MÓDULO 6 - Video 2: Metodologías y tecnologías actuales para el análisis de datos

Saludos, sean bienvenidos a este nuevo

tema del módulo 6, análisis de datos. En

este video vamos a explorar las

metodologías para el análisis de datos,

su importancia y las [música]

principales etapas que permiten

organizar y aprovechar la información de

manera eficiente. Además, explicaremos

las principales tecnologías actuales

para el análisis de datos, desde los

lenguajes de programación hasta las

plataformas en la nube y las

herramientas de inteligencia artificial.

Esperamos que este contenido despierte

su interés y fortalezca su aprendizaje

en esta área. Así que mucho éxito.

Recuerda tomar notas y pausar el video

cuando lo [música] necesites.

Imagina que en tu trabajo te informan

que [música] el área de recursos humanos

tiene una alta rotación de personal y

nadie sabe bien por qué. Te asignan los

datos edad, antigüedad, salario,

evaluaciones de desempeño y ausentismo.

[música] ¿Por dónde empezarías a

analizar toda esta información? ¿Existe

una forma ordenada de hacerlo o

simplemente revisarías los números sin

un plan? Cuando un equipo necesita

analizar datos, no basta contener la

información. Se requiere un camino claro

para procesarla. Las metodologías para

el análisis [música] de datos son marcos

de trabajo que guían cada etapa del

proceso, desde entender el problema

hasta poner en marcha un [música]

modelo. En este video revisaremos las

principales metodologías, sus enfoques y

para qué tipo de proyectos resultan más

adecuadas.

El análisis de datos no sigue [música]

un camino improvisado. Existen

metodologías, es decir, marcos de

trabajo que guían de manera ordenada

cada etapa del proceso, desde entender

el problema [música] hasta obtener

resultados útiles. Por ello, revisaremos

las principales metodologías, enfoques y

para qué tipo de proyectos [música]

resultan más adecuadas.

La metodología tradicional sigue un

enfoque lineal. Primero se define el

problema, luego se recopilan los datos,

se analizan y finalmente se presentan

los resultados. Es la más utilizada en

investigaciones clásicas [música] o

académicas donde los pasos no cambian

una vez definidos. Imagina que realizas

una encuesta sobre hábitos de consumo,

recopilas las respuestas, las analizas y

presentas un informe. Eso es análisis

con un enfoque tradicional. Una de las

metodologías más utilizadas en la

industria es Crisp DM, Cross Industry

Standard Process for Data Mining. A

diferencia del enfoque tradicional, es

iterativa, permite regresar a etapas

anteriores cuando se [música] descubre

información nueva. Sus fases son

comprensión del negocio, comprensión de

los datos, preparación de datos,

modelado, evaluación y despliegue. Es

ideal para proyectos de minería de datos

en empresas.

KDD, Knowledge Discovery [música] in

databases, es una metodología orientada

al descubrimiento de patrones en grandes

volúmenes de datos. Su proceso incluye

selección, preprocesamiento,

transformación, minería de datos e

interpretación de resultados. Es

especialmente útil en contextos de big

data, donde se manejan millones de

registros y se busca encontrar

comportamientos ocultos que no son

evidentes a simple vista.

SEMA es una metodología de enfoque

predictivo desarrollada por el Instituto

SAS. Sus siglas corresponden a sus cinco

etapas: sample, muestreo, explore,

exploración, modify, [música]

modificación, modelado y acessuación. es

muy utilizada en [música] proyectos

donde se trabaja con la herramienta SAS

y se busca construir modelos que

anticipen comportamientos, como predecir

si un cliente cancelará su suscripción.

Las metodologías ágiles aplicadas al

análisis de datos se caracterizan por

ser flexibles y colaborativas. trabajan

en ciclos cortos llamados [música]

sprints, donde el equipo analiza, ajusta

y mejora continuamente. Son muy usadas

en proyectos de data science donde los

requerimientos cambian con frecuencia o

donde se necesita entregar resultados

parciales de manera rápida, como en

startups o equipos de innovación.

Finalmente, el ML Life Cycle o ciclo de

vida del aprendizaje automático es una

metodología orientada a la

automatización de modelos de

inteligencia artificial. Abarca desde la

definición del problema y la preparación

de datos hasta el entrenamiento,

evaluación, despliegue y monitoreo

continuo del modelo en producción. Es la

metodología más completa para equipos

que desarrollan soluciones de IA que

deben funcionar de manera estable en

[música] entornos reales. Pasemos ahora

a las tecnologías actuales que dominan

el entorno del análisis de datos. Antes

de comenzar, te sugiero reflexionar o

revisar algún concepto con mayor

detalle.

