementara

Colaborar

Equipo de TI

Evaluar

Velocidad ejecución

Metodología

Selección de modelo

Evaluar

Calidad variables

Extraer información

Bases de dato 3ros

Recopilar información

Formularios

Mejoramiento

Campaña

Mayor

Rentabilidad

Ofrecer servicios

Clientes sin riesgo

Características del modelo de scoring de riesgo

Características del modelo de scoring de riesgo

Metodologías de ciencia de datos

Operaciones de IA

MEDIO

Ideación, evaluación e implementación de Big Data

Ciclo de vida de la ciencia de datos ágil

Lienzo de gestión de Big Data

Investigación sistemática sobre Big Data

Metodología básica para la ciencia de datos

Ciclo de vida de análisis de datos EMC

Flujo de trabajo de la ciencia de datos

TDSP de Microsoft

Lienzo de análisis

Flujos de trabajo de desarrollo para científicos de datos

Ciclo de vida de Domino DS

RAMSYS

Marco de gestión de Big Data

Marco de trabajo de entrega ágil

Hacia la ingeniería de minería de datos

Metodología básica para la ciencia de datos

Retos

Coordinación, colaboración y comunicación

Definición del proyecto de ciencia de datos

Conducir con datos

Creación de equipos de análisis de datos

Partes interesadas vs. análisis

Proporcionar información

Estructura de proyecto en ciencia de datos por Julian Jaimes