Integrntes del grupo 4;
Luis Angel Alba Jerez #2022-0397
Darlin Manuel 2019-1244
Brian Félix Toribio 2019-0486
willian jorge 2019-1118
Eudi Contreras 2019-0286
Tema;
Analítica de datos
¿Qué es la analítica de datos?
La analítica de datos es el proceso sistemático de explorar, limpiar, transformar e
interpretar datos para obtener información valiosa que permita tomar decisiones
informadas. Combina técnicas estadísticas, matemáticas, computacionales y de
inteligencia artificial para extraer significado de grandes volúmenes de datos. Este
enfoque es fundamental en la era digital, ya que las organizaciones producen y recopilan
datos a un ritmo exponencial. Permiten optimizar procesos de producción, por ejemplo,
identificar que los bombillos LED de 150 watts resultan más económicos, de menor
consumo energético y los usuarios compran compulsivamente cuando el diseño es en
forma de gota de agua. También, nos ayudan a evitar invertir tiempo, recursos y espacio
de almacenamiento en productos que no están resultando atractivos en el mercado:
bombillos tamaño pesera de colores verde y violeta de 20 watts que casi no se venden.
¿En qué consiste la analítica de datos?
El análisis de datos es el proceso de inspeccionar, limpiar, transformar y modelar
grandes volúmenes de datos con el objetivo de descubrir información útil, llegar a
conclusiones y respaldar la toma de decisiones .
Para comprender mejor la aplicabilidad del análisis de datos, examinaremos varios
ejemplos concretos de usos del análisis de datos con diferentes fines:
Toma de decisiones informadas: El análisis de datos proporciona información
clave que ayuda a tomar decisiones fundamentadas en evidencia y hechos, en
lugar de depender únicamente de intuiciones o suposiciones.
Identificación de patrones y tendencias: Permite descubrir patrones ocultos,
tendencias y relaciones en los datos, lo que puede ser útil para anticipar cambios,
identificar oportunidades o gestionar riesgos.
Optimización de procesos: Al analizar datos relacionados con procesos
empresariales, se pueden identificar áreas de mejora y optimización, lo que
puede llevar a una mayor eficiencia y productividad.
Segmentación y personalización: Permite segmentar a la audiencia o clientes
en grupos específicos con características similares, lo que facilita la
personalización de productos, servicios o estrategias de marketing.
Predicciones y modelado: A través de técnicas avanzadas, como el modelado
predictivo, el análisis de datos puede ayudar a realizar predicciones sobre
eventos futuros o comportamientos, proporcionando una ventaja estratégica.
Evaluación de rendimiento: Permite evaluar el rendimiento de diferentes áreas
o aspectos de una organización, identificando áreas fuertes y oportunidades de
mejora.
Descubrimiento de insights: Ayuda a descubrir información valiosa que podría
no ser evidente a simple vista, lo que puede ser crucial para la innovación y la
toma de decisiones estratégicas.
La analítica de datos abarca varias etapas principales que garantizan un análisis
efectivo y útil:
1. Recopilación de datos
Se recopilan datos de múltiples fuentes como bases de datos internas,
dispositivos IoT, redes sociales, plataformas web y encuestas.
Los datos pueden ser:
Estructurados: Organizados en tablas (como bases de datos
relacionales).
No estructurados: Texto, imágenes, audio, video.
Semiestructurados: XML, JSON.
2. Limpieza y preparación
Es necesario garantizar que los datos sean consistentes, precisos y utilizables.
Incluye:
Eliminar datos duplicados.
Corregir errores tipográficos.
Manejar valores nulos o inconsistentes.
Convertir formatos incompatibles.
3. Exploración de datos
Utilizar análisis descriptivos para entender el comportamiento de los datos.
Generar visualizaciones como histogramas, gráficos de dispersión y mapas de
calor para identificar tendencias y valores atípicos.
4. Modelado y análisis avanzado
Aplicar técnicas como:
Estadística tradicional: Regresión, correlación.
Machine Learning: Algoritmos supervisados y no supervisados para
predicción, clasificación o agrupación.
Deep Learning: Redes neuronales para problemas complejos como
visión por computadora y procesamiento de lenguaje natural.