Imagina que en tu empresa te asignan un

proyecto para analizar las ventas del

último [música] año y descubrir qué

productos tienen mayor demanda. Tienes

los datos y tienes las ganas, pero sabes

exactamente qué herramientas utilizar

para procesarlos y presentar tus

resultados. Hoy en día contamos con un

enorme ecosistema de tecnologías, desde

lenguajes de programación hasta

plataformas en la nube diseñadas

específicamente para transformar esos

[música] datos en información útil.

Los lenguajes de programación son la

base del análisis de datos. Python es el

más popular en ciencia de datos. Cuenta

con bibliotecas clave como pandas para

[música] análisis, Nompie para cálculo

numérico, mat plot lip y sibon para

visualización, psychit learn para

machine learning y tensor flow o py

torch para deep learning. Por su parte,

R es un lenguaje especializado en

estadística, muy utilizado en

investigación académica con bibliotecas

como Tidiverse, JJY [música] Plot 2 y

Caret. Ambos lenguajes también usan SQL

para consultar y manipular bases de

datos relacionales. Para guardar y

consultar los datos se utilizan

tecnologías de almacenamiento. Las bases

de datos relacionales como MySQL, Postg

SQL, [música] SQL Server y Oracle

organizan la información en tablas y son

ideales para datos estructurados.

Cuando los volúmenes son muy grandes o

los datos no tienen una estructura fija,

se recurre a las bases de datos NOSQL,

las documentales como DB, las

columnares como Casandra, las de clave

valor como Redis y las de grafos como

Neo 4J, cada una diseñada para un tipo

específico de dato. Cuando los datos son

tan grandes que una sola computadora no

puede procesarlos, entran en juego las

plataformas de Big Data. Hadup HDFS

permite el almacenamiento distribuido.

MAPREDUS procesa datos en paralelo.

Apach Spark realiza [música] análisis en

memoria de forma muy rápida. HVE permite

hacer consultas tipo SQL sobre grandes

volúmenes de datos y Kafka se

especializa en el procesamiento de datos

en tiempo real como los generados por

sensores o redes sociales.

Las herramientas de Business

Intelligence permiten visualizar

[música] y reportar datos para apoyar la

toma de decisiones. Entre las más usadas

están [música] Power BI, Tablo,

ClickSense y Google Data Studio, todas

capaces de generar [música] dashboards

interactivos sin necesidad de programar.

Para construir modelos de inteligencia

artificial existen herramientas

especializadas [música] como tensor

flow, queras, h2o.Aai, rapida, cada una

con distintos niveles de complejidad y

aplicación.

Finalmente, las herramientas ETL, que

por sus siglas en inglés significan

extraer, transformar y cargar, permiten

mover y preparar datos entre [música]

sistemas. Entre las más utilizadas están

Talent, Informática Power Center, Apache

Nifi, Ventajo y Airflow para la

orquestación de flujos de datos.

Existen [música] distintas metodologías

para analizar datos y cada una ofrece un

camino diferente. Algunas siguen pasos

secuenciales, mientras que otras

prefieren enfoques [música] iterativos y

ágiles. Al final, el objetivo puede ser

descubrir patrones o construir modelos.

La clave es elegir la más adecuada según

el problema y el contexto.

Además, las tecnologías son variadas y

cada una tiene un rol. [música]

Lenguajes como Python, R o SQL permiten

procesar datos. Las bases de datos los

almacenan y las herramientas de

visualización como Power BI o Tabló

muestran los resultados.

Piensa en el caso inicial. En recursos

humanos tienes los datos, pero no sabes

por dónde empezar. Con una metodología

como Crisp DM podrías entender el

problema, analizar datos como edad,

salario y ausencias, creando un modelo

para tomar mejores decisiones. Igual en

ventas, ahora sabes que con Python y

Pandas puedes procesar datos. Una base

como Postgre SQL los almacena y

herramientas como Power BI o Tablow te

ayudan a presentarlos. [música]

Las mismas tecnologías que usan expertos

en todo el mundo. Sin una metodología,

el análisis es como construir sin un

plano. Puede salir bien, pero es

impredecible. Elegir la metodología

correcta te lleva del problema a las

decisiones basadas en datos, generando

valor real para tu organización.

Con esto concluimos con un breve pero

sustancioso repaso de las metodologías y

tecnologías para el análisis de datos.

Gracias por prestar atención a este

video. Continúa explorando y sigue

aprendiendo. Hasta pronto.