Fundamentos de analítica de datos
Definición
Proceso de revisar, limpiar y organizar datos para encontrar información valiosa
Incluye diversas técnicas y herramientas para extraer insights y patrones significativos a partir de grandes volúmenes de datos.
Entender lo que significan y ayudar a tomar decisiones informadas.
caracteristicas
Procesamiento de Datos:
Recolectar, limpiar y transformar datos para para el análisis
Exploración y Análisis:
Identificar patrones, tendencias y anomalías.
Modelado Predictivo
Predicciones basados en datos históricos.
Visualización de Datos:
Presenta los resultados de manera gráfica
Toma de Decisiones Basada en Datos:
Proporciona información para tomar decisiones informadas y fundamentadas
Automatización y Escalabilidad:
Análisis de manera repetitiva y eficiente
Desarrollo de Insights:
Extrae conclusiones y hallazgos significativos para ventaja competitiva o resolver problemas
Uso de Tecnología Avanzada:
Uso de machine learning, inteligencia artificial y procesamiento de lenguaje natural
Adaptabilidad:
Puede aplicarse a diferentes tipos de datos y contextos, desde datos estructurados, no estructurados
Enfoque en el Usuario Final:
Se centra en proporcionar información que sea relevante y útil para los usuarios o tomadores de decisiones
tipologia
Análisis Descriptivo:
Propósito: Recopilación y el análisis de datos históricos.
Métodos Comunes: Estadísticas básicas (medias, medianas, desviaciones estándar), informes, gráficos, y tablas.
Ejemplo: Generar informes de ventas mensuales que muestren el rendimiento histórico de un producto.
Análisis Diagnóstico:
Propósito: Investiga causas de ciertos eventos o tendencias en los datos.
Métodos Comunes: Análisis de correlación, diagramas de causa y efecto, y análisis de regresión.
Ejemplo: Determinar por qué las ventas de un producto disminuyeron en un trimestre específico
Análisis Predictivo:
Propósito: Prevee futuros eventos o comportamientos.
Métodos Comunes: Modelos de regresión, algoritmos de machine learning (como árboles de decisión, redes neuronales y modelos de clasificación).
Ejemplo: Predecir la demanda futura de un producto
Análisis Prescriptivo:
Propósito: Recomendaciones sobre acciones a tomar o resolver problemas.
Métodos Comunes: Optimización, simulación, modelos de decisión.
Ejemplo: Sugerir estrategias de marketing personalizadas
Análisis Cognitivo:
Propósito: Emplea tecnologías avanzadas para interpretar datos
Métodos Comunes: Inteligencia artificial, procesamiento del lenguaje natural (PLN), y aprendizaje automático.
Ejemplo: Utilizar análisis de sentimientos
Análisis de Datos en Tiempo Real:
Propósito: Analiza datos a medida que se generan para proporcionar insights instantáneos
Métodos Comunes: Procesamiento de eventos complejos (CEP), análisis de flujo de datos.
Ejemplo: Monitorear en tiempo real el tráfico web
Análisis Exploratorio de Datos (EDA):
Propósito: Investigar y comprender datos a través de visualización
Métodos Comunes: Gráficos de dispersión, histogramas, análisis de clusters.
Ejemplo: Explorar datos de encuestas para identificar patrones o anomalías
tecnicas
Correlación
Subtópico
Regresión
Clustering
Análisis de Componentes Principales
Herramientas comunes
Microsoft Excel
Python (con bibliotecas especializadas)
Power BI
Tableau
SQL (Structured Query Language)
SPSS (Statistical Package for the Social Sciences
SAS (Statistical Analysis System)
Google Data Studio
Archivematica
AtoM (Access to Memory)
Datavers
casos de uso
Colombia
Otros Paises