1. Metodología CRISP DM
1.1. Entendimiento del negocio
1.1.1. Identificación de los objetivos del negocio
1.1.2. Evaluación de la situación
1.1.3. Definición de los objetivos para la analítica y minería de datos
1.1.4. Desarrollo de un plan de trabajo
1.1.5. Ejemplo
1.1.5.1. Se desea predecir gastos, así que se determina qué factores pueden afectar en la ocurrencia de gastos
1.2. Entendimiento de los datos
1.2.1. Recolección de datos
1.2.2. Descripción de los datos
1.2.3. Exploración de los datos
1.2.4. Verificación de la calidad de los datos
1.2.5. Ejemplo
1.2.5.1. Se obtienen datos como: tipo de actividad, hora, personas involucradas, gasto, tiempo invertido
1.3. Preparación de los datos
1.3.1. Selección de los datos
1.3.2. Limpieza de los datos
1.3.3. Construcción de los datos
1.3.4. Integración de los datos
1.3.5. Ejemplo
1.3.5.1. Descarte de datos sin gasto, integración de datos como su tipo
1.4. Modelación de los datos
1.4.1. Selección de la técnica de modelación
1.4.2. Diseño de pruebas
1.4.3. Construcción del modelo
1.4.4. Evaluación del modelo
1.4.5. Ejemplo
1.4.5.1. Se utilizan una técnica de regresión para determinar cómo afectan el resto de los datos al gasto
1.5. Evaluación
1.5.1. Evaluación de los resultados
1.5.2. Revisión del proceso o procesos
1.5.3. Determinación de los siguientes pasos de acción
1.5.4. Ejemplo
1.5.4.1. Se determina la eficacia del modelo, se revisa cómo se llegó a él y se determina si es necesario tomar más acciones
1.6. Despliegue
1.6.1. Planeación del monitoreo y mantenimiento
1.6.2. Reporte de los resultados finales
1.6.3. Revisión de los resultados finales
1.6.4. Ejemplo
1.6.4.1. En base a los resultados que se obtienen se determina cada cuánto será necesario mantener o monitorear que el modelo siga siendo viable
2. Relación con películas
2.1. Margin Call
2.1.1. En la película se genera un modelo de datos y se genera una predicción de una situación que podría ocurrir, junto con sus consecuencias. Así, se comienza a generar un plan de acción para evitar las consecuencias negativas de la posible situación
2.1.1.1. Esto se basa en ciencia de datos y analítica de datos ya que se analiza una tendencia y se busca una solución a una problemática que podría acercarse
2.2. The Big Short
2.2.1. En la película, el protagonista analiza una gran cantidad de datos y al analizarlos encuentra una posible forma de generar un gran ingreso para su empresa
2.2.1.1. Esto se basa en la ciencia y analítica de datos, logrando predecir resultados y generando ingresos
3. Ciencia de Datos
3.1. Ciencia (uso del método científico) en la que se combinan campos
3.1.1. Estadística
3.1.1.1. Cálculo de probabilidades y distribución de datos
3.1.2. Inteligencia Artificial
3.1.2.1. Generación de algoritmos para tomar decisiones
3.1.3. Análisis de Datos
3.1.3.1. Interpretación de datos que nos brindan información para un objetivo
3.2. Ejemplos
3.2.1. Finanzas
3.2.1.1. Predicción de costos, gastos, ingresos
3.2.2. Mercadotecnia
3.2.2.1. Predicción de perfil de usuario, mejor marketing
3.2.3. Búsqueda avanzada
3.2.3.1. Predicción de información relevante para un usuario
3.2.4. Salud
3.2.4.1. Predicción de resultados a medicamentos
4. Analítica de Datos
4.1. Extraer información a partir de datos
4.1.1. Procesos, herramientas, técnicas de análisis y gestión de datos
4.1.1.1. Nos ayudan a encontrar patrones o tendencias y resolver problemas
4.2. Ejemplos
4.2.1. Uber
4.2.1.1. Análisis de datos de GPS para obtener rutas optimizadas
4.2.2. Amazon
4.2.2.1. Análisis de datos de usuarios para marketing
4.2.3. Google
4.2.3.1. Análisis de las búsquedas para el desarrollo de su algoritmo
5. Big Data
5.1. Conjuntos de datos de gran tamaño y gran complejidad
5.1.1. Obtención del valor dentro de esos datos
5.1.1.1. Análisis
5.1.1.2. Interpretación
5.1.1.3. Predicción
5.2. Ejemplos
5.2.1. Desarrollo de productos
5.2.1.1. Basado en la demanda de los usuarios
5.2.2. Mantenimiento
5.2.2.1. Predicción de fallos
5.2.3. Seguridad
5.2.3.1. Patrones en datos que indican fraudes