El objetivo es identificar patrones, realizar predicciones y proporcionar insights
accionables.
5. Interpretación y comunicación
Presentar los resultados mediante paneles interactivos (dashboards), informes
gráficos o narrativas.
Herramientas como Power BI, Tableau o Google Data Studio facilitan la
comprensión de los resultados.
6. Implementación y monitoreo
Incorporar los hallazgos en sistemas o procesos de negocio.
Monitorear resultados para validar las decisiones y ajustar estrategias en función
del rendimiento real.
Tipos de analítica de datos
1. Analítica descriptiva:
Responde a la pregunta: ¿Qué ocurrió?
Ejemplo: Resúmenes de ventas mensuales o análisis de comportamiento
de clientes.
Herramientas: Tablas dinámicas, gráficos.
2. Analítica diagnóstica:
Responde a la pregunta: ¿Por qué ocurrió?
Ejemplo: Identificar por qué disminuyeron las ventas en una región
específica.
3. Analítica predictiva:
Responde a la pregunta: ¿Qué ocurrirá?
Ejemplo: Predecir la demanda de un producto para la próxima temporada
utilizando machine learning.
4. Analítica prescriptiva:
Responde a la pregunta: ¿Qué deberíamos hacer?
Ejemplo: Recomendaciones para optimizar rutas de entrega en logística.
5. Analítica cognitiva:
Emplea inteligencia artificial para simular el pensamiento humano.
Ejemplo: Chatbots que comprenden y responden a consultas complejas.
Herramientas de analítica de datos
1. Software de análisis: Python, R, SAS, MATLAB.
2. Plataformas de visualización: Tableau, Power BI, Google Data Studio.
3. Bases de datos: MySQL, PostgreSQL, MongoDB, Snowflake.
4. Big Data y procesamiento en la nube: Apache Hadoop, Spark, AWS, Google
Cloud Platform, Microsoft Azure.
5. Inteligencia artificial y machine learning: TensorFlow, scikit-learn, PyTorch.
Aplicaciones reales de la analítica de datos
1. Negocios
Ejemplo: Amazon utiliza analítica para recomendaciones personalizadas.
Impacto: Incremento en ventas a través de la personalización de la experiencia
del usuario.
2. Salud
Ejemplo: IBM Watson analiza historiales clínicos para sugerir tratamientos
personalizados.
Impacto: Mejora en los resultados de los pacientes y reducción de costos.
3. Finanzas
Ejemplo: PayPal detecta transacciones fraudulentas mediante algoritmos de
machine learning.
Impacto: Reducción de pérdidas por fraude.
4. Transporte
Ejemplo: UPS optimiza rutas de entrega con analítica prescriptiva.
Impacto: Ahorro en combustible y reducción de emisiones de carbono.
5. Educación
Ejemplo: Plataformas como Khan Academy analizan el progreso de los
estudiantes para ajustar el contenido.
Impacto: Mejora de la efectividad del aprendizaje.
6. Entretenimiento
Ejemplo: Netflix utiliza modelos predictivos para recomendar series y películas.
Impacto: Mayor satisfacción del usuario y tiempo de uso de la plataforma.
7. Agricultura
Ejemplo: Drones que recopilan datos del suelo para optimizar el uso de
fertilizantes.
Impacto: Aumento en la productividad agrícola.
8. Gobierno
Ejemplo: Análisis de datos de tráfico para planificar infraestructuras viales.
Impacto: Reducción de congestión vehicular y mejora de la calidad de vida.
Ejemplos específicos
1. Google Maps: Analiza datos de tráfico en tiempo real para sugerir rutas más
rápidas.
2. Tesla: Usa datos en tiempo real de sus vehículos para mejorar el rendimiento de
la conducción autónoma.
3. Zara: Analiza tendencias de moda y comportamiento de clientes para diseñar
colecciones.
4. Airbnb: Optimiza precios basados en demanda, estacionalidad y competencia.
5. Amazon: Utiliza analítica de datos para recomendaciones personalizadas de
productos basadas en el historial de navegación y compra.
6. Netflix: Analiza patrones de visualización para sugerir contenido relevante y
desarrollar nuevas producciones.
7. Spotify: Recomienda música personalizada analizando preferencias y hábitos de
escucha de los usuarios.
